基于改进极限学习机算法的行为识别

计算机工程与科学

基于改进极限学习机算法的行为识别

周书仁1,2，曹思思1,2，蔡碧野1,2

（1.长沙理工大学综合交通运输大数据智能处理湖南省重点实验室，湖南长沙 410114；

2.长沙理工大学计算机与通信工程学院，湖南长沙 410114）

收稿日期:2016-01-21 修回日期:2016-04-12 出版日期:2017-09-25 发布日期:2017-09-25
基金资助:
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）

An action recognition algorithm based on

improved extreme learning machine

ZHOU Shu-ren1,2,CAO Si-si1,2,CAI Bi-ye1,2

（1.Hunan Provincial Key Laboratory of Intelligent Processing of Big Data on Transportation,

Changsha University of Science and Technology,Changsha 410114;

2.School of Computer and Communication Engineering,

Changsha University of Science and Technology,Changsha 410114,China）

Received:2016-01-21 Revised:2016-04-12 Online:2017-09-25 Published:2017-09-25

摘要/Abstract

摘要：

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Cholesky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。

关键词: 极限学习机, 在线学习, Cholesky分解, 核函数

Abstract:

We focus on detecting the efficiency of extreme learning machine (ELM) on action recognition. To overcome the problems of computational complexity and time consumption of online learning and action classification, we propose a new action recognition algorithm (ELM-Cholesky). Firstly, a method based on Cholesky decomposition to seek the calculation of ELM is introduced into the algorithm. Secondly, according to the characteristics of kernel function matrix updates during online learning, we utilize the partitioned Cholesky decomposition algorithm for online solution to ELM, which realizes online updating of the triangular factor matrix. Finally, we can obtain a new online learning algorithm, called ELM-Cholesky. The new algorithm can make full use of historical training data, reduce the complexity of calculation, and improve action identification accuracy. Moreover, extensive experiments on benchmark database verify the effectiveness of this online learning algorithm.

Key words: extreme learning machine, online learning, Cholesky decomposition, kernel function

周书仁1,2，曹思思1,2，蔡碧野1,2. 基于改进极限学习机算法的行为识别[J]. 计算机工程与科学.

ZHOU Shu-ren1,2,CAO Si-si1,2,CAI Bi-ye1,2.

An action recognition algorithm based on

improved extreme learning machine

[J]. Computer Engineering & Science.

[1]	周伯荣, 程伟国, 许镇义, 温秀兰. 基于改进在线极限学习机的短时交通流预测模型研究[J]. 计算机工程与科学, 2022, 44(05): 944-950.
[2]	赵林锁, 陈泽, 丁琳琳, 宋宝燕. 基于RELM的时间序列数据加权集成分类方法[J]. 计算机工程与科学, 2022, 44(03): 545-553.
[3]	董宏成, 文志云, 万玉辉, 晏飞扬, . 基于DPC聚类重采样结合ELM的不平衡数据分类算法[J]. 计算机工程与科学, 2021, 43(10): 1856-1863.
[4]	陈文兵, 李育霖, 陈允杰. 一种基于CNN-SE-ELM的年龄和性别识别模型[J]. 计算机工程与科学, 2021, 43(05): 872-882.
[5]	李晶晶, 许少华. 基于组合核函数的径向基过程神经网络及其在示功图诊断中的应用[J]. 计算机工程与科学, 2021, 43(04): 746-752.
[6]	火元莲, 李俞利. 基于多特征融合与极限学习机的植物叶片分类方法[J]. 计算机工程与科学, 2021, 43(03): 486-493.
[7]	李茜, 周华健, 杨浩运, 殷海兵. 一种基于listwise的在线学习书目排序检索算法[J]. 计算机工程与科学, 2020, 42(04): 749-754.
[8]	蔡衡1,2,3，楚恒1,2,4，单德明1,2,3. 基于ELM的遥感影像城市道路提取[J]. 计算机工程与科学, 2020, 42(01): 125-130.
[9]	吕治政, 李扬定, 雷聪. 基于核稀疏表示的属性选择算法[J]. 计算机工程与科学, 2020, 42(01): 166-177.
[10]	颜学龙,马润平. 基于深度极限学习机的模拟电路故障诊断[J]. 计算机工程与科学, 2019, 41(11): 1911-1918.
[11]	楚恒1,2,3,4，蔡衡1,2,3，单德明1,2,3. 高分辨率遥感影像的多特征多核ELM分类方法[J]. 计算机工程与科学, 2019, 41(10): 1816-1822.
[12]	颜学龙,汪斌斌. 自适应狼群算法优化ELM的模拟电路故障诊断[J]. 计算机工程与科学, 2019, 41(02): 246-252.
[13]	王琳琳1，刘敬浩1，付晓梅2. 基于极限学习机与改进K-means算法的入侵检测方法[J]. 计算机工程与科学, 2018, 40(08): 1398-1404.
[14]	蔡国永,毕梦莹,刘建兴. 基于标记信息级联传播树特征的谣言检测新方法[J]. 计算机工程与科学, 2018, 40(08): 1488-1495.
[15]	周华平，袁月. 改进鱼群算法优化的ELM在乳腺肿瘤辅助诊断中的应用研究[J]. 计算机工程与科学, 2017, 39(11): 2145-2152.