混合核权重极限学习机：不平衡数据集下人体活动识别新方法

"这篇研究论文提出了一种名为混合核加权极限学习机（MK-WELM）的方法，专门用于处理基于不平衡数据集的惯性传感器人体活动识别问题。该方法旨在解决在异常活动检测中常见的类不平衡问题，以提高识别性能。" 论文详细内容: 在人体活动识别领域，尤其是异常活动检测中，不平衡数据集是一个普遍存在的问题。传统的算法通常依赖平衡的数据集来训练分类器，但现实生活中，正常与异常活动的数据量往往相差悬殊。这种类不平衡现象会导致分类器倾向于学习占多数类别的模式，从而对少数类别的识别效果大打折扣。 为了应对这一挑战，论文的作者——东辉吴、郑雷龙、陈叶和赵宏宇（来自大连理工大学电子信息与电气工程学院）提出了混合核加权极限学习机（Mixed-kernel Weighted Extreme Learning Machine, MK-WELM）。极限学习机（Extreme Learning Machine, ELM）是一种快速的单隐藏层前馈神经网络训练方法，其优点在于训练过程简单且效率高。而MK-WELM在此基础上引入了混合核函数和加权策略，以适应不平衡数据集的特性。 混合核函数结合了多种核函数的优点，如线性核、多项式核和高斯核等，能够更好地捕获数据的不同特征，提升模型的泛化能力。加权策略则是针对不平衡数据集，通过赋予不同类别不同的权重，使得模型在训练过程中能更关注少数类别的样本，从而降低识别误差。 文章详细描述了MK-WELM的算法流程，包括如何构建混合核、如何确定类别权重以及如何优化网络参数。此外，论文还进行了实验对比，将MK-WELM与其他机器学习算法（如支持向量机、随机森林等）在不平衡数据集上进行比较，验证了其在人体活动识别中的优越性能。 关键词：人体活动识别、不平衡数据集、加权极限学习机、惯性传感器、混合核。这些关键词突出了研究的重点和应用场景，表明MK-WELM是针对实际问题的一种有效解决方案。 这篇研究论文为解决人体活动识别中的类不平衡问题提供了一种创新方法，通过混合核的引入和加权策略的实施，提高了对少数类别活动的识别准确率，对于惯性传感器数据的分析具有重要的理论和应用价值。