基于间接增量学习算法的运动类型分类方法和装置

1.本技术涉及计算机技术领域，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。


背景技术：

2.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。


技术实现要素：

3.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。
4.一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：
5.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；
6.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；
7.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；
8.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；
9.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；
10.利用训练好的增量分类器进行运动类型分类。
11.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、计算机设备和存储介质，在面临特征增加和类别增加时，首先对增量数据对应的分类器进行正则化处理，提炼出正则项，然后针对原始运动数据上学得的分类器和增量数据上需要学的分类器的相似性，构建间接相似性约束项，之所以提取间接相似性约束，是由于要保证原始运动数据上学得的分类器和增量数据上学得的分类器之间保留一定的相似性，也需要有一定的差异性，最理想的情况是，在分类结果上，对应于初始训练上的多个类别，保持一致性，对应增量训练上出现的新的类别保持不一致。因此，基于交叉熵损失函数、正则项、间接相似性约束项构建的间接增量学习算法的目标函数，然后利用训练样本对原始分类器进行训练，可以保证在大多数分类结果之间具有一致性，同时也允许小部分分类结果具有差异性，从而可以实现运动类型的增量类型的识别。
附图说明
[0045]
图1为一个实施例中基于间接增量学习算法的运动类型分类方法的流程示意图；
[0046]
图2为一个实施例中基于间接增量学习算法的运动类型分类装置的结构框图；
[0047]
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
[0048]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0049]
在一个实施例中，如图1所示，提供了一种基于间接增量学习算法的运动类型分类方法，包括以下步骤：
[0050]
步骤102，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。
[0051]
对于运动对象上不同的部位，采集的运动数据不同，对于原始运动数据，指的是在某一阶段采集的运动数据。
[0052]
值得说明的是，对于运动类型而言，在正式运动(即骑行、划船等)之前开始11项热身运动(慢跑、跳跃等)。在热身过程中，多个传感器分别放置在身体上(左小臂、右小臂、左上臂、右上臂、背部等位置)。在热身快要结束时，放置其他多个传感器(左小腿、右小腿、左大腿、右大腿等)，这时便产生了新的特征，从而可以更好地识别后续的正式练习(新类)。
[0053]
步骤104，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。
[0054]
步骤106，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。
[0055]
训练样本中包含增加的类别。
[0056]
步骤108，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。
[0057]
步骤110，根据交叉熵损失函数、正则项、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。
[0058]
步骤112，利用训练好的增量分类器进行运动类型分类。
[0059]
上述基于间接增量学习算法的运动类型分类方法中，在面临特征增加和类别增加时，首先对增量数据对应的分类器进行正则化处理，提炼出正则项，然后针对原始运动数据上学得的分类器和增量数据上需要学的分类器的相似性，构建相似性约束项，之所以提取相似性约束，是由于要保证原始运动数据上学得的分类器和增量数据上学得的分类器之间保留一定的相似性，也需要有一定的差异性，最理想的情况是，在分类结果上，对应于初始训练上的多个类别，保持一致性，对应增量训练上出现的新的类别保持不一致。因此，基于交叉熵损失函数、正则项、间接相似性约束项构建的间接增量学习算法的目标函数，然后利用训练样本对原始分类器进行训练，可以保证在大多数分类结果之间具有一致性，同时也允许小部分分类结果具有差异性，从而可以实现运动类型的增量类型的识别。
[0060]
另外，与传统的分类问题相比，分析这类数据至少存在两个挑战。(1)在这些应用
中，特征类型和类别数同时增加，这使得问题非常复杂，特别是当类的增加是由特征类型的增加引起的，并且它们耦合在一起时。(2)相对于单纯的两种实现，即仅使用具有先前特征的数据或忽略没有完整观察的先前数据，需要设计一个有性能保证的更好的算法，这也是困难的，因为特征和类别的增加违背了传统学习范式中的独立同分布假设。
[0061]
在其中一个实施例中，将本发明的初始训练和增量训练分别命名为准备阶段和适应阶段，在p阶段的数据形式为：其中n1和d1是样本数量和特征维度。第i行是数据对应的标签为c是类别数。对应的标签矩阵为若第k个样本属于第l类，则y1(k,l)＝1，否则y1(k,l)＝0。类似的，在a阶段，数据形式是其中对应的是原始特征部分，对应的是新增特征部分，n2是a阶段的数据样本个数，d2是a阶段新增的特征维度。x2的标签矩阵是测试阶段的数据形式为根据上述符号定义，我们的主要任务是根据c类标记数据和c+1标记数据x2来对c+1类数据x
te
进行分类。当然我们也可以只使用a阶段的{x2,y2}的数据来训练分类器。然而，在实际应用中，a阶段的数据量n2通常是非常小的，并且远远小于p阶段的数据量n1，只用a阶段的小部分数据训练分类模型通常会导致模型的性能不可靠。因此最好是结合p阶段的模型与a阶段的数据一起进行训练，这样才能最大化的利用两阶段的所有数据信息。注意，除非特别说明，否则本方法中使用的矩阵范数均为frobenius范数。
[0062]
在其中一个实施例中，利用训练数据中的i-n1个数据属于第j类的概率为：
[0063][0064]
其中，表示原始运动数，n1表示原始运动数据的数量，表示原始运动数据中属于第j列的特征表示，表示增量运动数据，表示增量运动数据中属于第j列的特征表示，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列的特征表示，表示i-n1个数据属于第j类的概率；根据i-n1个数据属于第j类的概率，构建交叉熵损失函数为：
[0065][0066]
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。
[0067]
在一个实施例中，根据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分类器，构建相似性约束项为：
[0068]
[0069]
其中，表示增加类别后的原始运动数据，表示原始运动数据的特征表示，表示增加类别后的原始运动数据的特征表示的前c列，其中c表示分类的类别。
[0070]
具体，将在p阶段中学得的模型用于帮助在a阶段中学习分类模型w2，考虑到和都是定义在旧特征上的分类器，因此可以通过约束与近似来继承中的历史信息。但是，由于与有不同的大小，因此很难直接通过范数的形式来衡量他们的近似程度。可以知道的是，和应该在旧特征上对前c类的数据具有相似的分类作用，因此，可以将前c列组成的矩阵定义为通过将与近似，从而实现历史信息的继承。主要的近似方式有两种，分别是与其中第一种是直接近似的方法，第二种是间接近似的方法。关于第二种近似方法，它弥补了第一种方法没有考虑第c+1类的缺点。具体而言，第二种方法利用了a阶段的数据而中则包含了c+1的信息，因此，通过近似与在上的分类结果来继承信息。同时，采用的是范数，它可以对矩阵的每一行加以稀疏的约束，因此可以同时满足相似性与差异性，即不仅可以约束与在大多数分类结果之间具有一致性，同时也允许小部分分类结果具有差异性。最理想的情形是，分类结果一致的行对应于前c类的样本，而不一致的行对应于第c+1类的样本。
