Abstract—In this paper, we investig

Abstract—In this paper, we investigated the application of the
manifold learning algorithm in gait data analysis for the
improvement of the gait classification performance. A manifold
learning algorithm such as isometric feature mapping algorithm
(ISOMAP) was firstly employed to perform nonlinear feature
extraction for initiating the training set, and its effect on a
subsequent classification was then tested in combination with
learning algorithms such as support vector machines. The gait
data including young and elderly participants were analyzed, and
the experimental results demonstrated that the generalization
performance of ISOMAP-SVM is an evidently improved
performance compared to the traditional classifier for
recognizing young-elderly gait patterns. Our work suggested that
manifold learning algorithm can find the intrinsic lowdimensional
manifold embedding in high-dimensional gait data,
and obtain the ‘true’ nonlinear gait features associated with
human gait function change for improving the gait classification
performance. The proposed technique has considerable potential
for future clinical applications.
Keywords-gait analysis; manifold learning algorithm; gait
feature extraction; gait classifcation
I. INTRODUCTION
Recently, with the development of machine learning theory,
a wide variety of novel learning and classification algorithms
have been more and more prevailing in analyzing quantitative
gait data. Especially, some advanced learning algorithm for the
automated recognition of gait change has attracted much
attention because they can solve classification problems with
better performance. For example, Support Vector Machine
(SVM), as a powerful classification technique, has been
employed to classify young and elderly gait pattern for the
assessment of the change of gait function[2,3, 4]. The present
studies have demonstrated that it is important to improve gait
classification performance for evaluating the gait change
exactly. In gait classification algorithms, as we know, the gait
patterns to be classified are usually required to represent as
points in a high-dimensional feature space. In order to improve
the gait classification performance, it is required to extract
some significant gait features from the initial gait features
space for reducing the redundant information before the gait
classification algorithm is executed. In fact, the interaction
between gait variables is a complex non-linear fashion because
of the intrinsic non-linear dynamics of human movement. So,
the key step in the gait classification algorithm designed for
superior performance is to obtain all the “interesting”
characteristic embedded in gait such as nonlinearity[3]. This
motivates the use of the advanced nonlinear analysis technique
that can capture the significant nonlinear information
embedded in the high-dimensional gait data.
Recently, Manifold learning algorithm, as a relatively
advanced powerful tool for non-linear dimensionality
reduction, has been successfully applied in pattern recognition
such as face recognition, human motion data interpretation
[7,8]. Its basic idea is to discover the intrinsic structure of the
data with low dimensionality preserving geometric structure of
the underlying manifold in the high dimensional data according
to the assumption that the data with significant feature resides
in neighborhood of a low-dimensional manifold. Here, we
consider the significant gait features as the low-dimensional
manifold embedded in the high dimensional gait features space,
that is, we apply the manifold learning algorithm in the
quantitative analysis gait data for obtaining the ‘true’ nonlinear
gait features from the high-dimensional input space, thus
providing significant amounts of information for gait
classification [6, 7].
In order to evaluate the effective of nonlinear feature
extraction by manifold learning algorithm for improving gait
classification performance, the kinetic gait data including
young and elderly participants were acquired and analysed.
Here, we first use the isometric feature mapping
algorithm(ISOMAP, an common use of manifold embedding
algorithm) to perform the nonlinear gait features extraction,
and we then test the effect of the extracted gait features on the
gait classification performance by SVM classifier. Besides, we
also compared the generalization performance of our proposed
algorithm with those of SVM-based classification algorithm.
This paper is organized as follows: Section Ⅱ presents the
procedure of the gait data acquisition. In Section Ⅲ, we briefly
introduce manifold learning algorithm for the gait features
extraction. In section Ⅳ, we evaluate the effective of our
proposed technique via experiments. Discussions and
conclusions are given in the section Ⅴ.
