基于流形学习的微多普勒雷达手势识别方法
机器学习
2022-04-22 v4 数值分析
信号处理
数值分析
摘要
近期一篇论文（Neural Networks, {\bf 132} (2020), 253-268）提出了一种直接且简单的基于核的流形学习近似方法，该方法除流形维数外无需关于流形的任何知识。在本文中，我们研究了使用基于相似局部化核的最小二乘优化进行近似时的逐点误差如何依赖于数据特征，并随着远离训练数据而恶化。该理论以抽象的局部化核给出，其可利用关于数据位于已知流形的未知子流形上的任何先验知识。我们利用公开可用的微多普勒数据集展示了我们方法的性能，并研究了不同预处理措施、核与流形维数的使用。具体而言，研究表明上述论文中引入的局部化核在与 PCA 分量结合使用时，可达到接近深度神经网络的竞争性能，并在训练速度与内存需求上带来显著改进。为证明我们的方法对领域知识无关，我们在一个简单视频数据集上检验了分类问题。
引用
@article{arxiv.2110.01670,
title = {A manifold learning approach for gesture recognition from micro-Doppler radar measurements},
author = {Eric Mason and Hrushikesh Mhaskar and Adam Guo},
journal= {arXiv preprint arXiv:2110.01670},
year = {2022}
}
备注
To appear in Neural Networks