OKRELM：可穿戴设备上的在线核化极限学习机推动活动识别

本文档标题为《OKRELM：用于可穿戴活动识别的在线核化和正规化极限学习机》（OKRELM），发表在《国际机器学习与网络》(International Journal of Machine Learning & Cybernetics)期刊上，DOI为10.1007/s13042-017-0666-8。这是一项原创研究论文，主要关注在可穿戴设备环境下的人类活动识别技术（Human Activity Recognition, AR）。 在当今社会，随着可穿戴技术的发展，如智能手表、腕带、臂环等小型设备中嵌入了多种传感器（如加速度计、陀螺仪等），AR技术在诸如情境感知、能量消耗监测、疾病诊断和个人健康管理等领域发挥着关键作用。OKRELM作为一种在线核化和正规化的极限学习机（online kernelized and regularized extreme learning machine），其核心目标是提升在可穿戴设备上进行实时活动识别的效率和准确性。 文章首先介绍了AR技术的重要性和应用背景，强调了它对于智能化生活和健康监控的贡献。接着，OKRELM方法被提出，它结合了极限学习机的简单性和核函数的非线性表达能力，旨在解决在有限计算资源下进行实时数据处理的问题。在线学习机制使得OKRELM能够在不断接收新数据流时持续优化模型，这对于可穿戴设备中有限电池寿命下的高效工作至关重要。 文章的创新之处在于其提出的核化策略，它允许在无需显式计算输入特征之间的高维内积的情况下，处理非线性关系。此外，正规化技术被用来控制模型复杂度，防止过拟合，确保模型在新数据上的泛化性能。 实验部分展示了OKRELM在实际AR任务中的表现，使用了特定的AR数据集，通过对比分析，证明了该方法在准确性和实时性方面的优势。结论部分总结了OKRELM的优点，特别是在资源受限的可穿戴设备环境下的适用性，并指出未来可能的研究方向。 这篇论文为可穿戴设备的人类活动识别提供了一种高效且鲁棒的解决方案，对推动相关领域的研究和实际应用具有重要意义。通过在线核化和正规化策略，OKRELM展示了在处理可穿戴设备产生的大量实时数据时的优越性能，对于推动智能健康监测和物联网领域的发展有着积极的推动作用。