II. GAIT DATA ACQUISTION
The kinetic gait data including the thirty healthy young and
thirty normal elderly subjects were acquired because these gait
data contain more relevant information about the intrinsic non-

ผลลัพธ์ (ไทย) 1:

นามธรรมซึ่งในเอกสารนี้ เราตรวจสอบแอพลิเคชันของการความหลากหลายนับอัลกอริทึมในการวิเคราะห์ข้อมูลเดินในการเรียนรู้การปรับปรุงประสิทธิภาพการทำงานการจัดประเภทการเดิน มีมากมายอัลกอริทึมเช่นอัลกอริทึมการแมปวาดสามมิติคุณลักษณะการเรียนรู้(ISOMAP) ประการแรกถูกจ้างทำลักษณะไม่เชิงเส้นสกัดการเริ่มต้นชุดฝึกอบรม และมีผลในการการจัดประเภทตามมาแล้วทดสอบกับเรียนรู้อัลกอริทึมเช่นสนับสนุนเครื่องแบบเวกเตอร์ เดียวมีวิเคราะห์ข้อมูลรวมถึงคนหนุ่มสาว และผู้สูงอายุ และผลการทดลองสาธิตที่ generalization ที่ประสิทธิภาพของ ISOMAP SVM เป็นการปรับปรุงอย่างเห็นได้ชัดประสิทธิภาพเมื่อเทียบกับ classifier ดั้งเดิมสำหรับการจดจำรูปแบบการเดินของผู้สูงอายุยัง งานของเราแนะนำที่เรียนรู้ความหลากหลายนับอัลกอริทึมสามารถหา intrinsic lowdimensionalมากมายที่ฝังในมิติสูงเดินข้อมูลและได้รับคุณลักษณะเดิน 'แท้จริง' ไม่เชิงเส้นที่เกี่ยวข้องกับมนุษย์เดินเปลี่ยนฟังก์ชันสำหรับการปรับปรุงการจัดประเภทเดินประสิทธิภาพของ เทคนิคการนำเสนอมีศักยภาพมากสำหรับใช้งานทางคลินิกในอนาคตวิเคราะห์คำสำคัญเดิน อัลกอริทึม การเรียนรู้มากมาย เดินการสกัดคุณลักษณะ เดิน classifcationI. บทนำกับการพัฒนาของทฤษฎีการเรียนรู้ของเครื่อง ล่าสุดความหลากหลายของกระบวนการเรียนรู้และการจัดประเภทนวนิยายได้มากขึ้น และเป็นมากขึ้นในการวิเคราะห์เชิงปริมาณข้อมูลการเดินทาง โดยเฉพาะอย่างยิ่ง บางขั้นสูงเรียนรู้อัลกอริทึมสำหรับการอัตโนมัติการเดินเปลี่ยนได้ดึงดูดมากความสนใจ เพราะพวกเขาสามารถแก้ปัญหาเกี่ยวกับการจัดประเภทประสิทธิภาพที่ดีขึ้น ตัวอย่าง เครื่องสนับสนุนเวกเตอร์(SVM), เป็นเทคนิคการจัดประเภทที่มีประสิทธิภาพ มีการการจัดประเภทรูปแบบหนุ่มสาว และสูงอายุเดินสำหรับการประเมินการเปลี่ยนแปลงของฟังก์ชันการเดิน [2,3, 4] ปัจจุบันการศึกษาได้แสดงว่า จะต้องปรับปรุงเดินประสิทธิภาพในการจัดประเภทการประเมินการเปลี่ยนแปลงการเดินถูกต้อง ในเดินอัลกอริทึมการจัดประเภท เรารู้ เดียวรูปแบบการจัดประเภทจะต้องแสดงเป็นจุดในพื้นที่สูงมิติคุณลักษณะ เพื่อปรับปรุงประสิทธิภาพ การจัดประเภทเดินจะต้องแยกบางคุณลักษณะสำคัญเดินจากคุณสมบัติเริ่มต้นเดินพื้นที่เพื่อลดข้อมูลซ้ำซ้อนก่อนเดียวอัลกอริทึมการจัดประเภทจะดำเนินการ ในความเป็นจริง