基于间接增量学习算法的运动类型分类方法和装置制造方法及图纸

本申请涉及一种基于间接增量学习算法的运动类型分类方法和装置。所述方法包括：根据运动对象上不同部位设置的传感器，获取原始运动数据，根据原始运动数据，对原始分类器进行训练，得到训练好的原始分类器，获取增量运动数据，根据原始运动数据上训练得到的分类器和增量运动数据，构建能够处理增量运动数据的新分类器，对能够处理增量运动数据的新分类器进行正则化处理，得到正则项，根据原始分类器以及新分类器，构建间接相似性约束项，从而构建间接增量学习算法的目标函数，进行增量分类器学习，利用训练好的增量分类器进行运动类型分类。采用本方法能够在特征和类别同时增加时，对分类模型进行增量训练。对分类模型进行增量训练。对分类模型进行增量训练。

【技术实现步骤摘要】
基于间接增量学习算法的运动类型分类方法和装置


[0001]本申请涉及计算机
，特别是涉及一种基于间接增量学习算法的运动类型分类方法和装置。

技术介绍

[0002]随着许多动态环境应用中新的数据采集方式的出现，样本的特征空间不断扩增。随着数据新类型特征的加入，更多的观测值得以被获取到，导致数据可能增加新的类别数。例如，在动作识别任务中，利用传感器在热身过程中产生的旧特征，我们可以识别不同的热身练习。同时，通过新添加的传感器获得新属性后，我们可以更好地识别新出现的正式运动，如骑行和划船等。对特征和类别同时增加的学习是至关重要的，但很少有人研究，特别是当具有完整观测值的标记样本有限但还需要分类性能保证的时候。

