一种轻量型人体行为识别学习模型

摘要

提出一种基于近邻成分分析(Neighbourhood component analysis,NCA)、L_(2)正则化和随机配置网络(Stochastic configuration networks,SCNs)的轻量型人体行为识别学习模型.首先,针对人体行为特征集维数过高且可分性差的问题,利用NCA从特征集中选择高相关性特征子集,进而提高模型建模计算过程的轻量性和识别精度.其次,针对SCNs隐含层节点过多时容易出现过拟合的问题,采用L_(2)正则化方法增强SCNs的泛化能力,同时利用监督机制约束产生隐含层参数的方法,极大地提高了SCNs模型的轻量性.最后,将所提NCA−L_(2)−SCNs学习模型在UCI HAR特征集上进行验证,实验结果表明,相比于其他模型,本文所提轻量型模型对于人体行为识别具有更好的识别精度和更快的建模速度.