[0071]
在其中一个实施例中，根据交叉熵损失函数、正则项、直接相似性约束项构建的直接增量学习算法的目标函数safc-d为：
[0072][0073]
其中，α、β表示系数，表示正则项。
[0074]
在另一个实施例中，根据交叉熵损失函数、正则项、间接相似性约束项构建间接增量学习算法的目标函数safc-id，包括：
[0075][0076]
其中，α、β表示系数，表示正则项。
[0077]
具体的，采用梯度下降算法进行求解，首先对于算法safc-d，其目标函数表示为：
[0078][0079]
令j1(w)表示上述目标函数的第一项。我们首先推导
目标函数关于w的梯度。不失一般性，我们令注意对于任意w
pq
(1≤p≤d,1≤q≤c+1)，我们有
[0080][0081][0082]
这里，第二项等式成立的原因是当且仅当u＝i时，梯度不等于0。我们有
[0083][0084]
将(8)式带入(7)式，同时结合我们有
[0085][0086]
由于将上式带入(6)式，我们有
[0087][0088]
为了更简洁的进行叙述，我们将梯度矩阵表示为：
[0089][0090]
由于正则项约束只加在部分变量上，我们将矩阵分解为
[0091][0092]
其中是的第c+1列。结合上述等式和目标函数，我们有
[0093]
[0094]
其中表示由的前d1行和前c列组成的子矩阵。类似地，我们有
[0095][0096][0097]
其中表示由的前d1行和最后一列组成的子矩阵。表示由的最后d2行组成的子矩阵。总的来说，我们有
[0098][0099]
通过这一公式，我们有如下更新规则：
[0100][0101]
其中η是更新步长。
[0102]
其次对于算法safc-id，其目标函数表示为：
[0103][0104]
上述函数关于和的梯度和前面完全一样，唯一不一样的是关于的梯度推导。首先对于任意的矩阵a，考虑范数的定义，我们有以下等式：
[0105][0106]
其中d是一个对角矩阵，其第i个对角元素为
[0107][0108]
其中a
i,
·
是矩阵a的第i行。
[0109]
基于以上等式，我们有
[0110][0111]
其中d是之前定义的对角矩阵，a的定义变为
[0112]
将公式(14)，(15)和(21)结合，可以得到与公式(16)相似形式的梯度矩阵，更新规则与公式(17)相同。
[0113]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分
步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0114]
在一个实施例中，如图2所示，提供了一种基于间接增量学习算法的运动类型分类装置，包括：数据获取模块202、初始训练模块204、增量数据构建模块206、增量训练模块208和分类模块210，其中：
[0115]
数据获取模块202，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；
[0116]
初始训练模块204，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；
[0117]
增量数据构建模块206，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；
[0118]
增量训练模块208，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；
[0119]
分类模块210，用于利用训练好的增量分类器进行运动类型分类。
[0120]
在其中一个实施例中，所述增量训练模块208还用于利用所述训练数据中的i-n1个数据属于第j类的概率为：
[0121][0122]
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；
[0123]
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：
[0124][0125]
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。
[0126]
在其中一个实施例中，增量训练模块208还用于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：
[0127][0128]
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。
[0129]
在其中一个实施例中，增量训练模块208还用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：
[0130][0131]
其中，α、β表示系数，表示正则项。
[0132]
在其中一个实施例中，增量训练模块208还用于利用梯度下降算法求解所述目标函数。
[0133]
关于基于间接增量学习算法的运动类型分类装置的具体限定可以参见上文中对于基于间接增量学习算法的运动类型分类方法的限定，在此不再赘述。上述基于间接增量学习算法的运动类型分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0134]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于间接增量学习算法的运动类型分类方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0135]
本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0136]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
[0137]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
[0138]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可
包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0139]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0140]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
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述目标函数。6.一种基于间接增量学习算法的运动类型分类装置，其特征在于，所述装置包括：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；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；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；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；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。7.根据权利要求6所述的装置，其特征在于，所述增量训练模块还用于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。8.根据权利要求6所述的装置，其特征在于，所述增量训练模块还用于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的新分类器，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。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。

技术总结
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。


技术研发人员：侯臣平 古仕林
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2023.04.26
技术公布日：2023/8/1