技术实现思路

[0003]基于此，有必要针对上述技术问题，提供一种能够进行特征和分类同时增加的基于间接增量学习算法的运动类型分类方法、装置、计算机设备和存储介质。
[0004]一种基于间接增量学习算法的运动类型分类方法，所述方法包括：
[0005]根据运动对象上不同部位设置的传感器，获取原始运动数据；
[0006]根据所述原始运动数据，对原始分类器进行训练，得到训练好的原始分类器；
[0007]根据运动对象上其他部位设置的传感器，获取增量运动数据，根据所述原始运动数据上训练得到的分类器和所述增量运动数据，构建能够处理增量运动数据的新分类器；其中，所述增量运动数据中包含增加的类别；
[0008]对所述能够处理增量运动数据的新分类器进行正则化处理，得到正则项，根据所述原始运动数据上训练得到的分类器以及增加类别后的增量运动数据上训练的新分类器，构建间接相似性约束项；
[0009]根据交叉熵损失函数、所述正则项、所述间接相似性约束项构建的间接增量学习算法的目标函数以及训练样本，对训练好的原始分类器进行增量学习，得到训练好的增量分类器；
[0010]利用训练好的增量分类器进行运动类型分类。
[0011]在其中一个实施例中，还包括：利用所述训练数据中的i
‑
n1个数据属于第j类的概率为：
[0012][0013]其中，表示运动数据的特征表示，n1表示原始运动数据的数量，表示所述原始运动数据中属于第j列的分类器参数，表示所述增量运动数据的特征表示，表
示所述增量运动数据中属于第j列的分类器参数，C表示原始运动数据的分类类别，C+1表示包含增加类别的分类类别，和分别表示原始运动数据和增量运动数据中属于第k列的分类器参数，表示i
‑
n1个数据属于第j类的概率；
[0014]根据所述i
‑
n1个数据属于第j类的概率，构建交叉熵损失函数为：
[0015][0016]其中，n2表示增量运动数据的数量，是第i
‑
n1个数据属于第j类的真实标记。
[0017]在其中一个实施例中，还包括：根据所述原始运动数据以及增加类别后的原始运动数据，构建间接相似性约束项为：
[0018][0019]其中，表示增加类别后的原始运动数据的特征表示，表示原始运动数据的分类器参数，表示增加类别后的原始运动数据前C列的分类器参数，其中C表示分类的类别。
[0020]在其中一个实施例中，还包括：根据交叉熵损失函数、所述正则项、所述间接相似性约束项构建间接增量学习算法的目标函数，包括：
[0021][0022]其中，α、β表示系数，表示正则项，表示间接近似项。
[0023]在其中一个实施例中，还包括：利用梯度下降算法求解所述目标函数。
[0024]一种基于间接增量学习算法的运动类型分类装置，所述装置包括：
[0025]数据获取模块，用于根据运动对象上不同部位设置的传感器，获取原始运动数据；
[0026]初始训练模块，用于根据所述原始数据，对原始分类器进行训练，得到训练好的原始分类器；
[0027]增量数据构建模块，用于根据运动对象上其他部位设置的传感器，获取增量运动数据，根据所述原始运动数据上训练得到的分类器和所述增量运动数据，构建能够处理增量运动数据的新分类器；其中，所述增量运动数据中包含增加的类别；
[0028]增量训练模块，用于对所述能够处理增量运动数据的新分类器进行正则化处理，得到正则项，根据所述原始运动数据上训练得到的分类器以及增加类别后的增量运动数据上训练的新分类器，构建间接相似性约束项；根据交叉熵损失函数、所述正则项、所述间接相似性约束项构建的的间接增量学习算法的目标函数以及所述训练样本，对训练好的原始分类器进行增量学习，得到训练好的增量分类器；
[0029]分类模块，用于利用训练好的增量分类器进行运动类型分类。
[0030]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理
器执行所述计算机程序时实现以下步骤：
[0031]根据运动对象上不同部位设置的传感器，获取原始运动数据；
[0032]根据所述原始运动数据，对原始分类器进行训练，得到训练好的原始分类器；
[0033]根据运动对象上其他部位设置的传感器，获取增量运动数据，根据所述原始运动数据上训练得到的分类器和所述增量运动数据，构建能够处理增量运动数据的新分类器；其中，所述增量运动数据中包含增加的类别；
[0034]对所述能够处理增量运动数据的新分类器进行正则化处理，得到正则项，根据所述原始运动数据上训练得到的分类器以及增加类别后的增量运动数据上训练的新分类器，构建间接相似性约束项；
[0035]根据交叉熵损失函数、所述正则项、所述间接相似性约束项构建的间接增量学习算法的目标函数以及训练样本，对训练好的原始分类器进行增量学习，得到训练好的增量分类器；
[0036]利用训练好的增量分类器进行运动类型分类。
[0037]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0038]根据运动对象上不同部位设置的传感器，获取原始运动数据；
[0039]根据所述原始运动数据，对原始分类器进行训练，得到训练好的原始分类器；
[0040]根据运动对象上其他部位设置的传感器，获取增量运动数据，根据所述原始运动数据上训练得到的分类器和所述增量运动数据，构建能够处理增量运动数据的新分类器；其中，所述增量运动数据中包含增加的类别；
[0041]对所述能够处理增量运动数据的新分类器进行正则化处理，得到正则项，根据所述原始运动数据上训练得到的分类器以及增加类别后的增量运动数据上训练的新分类器，构建间接相似性约束项；
[0042]根据交叉熵损失函数、所述正则项、所述间接相似性约束项构建的间接增量学习算法的目标函数以及训练样本，对训练好的原始分类器进行增量学习，得到训练好的增量分类器；
[0043]利用训练好的增量分类器进行运动类型分类。
[0044]上述基于间接增量学习算法的运动类型分类方法、装置、计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于间接增量学习算法的运动类型分类方法，其特征在于，所述方法包括：根据运动对象上不同部位设置的传感器，获取原始运动数据；根据所述原始运动数据，对原始分类器进行训练，得到训练好的原始分类器；根据运动对象上其他部位设置的传感器，获取增量运动数据，根据所述原始运动数据上训练得到的分类器和所述增量运动数据，构建能够处理增量运动数据的新分类器；其中，所述增量运动数据中包含增加的类别；对所述能够处理增量运动数据的新分类器进行正则化处理，得到正则项，根据所述原始运动数据上训练得到的分类器以及增加类别后的增量运动数据上训练的新分类器，构建间接相似性约束项；根据交叉熵损失函数、所述正则项、所述间接相似性约束项构建的间接增量学习算法的目标函数以及训练样本，对训练好的原始分类器进行增量学习，得到训练好的增量分类器；利用训练好的增量分类器进行运动类型分类。2.根据权利要求1所述的方法，其特征在于，构建所述交叉熵损失函数的步骤，包括：利用所述训练数据中的i
‑
n1个数据属于第j类的概率为：其中，表示运动数据的特征表示，n1表示原始运动数据的数量，表示所述原始运动数据中属于第j列的分类器参数，表示所述增量运动数据的特征表示，表示所述增量运动数据中属于第j列的分类器参数，C表示原始运动数据的分类类别，C+1表示包含增加类别的分类类别，和分别表示原始运动数据和增量运动数据中属于第k列的分类器参数，表示i
‑
n1个数据属于第j类的概率；根据所述i
‑
n1个数据属于第j类的概率，构建交叉熵损失函数为：其中，n2表示增量运动数据的数量，是第i
‑
n1个数据属于第j类的真实标记。3.根据权利要求1所述的方法，其特征在于，所述原始运动数据上训练得到的分类器以及增加类别后的增量运动数据上的新分类器，构建间接相似性约束项，还包括：根据所述原始运动数据以及增加类别后的原始运动数据，构建间接相似性约束项为：其中，表示增加类别后的原始运动数据的特征表示，表示原始运动数据的分类器参数，表示增加类别后的原始运动数据前C列的分类器参数，其中C表示分类的类别。
4.根据权利要求3所述的方法，其特征在于，根据交叉熵损失函数、所述正则项、所述间接相似性约束项构建间接增量学习算法的目标函数，包括：根据交叉熵损失函数、所述正则项、所述间接相似性约束项构建间接增量学习算法的目标函数，包括：其中，α、β表示系数，表示正则项。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：利用梯度下降算法求解所...

【专利技术属性】
技术研发人员：侯臣平，古仕林，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：