10.3969/j.issn.1007-130X.2017.09.023
基于改进极限学习机算法的行为识别
重点研究了极限学习机ELM对行为识别检测的效果.针对在线学习和行为分类上存在计算复杂性和时间消耗大的问题,提出了一种新的行为识别学习算法(ELM-Cholesky).该算法首先引入了基于Cholesky分解求ELM的方法,接着依据在线学习期间核函数矩阵的更新特点,将分块矩阵Chol-esky分解算法用于ELM的在线求解,使三角因子矩阵实现在线更新,从而得出一种新的ELM-Cholesky在线学习算法.新算法充分利用了历史训练数据,降低了计算的复杂性,提高了行为识别的准确率.最后,在基准数据库上采用该算法进行了大量实验,实验结果表明了这种在线学习算法的有效性.
极限学习机、在线学习、Cholesky分解、核函数
39
TP391.4(计算技术、计算机技术)
国家自然科学基金61402053;湖南省教育厅资助科研项目17A007;湖南省交通厅科技资助项目201334;2015年湖南省研究生科研创新资助项目CX2015B369
2017-10-30(万方平台首次上网日期,不代表论文的发表时间)
共9页
1749-1757