一种基于迁移极速学习机的人体行为识别模型.docVIP

一种基于迁移极速学习机的人体行为识别模型 　　摘 要：为了解决由于每个用户的行为都有自身的特点和习惯，加之手机放置位置和方向的不确定性及多样性所导致的通用模型识别率低的问题，文章提出了利用TrELM（Transfer Extreme Learning Machine）算法实现迁移学习，并基于智能手机中内置的加速度传感器进行信息采集并通过机器学习方法构建人体行为识别模型。该方法是一种基于参数迁移的方法，通过对ELM的目标函数进行修改，引入一个可以表示两域差异的迁移学习量，从而实现ELM模型的迁移学习。实验结果表明，该模型可以有效的提高新用户的行为识别正确率。 　　关键词：迁移学习;人体行为识别;极速学习机;机器学习 　　中图分类号：TP391 文献标识码：A 文章编号：2095-1302（2015）09-00-03 　　0 引 言 　　基于智能手机进行人体行为识别是移动情景识别的一个重要研究方向，在健康监控、行为检测、老年人监管等方面有广泛应用[1]。在构建行为识别模型时，利用智能手机中内置的三轴加速度传感器，对人们多种日常行为的加速度数据进行采集，并通过机器学习的方法，构建用户行为识别模型[2]。 　　由于每个用户的行为都有自身的特点和习惯，加之手机放置位置和方向的不确定性及多样性，导致不同用户的行为加速度数据特征的数据分布差异较大，以至于识别模型的不适