基于差异性聚类的选择性集成人体行为识别模型

摘要：

为了提高基于智能手机的人体行为识别率,优化多分类器集成系统的泛化性能及个体分类器的差异性,提出了基于差异性增量聚类(Diversity Measure Increment-Affinity Propagation clustering,DMI-AP)的选择性集成人体行为识别模型.首先对训练集的所有样本进行bootstrap抽样并训练基分类器,选出大于平均识别率的基分类器构成分类器集合;然后将集合的基分类器作为聚类对象进行分组,通过计算基分类器间的双误差异性值求出表征个体分类器特征的双误差异性增量值,输入近邻传播聚类算法得到k个类簇,选取每簇的中心分类器构成多分类器集成系统;最后使用等概率均值法融合k个分类器的输出结果.实验表明,该模型算法使个体分类器的差异性增大、分类器搜索空间缩小;与传统的Bagging,Adaboost以及RF方法相比,该模型的识别准确率平均提高了8.11％.

关键词：选择性集成、差异性增量、近邻传播聚类、行为识别

所属期刊栏目：45

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61373116;陕西省教育科学“十二五”规划课题SGH140601;西安邮电大学校青年基金项目ZL2014-27;西安邮电大学研究生创新基金项目103-602080004

在线出版日期：2018-04-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：307-312