王忠民, 屈 肅

(西安郵電大學(xué) 計(jì)算機(jī)學(xué)院， 陜西 西安 710121)

一種極速學(xué)習(xí)機(jī)人體行為識(shí)別模型遷移方法

王忠民, 屈 肅

(西安郵電大學(xué) 計(jì)算機(jī)學(xué)院， 陜西 西安 710121)

針對(duì)移動(dòng)用戶行為識(shí)別的問題，提出一種帶權(quán)值樣本篩選的遷移學(xué)習(xí)方法。該方法通過將訓(xùn)練集分割重構(gòu)并賦樣本權(quán)值，依據(jù)訓(xùn)練樣本在對(duì)應(yīng)極速學(xué)習(xí)機(jī)分類器上的判別結(jié)果對(duì)其權(quán)值進(jìn)行修改，經(jīng)過多次迭代后篩選出與遷移樣本最相似的訓(xùn)練集，從而構(gòu)建遷移行為識(shí)別模型。測(cè)試結(jié)果表明，遷移學(xué)習(xí)后的行為識(shí)別模型能有效提高分類正確率。

行為識(shí)別；遷移學(xué)習(xí)；極速學(xué)習(xí)機(jī)；集成學(xué)習(xí)

人體行為識(shí)別是人工智能與模式識(shí)別領(lǐng)域內(nèi)的一個(gè)新興的研究方向，主要分為基于視覺的人體行為識(shí)別以及基于加速度傳感器的人體行為識(shí)別兩個(gè)方向[1-2]。隨著移動(dòng)設(shè)備迅速發(fā)展，加速度傳感器已經(jīng)成為了智能手機(jī)中必備的集成器件，給構(gòu)建基于智能手機(jī)的人體行為識(shí)別提供了必要條件。由于具有便攜性強(qiáng)，數(shù)據(jù)采集方便等優(yōu)勢(shì)，基于智能手機(jī)的人體行為識(shí)別模型在智能家居、行為檢測(cè)、健康監(jiān)控、卡路里追蹤記錄等方面均有應(yīng)用，具有廣泛的發(fā)展前景[3]。利用智能手機(jī)中內(nèi)置的三軸加速度傳感器，采集人們?nèi)粘Ｐ袨榈募铀俣葦?shù)據(jù)，可以構(gòu)建用戶通用行為識(shí)別模型[4-5]。但是在實(shí)際應(yīng)用中，固定行為識(shí)別模型面臨著挑戰(zhàn)，即用戶行為個(gè)性化以及設(shè)備放置位置多樣化。在面對(duì)新用戶時(shí)，由個(gè)體行為差異性而導(dǎo)致的行為數(shù)據(jù)在特征空間上的不同分布，降低了通用模型的識(shí)別正確率，另外，不同用戶放置手機(jī)位置的習(xí)慣不同，使得手機(jī)位置和方向的不固定，這在一定程度上也影響了模型的性能[6]。為了解決通用行為識(shí)別模型對(duì)新用戶的自適應(yīng)性問題，需要對(duì)通用模型進(jìn)行遷移學(xué)習(xí)[7]。

在面對(duì)新用戶時(shí)，通用模型由于缺少新用戶帶標(biāo)記的行為數(shù)據(jù)，并且新數(shù)據(jù)與原始訓(xùn)練集的數(shù)據(jù)分布也不盡相同，因此給模型的修改帶來很大困難。相比傳統(tǒng)的機(jī)器學(xué)習(xí)，遷移學(xué)習(xí)可以解決由于訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的不同分布而帶來的不便，使系統(tǒng)具有識(shí)別和將先前任務(wù)中學(xué)習(xí)到的知識(shí)及技巧應(yīng)用到新的任務(wù)或領(lǐng)域的能力[8]。比較經(jīng)典的遷移學(xué)習(xí)方法TrAdaboost模型，是一種基于實(shí)例的遷移學(xué)習(xí)方法[9]，通過改進(jìn)Adaboost方法，使用少量的標(biāo)記樣本對(duì)訓(xùn)練樣本進(jìn)行標(biāo)記，是一種二分類問題的遷移學(xué)習(xí)方法，但是這種方法將遷移輔助數(shù)據(jù)和目標(biāo)數(shù)據(jù)這兩部分?jǐn)?shù)據(jù)集直接組合在一起,組成一個(gè)混合數(shù)據(jù)集作為新的訓(xùn)練集進(jìn)行訓(xùn)練，得到分類模型，輔助數(shù)據(jù)中存在大量冗余數(shù)據(jù),這些數(shù)據(jù)可能與目標(biāo)數(shù)據(jù)集很不相似,不但會(huì)影響模型的訓(xùn)練速度,還會(huì)導(dǎo)致分類精度的下降。文獻(xiàn)[10]中的處理方法是把新用戶的樣本數(shù)據(jù)添加到訓(xùn)練集中重新訓(xùn)練模型，進(jìn)而可以得到自適應(yīng)后的新模型，但是新用戶樣本數(shù)量較原訓(xùn)練集較少，重新訓(xùn)練對(duì)模型的改動(dòng)不大，并且時(shí)間消耗較大。

