基于目标均衡度量的核增量学习跌倒检测方法

• 作者: 忽丽莎 王素贞 胡春雨 蒋鑫龙 陈振宇 陈益强 高兴宇
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 增量学习 神经网络 核函数 跌倒检测 可穿戴设备
• 年，卷（期）: 2018,（4）
• 所属期刊栏目: 人工智能
• 页码范围: 928-934
• 页数: 7页
• 分类号: TP181
• 字数: 6853字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2017092315

摘要

针对增量学习模型在更新阶段的识别效果不稳定的问题,提出一种基于目标均衡度量的核增量学习方法.通过设置经验风险均值最小化的优化目标项,设计了均衡度量训练数据个数的优化目标函数,以及在增量学习训练条件下的最优求解方案;再结合基于重要性分析的新增数据有效选择策略,最终构建出了一种轻量型的增量学习分类模型.在跌倒检测公开数据集上的实验结果显示:当已有代表性方法的识别精度下滑至60％以下时,所提方法仍能保持95％以上的精度,同时模型更新的计算消耗仅为3ms.实验结果表明,所提算法在显著提高增量学习模型更新阶段识别能力稳定性的同时,大大降低了时间消耗,可有效实现云服务平台中关于可穿戴设备终端的智能应用.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈益强	中国科学院计算技术研究所	64	831	16.0	26.0
2	王素贞	河北经贸大学信息技术学院	37	198	10.0	12.0
3	蒋鑫龙	中国科学院计算技术研究所	6	112	3.0	6.0
4	高兴宇	中国科学院微电子研究所	9	21	3.0	4.0
5	忽丽莎	河北经贸大学信息技术学院	3	14	2.0	3.0
6	胡春雨	中国科学院计算技术研究所	2	14	2.0	2.0
7	陈振宇		2	14	2.0	2.0