基于改进极限学习机算法的行为识别

　　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-Choleskv）。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Cholesky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。