為改進(jìn)多類別行為識(shí)別的遷移學(xué)習(xí)方法識(shí)別精度的問題，本文提出一種帶權(quán)值樣本篩選的遷移學(xué)習(xí)方法(Transfer Learning based on Weighted Sample Selecting，TLWSS)，利用訓(xùn)練集樣本在ELM(Extreme Learning Machine) 分類器上的判別結(jié)果進(jìn)行集成學(xué)習(xí)[11]，根據(jù)多次迭代后的樣本權(quán)值刪除冗余樣本，篩選出與新用戶行為數(shù)據(jù)特征分布更相似的樣本，構(gòu)建最終的分類器模型。

1 基于遷移學(xué)習(xí)的行為識(shí)別模型

利用智能手機(jī)中內(nèi)置的三軸加速度計(jì)采集人體日常行為活動(dòng)的加速度值，通過低通濾波刪除干擾較大的樣本，并對(duì)樣本數(shù)據(jù)進(jìn)行合成。在合成加速度的基礎(chǔ)上提取時(shí)域及頻域的特征值，作為構(gòu)建通用行為識(shí)別模型的訓(xùn)練樣本集。選用ELM作為構(gòu)建識(shí)別模型的分類方法，可以得到樣本的分類結(jié)果及計(jì)算時(shí)間。在通用模型的基礎(chǔ)上針對(duì)新用戶的個(gè)性樣本進(jìn)行模型的自適應(yīng)性遷移。對(duì)新用戶行為樣本進(jìn)行與訓(xùn)練集相同的預(yù)處理，同時(shí)利用TLWSS算法將源域訓(xùn)練集進(jìn)行等量隨機(jī)分割，將二者合并得到一系列的組合訓(xùn)練子集。分別對(duì)各子集中的兩域樣本進(jìn)行學(xué)習(xí)，根據(jù)TLWSS算法中各子分類器的分類結(jié)果，從源域訓(xùn)練集中尋找到與目標(biāo)域樣本最相似的訓(xùn)練樣本，并以此重新構(gòu)建訓(xùn)練集。新的訓(xùn)練集包含的樣本更加適合新用戶的行為特點(diǎn)，在特征值層面上有更相近的數(shù)據(jù)分布，對(duì)ELM模型進(jìn)行重新訓(xùn)練，可以得到遷移學(xué)習(xí)后的具有自適應(yīng)性的行為識(shí)別模型，如圖1所示。

圖1 基于遷移學(xué)習(xí)的行為識(shí)別自適應(yīng)性模型

2 TLWSS模型遷移方法

2.1 遷移樣本集處理與重構(gòu)

TLWSS算法中對(duì)訓(xùn)練樣本集的重構(gòu)如圖2所示。在對(duì)訓(xùn)練樣本的處理階段中，將源域訓(xùn)練樣本集Ta隨機(jī)等量分割為互不相交的N個(gè)子集，并為每個(gè)樣本賦相同的權(quán)值初值W。之后將N個(gè)訓(xùn)練子集分別與目標(biāo)域遷移訓(xùn)練樣本集Tr結(jié)合，成為N個(gè)組合訓(xùn)練集子集T，利用ELM在這N個(gè)組合訓(xùn)練子集上分別構(gòu)建分類器，并以訓(xùn)練集的分類結(jié)果作為冗余樣本刪除的依據(jù)。在對(duì)訓(xùn)練樣本的重構(gòu)階段中，根據(jù)每個(gè)組合訓(xùn)練子集在分類器上的分類結(jié)果對(duì)樣本權(quán)值進(jìn)行修改，分類錯(cuò)誤的樣本權(quán)值增大，反之權(quán)值不變。在經(jīng)過K次迭代后，根據(jù)樣本權(quán)值進(jìn)行排序，篩選出權(quán)值較小的樣本，并構(gòu)建最終的新訓(xùn)練集Tnew。

