基于开集类增量学习的人类活动识别研究

摘要：

通过可穿戴传感器采集的时间序列信号进行人类活动识别(HAR)需基于训练样本的已知类别进行,然而现实中可能面临不断增加的新类别数据,将新类别数据与已知类别有效区分是现阶段人类活动识别的研究热点.类增量学习旨在目标数据不断增加时用新的知识更新已有模型,同时开集识别算法可以为分类器提供拒绝选项,以便识别出模型未见过的目标类型.该文设计了一种基于类增量学习的开集动作识别框架,该框架能够连续识别和学习新的未知类,将极值模型(EVM)与增量学习相结合,对于特征进行PCA降维,分别计算特征之间的余弦、欧式和曼哈顿距离,对新数据进行学习和识别.仿真实验结果表明,对比现有的模拟开集工作,该文所提出的模型在UCI和PAMAP2数据集上具有良好的表现,其中经过PCA降维和计算余弦距离取得了更高的精度.在类增量学习实验中,该模型既能够保持良好的精度,同时也能有效地辨别新类.

关键词：增量学习、开集识别、人类活动识别、极值模型、PCA降维

所属期刊栏目：40

分类号：TP183(自动化基础理论)

在线出版日期：2023-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：40-47