基于極限學(xué)習(xí)機(jī)的智能手機(jī)傳感器活動(dòng)識(shí)別研究.pdf

1、活動(dòng)識(shí)別是一個(gè)典型的時(shí)間序列分類問(wèn)題，目的是為了確定傳感器數(shù)據(jù)流的某一連續(xù)部分是由哪種人體活動(dòng)產(chǎn)生的，在人機(jī)交互、健康醫(yī)療、教育、遠(yuǎn)程會(huì)議、體育運(yùn)動(dòng)等方面具有廣泛的應(yīng)用前景。目前，內(nèi)嵌著多種傳感器的智能手機(jī)已成為活動(dòng)識(shí)別和運(yùn)動(dòng)監(jiān)測(cè)的理想平臺(tái)，極限學(xué)習(xí)機(jī)（ELM）經(jīng)過(guò)多年研究已成為活動(dòng)識(shí)別領(lǐng)域的較為先進(jìn)的研究方法。本文分別從監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)三個(gè)角度出發(fā)研究了ELM及其改進(jìn)算法進(jìn)一步對(duì)ELM進(jìn)行優(yōu)化，并利用三個(gè)智能手機(jī)數(shù)據(jù)集

2、驗(yàn)證優(yōu)化方法的可行性和有效性。
　　首先，研究了ELM監(jiān)督學(xué)習(xí)模型H-ELM，將H-ELM與深度重構(gòu)模型相結(jié)合，并在H-ELM初始化深度重構(gòu)模板參數(shù)的過(guò)程中，采用了合并權(quán)重矩陣和偏置矩陣的新思路，簡(jiǎn)化了隨機(jī)過(guò)程步驟，而數(shù)據(jù)集驗(yàn)證結(jié)果表明，該方法對(duì)傳感器數(shù)據(jù)集的識(shí)別正確率可高達(dá)99％。
　　其次，研究了ELM半監(jiān)督學(xué)習(xí)模型SS-ELM，在進(jìn)入模型訓(xùn)練之前，對(duì)樣本數(shù)據(jù)進(jìn)行PCA降維，盡可能地降低樣本數(shù)據(jù)間的冗余度，提高活動(dòng)識(shí)別效