圖2 遷移樣本集處理與重構(gòu)

通過分割樣本集，縮小樣本數(shù)量，并有記憶地修改樣本權(quán)值，不僅可以減少時(shí)間消耗，而且能更高效的篩選出與目標(biāo)域更相似的樣本，增加了遷移學(xué)習(xí)的有效性。

2.2 帶權(quán)值樣本篩選的遷移學(xué)習(xí)算法

帶權(quán)值樣本篩選的遷移學(xué)習(xí)算法(TLWSS)是在TrAdaboost算法的基礎(chǔ)上進(jìn)行的改進(jìn)，是一種基于實(shí)例遷移學(xué)習(xí)的方法。鑒于ELM具有訓(xùn)練速度快，正確率高以及泛化性能好的特性[12-13]，TLWSS算法采用ELM作為基分類器算法。

在對(duì)樣本集的處理過程中，TrAdaboost算法將遷移訓(xùn)練樣本集以及源域訓(xùn)練樣本集同等對(duì)待處理，由于遷移訓(xùn)練樣本的數(shù)量很少，這樣的處理辦法不僅降低了遷移學(xué)習(xí)的有效性，而且增加了模型訓(xùn)練的時(shí)間消耗。TLWSS在處理訓(xùn)練樣本集時(shí)，將訓(xùn)練樣本集進(jìn)行等量隨機(jī)分割并分別與遷移訓(xùn)練樣本集進(jìn)行重構(gòu)，得到一系列組合訓(xùn)練子集，通過引入一個(gè)樣本衰減參數(shù)α，作為每次迭代判斷時(shí)對(duì)每個(gè)源域訓(xùn)練樣本權(quán)值修改的疊加項(xiàng)，從而可以有記憶地對(duì)樣本權(quán)值進(jìn)行修改，使得判斷錯(cuò)誤的樣本權(quán)值迅速增加。

利用TrAdaboost算法中β值對(duì)每個(gè)W進(jìn)行修改，經(jīng)過K次迭代后，根據(jù)其大小排序，刪除權(quán)值較大的樣本，可以篩選出與目標(biāo)域遷移訓(xùn)練樣本更相似的訓(xùn)練樣本集，并以此作為新的訓(xùn)練數(shù)據(jù)集。利用ELM方法對(duì)行為通用為識(shí)別模型進(jìn)行重新訓(xùn)練，得到經(jīng)過遷移學(xué)習(xí)后的具有用戶自適應(yīng)性的行為識(shí)別模型。

定義1 樣本集表示為

T={(x1,y1),(x2,y2),…,(xn,yn)},

其中xn為輸入樣本的特征向量，yn為樣本標(biāo)簽。

定義2 訓(xùn)練樣本權(quán)值的初始化

TLWSS算法描述如下。

步驟1 確定算法各輸入值，即訓(xùn)練樣本集Ta，遷移學(xué)習(xí)樣本集Tr，測(cè)試樣本集Te，迭代次數(shù)K，樣本權(quán)值衰減參數(shù)α。

步驟3 構(gòu)建新訓(xùn)練子集T1,T2,…TN，并定義

(1)

其中n為樣本個(gè)數(shù)，K為迭代次數(shù)。

步驟4 Fort←1 to K

(1) Fori←1 to N

(2) 調(diào)用ELM，在Ti上構(gòu)建分類器

(3) 修改權(quán)值向量

(2)

其中j=1,2,…,n。

(4) End for;

End for。

Tnew=Tnew1∪Tnew2∪…∪TnewN；

步驟6 調(diào)用ELM算法，根據(jù)Trf構(gòu)建最終分類器Hfinal。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)數(shù)據(jù)使用Android智能手機(jī)采集。9名測(cè)試者均配備了具有閾值為-2g到2g(g=9.8m/s2)加速度傳感器的智能手機(jī)(華為、中興、魅族、小米、三星、HTC等品牌)，測(cè)試內(nèi)容包括走路、跑步、靜止以及上樓和下樓5種行為，測(cè)試者的手機(jī)放置的位置為手中、包中以及褲兜中，所有測(cè)試者分別將手機(jī)放置在3種放置位置，對(duì)5種行為各進(jìn)行10次測(cè)試。由于手機(jī)放置的位置以及方向的不同，會(huì)對(duì)采集的數(shù)據(jù)帶來一定的噪聲干擾。通過低通濾波器進(jìn)行濾噪后，可以根據(jù)三軸加速度值在時(shí)域上的波形，刪除噪聲較大的樣本。采用求合成加速的方法，消除方向不固定所帶來的影響。統(tǒng)計(jì)樣本個(gè)數(shù)如表1所示。

