基于改进极限学习机算法的行为识别
【出 处】:
【作 者】:
周书仁
曹思思
蔡碧野
【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.
相关热词搜索: 极限学习机 在线学习 Cholesky分解 核函数
上一篇: 基于中心向量的多级分类KNN算法研究
下一篇: 一种具有全局快速寻优的多学科协同优化方法