表1 樣本行為個(gè)數(shù)統(tǒng)計(jì)

為了得到行為加速度數(shù)據(jù)在特征空間上的數(shù)據(jù)分布，進(jìn)一步分析構(gòu)建模型，對(duì)合成加速度值進(jìn)行特征提取，作為構(gòu)建模型的輸入。在時(shí)域和頻域上共提取了11個(gè)特征值，分別為平均值、中位數(shù)、方差、標(biāo)準(zhǔn)差、最大值、最小值、范圍、均方根、直流分量、系數(shù)和以及頻譜能量。為了消除奇異樣本數(shù)據(jù)，統(tǒng)一特征值數(shù)量級(jí)，便于數(shù)據(jù)處理，對(duì)樣本特征值數(shù)據(jù)進(jìn)行歸一化處理。

3.2 實(shí)驗(yàn)?zāi)Ｐ驮O(shè)計(jì)

將測(cè)試者編號(hào)為0～8，其中0～2號(hào)的測(cè)試數(shù)據(jù)依次作為測(cè)試樣本集，3～8號(hào)的測(cè)試數(shù)據(jù)作為訓(xùn)練樣本集。在實(shí)驗(yàn)過程中，隨機(jī)選出每個(gè)測(cè)試樣本集的1/3的數(shù)據(jù)作為每個(gè)測(cè)試樣本的遷移訓(xùn)練樣本集，剩余2/3用作測(cè)試樣本。將訓(xùn)練樣本隨機(jī)等量分割為8個(gè)子集，即N為8，并將在迭代過程中的迭代次數(shù)K定為7次。在使用ELM構(gòu)建分類器模型時(shí)，由于隱含層節(jié)點(diǎn)個(gè)數(shù)并沒有一個(gè)規(guī)范化的表達(dá)式來確定，通常靠經(jīng)驗(yàn)值確定。通過多次實(shí)驗(yàn)結(jié)果，選取測(cè)試集正確率最高的情況，即隱含層節(jié)點(diǎn)個(gè)數(shù)為100。

實(shí)驗(yàn)使用ELM方法，在訓(xùn)練樣本集上構(gòu)建通用行為識(shí)別模型。實(shí)驗(yàn)將對(duì)測(cè)試集分情況討論，即先將每個(gè)測(cè)試集均按手機(jī)放置位置進(jìn)行分類，測(cè)試每個(gè)不同位置的樣本在遷移學(xué)習(xí)前后的行為識(shí)別正確率；之后對(duì)每個(gè)測(cè)試集所有位置的樣本再進(jìn)行實(shí)驗(yàn)，記錄測(cè)試集在遷移學(xué)習(xí)前后的行為分類正確率。對(duì)每個(gè)測(cè)試集進(jìn)行10次實(shí)驗(yàn)，得到遷移學(xué)習(xí)前和遷移學(xué)習(xí)后的分類正確率的平均值。

為了更好的對(duì)比驗(yàn)證TLWSS算法的有效性，實(shí)驗(yàn)分為兩部分，第一部分是根據(jù)訓(xùn)練集的重構(gòu)情況進(jìn)行實(shí)驗(yàn)。即將訓(xùn)練集分為樣本未分組未加權(quán)(即通用行為識(shí)別模型訓(xùn)練集)、樣本分組未加權(quán)、以及樣本分組加權(quán)(即TLWSS算法訓(xùn)練集)三種類型，分別與遷移訓(xùn)練集組合成新的訓(xùn)練集，為保證樣本數(shù)保持一致，對(duì)于樣本無權(quán)值的情況，隨機(jī)選取與樣本有權(quán)值情況等量的訓(xùn)練集，構(gòu)建最終的分類器模型。并根據(jù)上文提到是否區(qū)分測(cè)試集位置進(jìn)行實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)。

第二部分是根據(jù)分類器類型進(jìn)行實(shí)驗(yàn)。由于最終構(gòu)建的分類器與每個(gè)單獨(dú)訓(xùn)練集上的分類器相獨(dú)立，實(shí)驗(yàn)將對(duì)最終分類器的分類性能與單獨(dú)訓(xùn)練的分類器性能進(jìn)行對(duì)比，以說明遷移學(xué)習(xí)的有效性。

3.3 實(shí)驗(yàn)結(jié)果分析

在TLWSS模型參數(shù)的確定過程中，經(jīng)過10次實(shí)驗(yàn)取平均值，可以得到樣本權(quán)值衰減參數(shù)α與測(cè)試集正確率關(guān)系曲線，如圖3所示，為保證測(cè)試集的正確率最高，取α為0.65。

圖3 衰減參數(shù)α與測(cè)試集正確率的關(guān)系

對(duì)每組實(shí)驗(yàn)對(duì)應(yīng)的測(cè)試集正確率取平均值，并列表分析。

第一部分實(shí)驗(yàn)的結(jié)果分別如表2至表4所示。從表2、表3中可以看出，在構(gòu)建通用行為識(shí)別模型即訓(xùn)練集無處理時(shí)，測(cè)試集正確率最低，對(duì)訓(xùn)練集進(jìn)行只分組未加權(quán)處理后，測(cè)試集正確率有了小幅度提高，在TLWSS算法即對(duì)訓(xùn)練集分組加權(quán)即后，測(cè)試集正確率明顯增加。表4及表5是對(duì)比TLWSS算法和通用模型測(cè)試集正確率增加值的統(tǒng)計(jì)?？梢钥闯?，在對(duì)單一位置的樣本進(jìn)行遷移學(xué)習(xí)后，正確率較未遷移學(xué)習(xí)時(shí)有明顯提升，最高增加14.579%。與此同時(shí)，在對(duì)不區(qū)分位置的樣本進(jìn)行遷移學(xué)習(xí)后，正確率也較之前提升了7.697%～10.762%。從而證明了TLWSS算法中對(duì)訓(xùn)練樣本的分割及重構(gòu)的處理辦法，可以有效地提升識(shí)別正確率。

表2 不同類型訓(xùn)練集單一位置的分類正確率統(tǒng)計(jì)

表3 不同類型訓(xùn)練集所有位置的分類正確率統(tǒng)計(jì)

表4 單一位置遷移學(xué)習(xí)前后分類正確率增加值統(tǒng)計(jì)

表5 所有位置遷移學(xué)習(xí)前后分類正確率增加值統(tǒng)計(jì)

第二部分的實(shí)驗(yàn)結(jié)果分別如表6和表7所示。其中h1至h8代表TLWSS算法中各組合訓(xùn)練子集對(duì)應(yīng)訓(xùn)練的分類器，Hfinal表示最終構(gòu)建的分類器。通過實(shí)驗(yàn)結(jié)果對(duì)比，在對(duì)單一位置以及未區(qū)分位置的樣本進(jìn)行TLWSS算法分類后，可以得出Hfinal分類器的行為識(shí)別正確率最高，優(yōu)于各子分類器，進(jìn)一步說明了根據(jù)重構(gòu)后的訓(xùn)練集構(gòu)建最終的分類器可以達(dá)到提升測(cè)試集正確率的目的。

表6 不同分類器單一位置的分類正確率統(tǒng)計(jì)

表7 不同分類器所有位置的分類正確率統(tǒng)計(jì)

4 結(jié)束語

提出基于極速學(xué)習(xí)機(jī)的帶權(quán)值樣本篩選的遷移學(xué)習(xí)方法，通過對(duì)源域訓(xùn)練樣本進(jìn)行集成學(xué)習(xí)，更改樣本權(quán)值，篩選出和新用戶行為樣本相似性較高的樣本。這些樣本在特征空間上具有與目標(biāo)域樣本更相似的數(shù)據(jù)分布，用這些樣本作為新的訓(xùn)練集進(jìn)行遷移學(xué)習(xí)，可以得到具有自適應(yīng)性的行為識(shí)別模型。通過對(duì)手機(jī)放置在單一位置，以及未區(qū)分手機(jī)位置的測(cè)試集進(jìn)行實(shí)驗(yàn)，結(jié)果表明，遷移學(xué)習(xí)后的具有自適應(yīng)性的行為識(shí)別模型較通用模型的行為識(shí)別正確率有明顯增加，有效地提高了新用戶時(shí)行為識(shí)別正確率。

[1] Xue Yang, Jin Lianwen. Discrimination between upstairs and downstairs based on accelerometer[J]. IEICE Transactions on Information and Systems, 2011, E94-D(6),1173-1177.

[2] 王忠民,曹棟. 基于蟻群算法的行為識(shí)別特征優(yōu)選方法[J]. 西安郵電大學(xué)學(xué)報(bào), 2014,19(1):73-77.

[3] 何衛(wèi)華.人體行為識(shí)別關(guān)鍵技術(shù)研究[D]. 重慶：重慶大學(xué), 2012:1-8.

[4] 衡霞，王忠民.基于手機(jī)加速度傳感器的人體行為識(shí)別[J].西安郵電大學(xué)學(xué)報(bào)，2014,19(6)：76-79.

[5] 徐川龍,顧勤龍,姚明海. 一種基于三維加速度傳感器的人體行為識(shí)別方法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用,2013,22(6):132-135.

[6] 薛洋.基于單個(gè)加速度傳感器的人體運(yùn)動(dòng)模式識(shí)別[D]. 廣州：華南理工大學(xué)，2011:56-68.

[7] 趙中堂，馬倩，陳益強(qiáng).個(gè)人運(yùn)動(dòng)管理系統(tǒng)中的行為識(shí)別方法[J].計(jì)算機(jī)工程，2013,39(1):213-224.

[8] Pan S J, Yang Qiang. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10): 1345-1359.

[9] Dai Wenyuan, Yang Qiang, Xue Guirong, et al. Boosting for transfer learning[C]//Proceedings of the 24th international conference on Machine learning: ACM International Conference Proceeding Series. New York: ACM, 2007:193-200.

[10] Chen Yiqiang, Zhao Zhongtang, Wang Shuangquan, et al. Extreme learning machine-based device displacement free activity recognition model[J]. Soft Computing, 2012, 16(9): 1617-1625.

[11] 譚愛平，陳浩，吳伯橋.基于SVM的網(wǎng)絡(luò)入侵檢測(cè)集成學(xué)習(xí)算法[J].計(jì)算機(jī)科學(xué),2014,41(2),197-200.

[12] Huang Guangbin, Zhou Hongming, Ding Xiaojian, et al. Extreme Learning Machine for Regression and Multiclass Classification[J]. IEEE Transactions on System, Man, and Cybernetics, Part B:Cybernetics, 2012, 42(2),513-529.

[13] 胡蓉，徐蔚鴻.一種帶修剪的增量極速學(xué)習(xí)機(jī)模糊神經(jīng)網(wǎng)絡(luò)[J].計(jì)算機(jī)科學(xué),2013,40(5),279-282.

[責(zé)任編輯:祝劍]

Human activity recognition transfer learning based on extreme learning machine

WANG Zhongmin, QU Su

(School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an 710121, China)

To increase the accuracy of the mobile user activity recognition, a novel algorithm named Transfer Learning Based on Weighted Sample Selecting (TLWSS) is proposed. By reconstructing the sampling training set segmentation and assigning weights, TLWSS can modify the weights on the basis of the training sample discriminant results in corresponding Extreme Learning Machine (ELM) classifier. It has the ability of screening more similar sample training set with the transfer set, especially after many iterations. Eventually the final activity recognition model will be built. Experimental results show that the activity recognition model after transfer learning has higher classification accuracy.

activity recognition, transfer learning, extreme learning machine, ensemble learning

2014-09-18

國家自然科學(xué)基金資助項(xiàng)目(61373166); 工業(yè)和信息化部軟科學(xué)研究計(jì)劃資助項(xiàng)目(2014R32);陜西省工業(yè)攻關(guān)計(jì)劃資助項(xiàng)目(2012K06-05); 陜西省教育廳產(chǎn)業(yè)化培育基金資助項(xiàng)目(2012JC22)

王忠民(1967-)，男，博士，教授，從事智能信息處理研究。E-mail: zmwang@xupt.edu.cn 屈肅(1988-)，女，碩士研究生，研究方向?yàn)槟Ｊ阶R(shí)別與人工智能。E-mail: qusuxian@sina.com

10.13682/j.issn.2095-6533.2015.01.010

TP391

A

2095-6533(2015)01-0049-06