การโต้ตอบระหว่างตัวแปรการเดินเป็นแฟชั่นไม่ใช่เชิงเส้นซับซ้อนเนื่องจากของเปลี่ยนแปลง intrinsic ไม่เชิงเส้นของการเคลื่อนไหวของมนุษย์ ดังนั้นขั้นตอนสำคัญในขั้นตอนวิธีประเภทเดินมาประสิทธิภาพจะได้รับทั้งหมด "น่าสนใจ"ลักษณะฝังตัวในการเดินเช่น nonlinearity [3] นี้แรงบันดาลใจที่ใช้เทคนิคการวิเคราะห์ขั้นสูงไม่เชิงเส้นที่สามารถจับข้อมูลไม่เชิงเส้นอย่างมีนัยสำคัญฝังอยู่ในข้อมูลเดินแผนสูงล่าสุด ความหลากหลายนับขั้นตอนวิธีการเรียนรู้ เป็นค่อนข้างเครื่องมือที่มีประสิทธิภาพขั้นสูง dimensionality ไม่ใช่เชิงเส้นลด ได้ถูกนำไปใช้ในการรู้จำแบบเช่นจดจำใบหน้า เคลื่อนไหวมนุษย์ตีความข้อมูล[7,8] . ความคิดพื้นฐานคือการ ค้นพบโครงสร้างของ intrinsicข้อมูลที่ มี dimensionality ต่ำรักษาโครงสร้างเรขาคณิตของมากมายแบบในมิติข้อมูลสูงตามกับสมมติฐานที่ว่า ข้อมูลที่ มีคุณลักษณะที่สำคัญอยู่ในย่านของอเนกมิติต่ำ ที่นี่ เราพิจารณาสำคัญเดินอย่างต่ำมิติมากมายที่ฝังตัวในพื้นที่ลักษณะมิติเดินสูงนั่นคือ เราใช้อัลกอริทึมการเรียนรู้ความหลากหลายนับในการข้อมูลเดินวิเคราะห์เชิงปริมาณสำหรับการได้รับ 'ความจริง' ไม่เชิงเส้นเดินทำงานจากพื้นที่อินพุตสูงมิติ ดังนั้นให้จำนวนอย่างมีนัยสำคัญของข้อมูลสำหรับการเดินประเภท [6, 7] เพื่อประเมินประสิทธิภาพของคุณลักษณะที่ไม่เชิงเส้นสกัด ด้วยอัลกอริทึมการเรียนรู้ความหลากหลายนับสำหรับเดินประเภทประสิทธิภาพ รวมถึงข้อมูลเดิม ๆ เดินคนหนุ่มสาว และผู้สูงอายุขึ้นมา และ analysedที่นี่ เราใช้การแมปคุณสมบัติวาดสามมิติอัลกอริทึม (ISOMAP การใช้ฝังความหลากหลายนับอัลกอริทึม) การสกัดคุณลักษณะเดินไม่เชิงเส้นแล้วทดสอบผลของคุณลักษณะแยกเดินบนประสิทธิภาพการจัดประเภทเดินตาม SVM classifier นอกจากนี้ เรานอกจากนี้ยัง เปรียบเทียบประสิทธิภาพการทำงานของเราเสนอการ generalizationอัลกอริทึมกับอัลกอริทึม SVM ตามประเภทเอกสารนี้มีการจัดระเบียบดัง: ส่วนแสดงⅡกระบวนการข้อมูลการเดิน ในส่วนⅢ เราสั้น ๆแนะนำขั้นตอนวิธีการเรียนรู้ความหลากหลายนับสำหรับคุณลักษณะที่เดินสกัด ในส่วนⅳ เราได้ประเมินประสิทธิภาพของเราเทคนิคการนำเสนอผ่านการทดลอง สนทนา และบทสรุปได้ในⅤส่วนครั้งที่สองเดินข้อมูล ACQUISTIONข้อมูลเดิม ๆ เดินรวมถึงหนุ่มสาวสุขภาพ 30 และเรื่องผู้สูงอายุปกติสามสิบได้รับมาเนื่องจากเดินเหล่านี้ข้อมูลประกอบด้วยรายละเอียดที่เกี่ยวข้องเกี่ยวกับการ intrinsic ใช่

ผลลัพธ์ (ไทย) 2:

บทคัดย่อในบทความนี้เราตรวจสอบการประยุกต์ใช้ในขั้นตอนวิธีการเรียนรู้มากมายในการวิเคราะห์ข้อมูลการเดินสำหรับการปรับปรุงประสิทธิภาพการจัดหมวดหมู่การเดิน นานาขั้นตอนวิธีการเรียนรู้เช่นขั้นตอนวิธีการทำแผนที่คุณลักษณะที่มีมิติเท่ากัน(ISOMAP) ถูกจ้างแรกที่จะดำเนินการคุณลักษณะเชิงเส้นสกัดสำหรับการเริ่มต้นชุดการฝึกอบรมและผลกระทบต่อจำแนกตามมาได้รับการทดสอบแล้วร่วมกับขั้นตอนวิธีการเรียนรู้เช่นการสนับสนุนเครื่องเวกเตอร์ ท่าเดินข้อมูลรวมทั้งเยาวชนและผู้สูงอายุที่ได้มาวิเคราะห์และผลการทดลองแสดงให้เห็นว่าลักษณะทั่วไปประสิทธิภาพการทำงานของISOMAP-SVM เป็นที่ดีขึ้นอย่างเห็นได้ชัดประสิทธิภาพเมื่อเทียบกับจําแนกแบบดั้งเดิมสำหรับการรับรู้รูปแบบการเดินหนุ่มผู้สูงอายุ การทำงานของเราชี้ให้เห็นว่าขั้นตอนวิธีการเรียนรู้มากมายสามารถหา lowdimensional ภายในท่อฝังในข้อมูลการเดินสูงมิติและได้รับ'ความจริง' เดินไม่เชิงเส้นคุณสมบัติที่เกี่ยวข้องกับการเปลี่ยนแปลงฟังก์ชั่นการเดินของมนุษย์สำหรับการปรับปรุงการจัดหมวดหมู่การเดินประสิทธิภาพ เทคนิคที่นำเสนอมีศักยภาพมากสำหรับการใช้งานทางคลินิกในอนาคต. การวิเคราะห์คำหลักที่เดิน; ขั้นตอนวิธีการเรียนรู้มากมาย; เดินดึง; classifcation การเดินครั้งที่หนึ่ง บทนำเมื่อเร็ว ๆ นี้กับการพัฒนาของทฤษฎีการเรียนรู้เครื่องที่หลากหลายของการเรียนรู้ที่แปลกใหม่และขั้นตอนวิธีการจัดหมวดหมู่ได้รับมากขึ้นและแพร่หลายในการวิเคราะห์เชิงปริมาณข้อมูลการเดิน โดยเฉพาะอย่างยิ่งการเรียนรู้ขั้นตอนวิธีการบางขั้นสูงสำหรับการรับรู้โดยอัตโนมัติของการเปลี่ยนแปลงการเดินได้ดึงดูดมากให้ความสนใจเพราะพวกเขาสามารถแก้ปัญหาการจัดหมวดหมู่ที่มีประสิทธิภาพที่ดีขึ้น ยกตัวอย่างเช่นการสนับสนุนเครื่องเวกเตอร์(SVM) เป็นเทคนิคการจัดหมวดหมู่ที่มีประสิทธิภาพได้รับการจ้างงานที่จะจัดรูปแบบการเดินหนุ่มสาวและผู้สูงอายุสำหรับการประเมินการเปลี่ยนแปลงของฟังก์ชั่นการเดิน[2,3, 4] ปัจจุบันการศึกษาได้แสดงให้เห็นว่ามันเป็นสิ่งสำคัญที่จะปรับปรุงการเดินประสิทธิภาพการจัดหมวดหมู่สำหรับการประเมินการเปลี่ยนแปลงการเดินว่า ในขั้นตอนวิธีการจัดหมวดหมู่การเดินที่เรารู้ว่าการเดินรูปแบบที่จะจัดมักจะต้องเป็นตัวแทนของจุดในพื้นที่ที่มีคุณลักษณะสูงมิติ เพื่อปรับปรุงประสิทธิภาพการจัดหมวดหมู่การเดินก็จะต้องดึงบางคุณสมบัติการเดินอย่างมีนัยสำคัญจากคุณสมบัติการเดินเริ่มต้นที่ว่างสำหรับการลดความซ้ำซ้อนข้อมูลก่อนที่จะเดินขั้นตอนวิธีการจัดหมวดหมู่จะถูกดำเนินการ ในความเป็นจริงการปฏิสัมพันธ์ระหว่างตัวแปรการเดินเป็นแฟชั่นที่ไม่ใช่เชิงเส้นที่ซับซ้อนเพราะของการเปลี่ยนแปลงที่ไม่ใช่เชิงเส้นที่แท้จริงของการเคลื่อนไหวของมนุษย์ ดังนั้นขั้นตอนที่สำคัญในขั้นตอนวิธีการจัดหมวดหมู่การเดินการออกแบบมาเพื่อประสิทธิภาพที่เหนือกว่าคือการได้รับทั้งหมดที่"น่าสนใจ" ลักษณะที่ฝังอยู่ในการเดินเช่นไม่เป็นเชิงเส้น [3] นี้กระตุ้นการใช้เทคนิคการวิเคราะห์เชิงเส้นขั้นสูงที่สามารถจับข้อมูลที่ไม่เป็นเชิงเส้นอย่างมีนัยสำคัญที่ฝังอยู่ในข้อมูลการเดินมิติสูง. เมื่อเร็ว ๆ นี้ขั้นตอนวิธีการเรียนรู้ Manifold เป็นค่อนข้างเครื่องมือที่มีประสิทธิภาพขั้นสูงสำหรับมิติที่ไม่ใช่เชิงเส้นลดได้รับการใช้ประสบความสำเร็จในการจดจำรูปแบบเช่นการจดจำใบหน้าเคลื่อนไหวของมนุษย์ตีความข้อมูล[7,8] แนวคิดพื้นฐานของมันคือการค้นพบโครงสร้างที่แท้จริงของข้อมูลที่มีมิติต่ำการรักษาโครงสร้างทางเรขาคณิตของนานาพื้นฐานในข้อมูลมิติที่สูงตามการสันนิษฐานว่าข้อมูลที่มีคุณลักษณะที่สำคัญอยู่ในพื้นที่ใกล้เคียงของนานาต่ำมิติ ที่นี่เราพิจารณาคุณสมบัติการเดินอย่างมีนัยสำคัญต่ำมิติมากมายที่ฝังอยู่ในการเดินมิติสูงมีพื้นที่ที่เราใช้ขั้นตอนวิธีการเรียนรู้ต่างๆ นานาในข้อมูลการเดินการวิเคราะห์เชิงปริมาณเพื่อให้ได้'ความจริง' ไม่เชิงเส้นคุณสมบัติการเดินจากที่สูงเข้าพื้นที่มิติจึงให้จำนวนเงินที่สำคัญของข้อมูลสำหรับการเดินการจัดหมวดหมู่[6, 7]. เพื่อที่จะประเมินผลที่มีประสิทธิภาพของคุณสมบัติที่ไม่เป็นเชิงเส้นสกัดโดยวิธีการเรียนรู้มากมายสำหรับการปรับปรุงการเดินประสิทธิภาพการจัดหมวดหมู่ข้อมูลการเดินการเคลื่อนไหวรวมทั้งเยาวชนและผู้สูงอายุได้ที่ได้มาและการวิเคราะห์. ที่นี่เราใช้ลักษณะการทำแผนที่มีมิติเท่ากันอัลกอริทึม (ISOMAP การใช้งานทั่วไปของการฝังท่อขั้นตอนวิธี) ที่จะดำเนินการเดินไม่เชิงเส้นมีการสกัดและเราทดสอบผลของคุณสมบัติการเดินสกัดในผลการดำเนินงานการจัดหมวดหมู่การเดินโดยลักษณนาม SVM นอกจากนี้เรายังเปรียบเทียบผลการดำเนินงานทั่วไปของเราที่นำเสนอขั้นตอนวิธีการกับผู้ที่ขั้นตอนวิธีการจัดหมวดหมู่SVM-based. กระดาษนี้จะมีการจัดระเบียบดังต่อไปนี้มาตราⅡนำเสนอขั้นตอนของการเดินเก็บข้อมูล ในส่วนⅢเราสั้นแนะนำขั้นตอนวิธีการเรียนรู้มากมายสำหรับการเดินมีการสกัด ในส่วนⅣเราประเมินที่มีประสิทธิภาพของเราเทคนิคที่นำเสนอผ่านการทดลอง การอภิปรายและข้อสรุปที่จะได้รับในส่วนⅤได้. ครั้งที่สอง เดินข้อมูลได้มาจากข้อมูลการเดินการเคลื่อนไหวรวมทั้งสามสิบที่ดีต่อสุขภาพเด็กและสามสิบอาสาสมัครผู้สูงอายุปกติได้มาเพราะการเดินเหล่านี้ข้อมูลที่มีข้อมูลที่เกี่ยวข้องมากขึ้นเกี่ยวกับการที่ไม่เป็นธรรม

ผลลัพธ์ (ไทย) 3:

บทคัดย่องานวิจัยนี้ได้ศึกษาการประยุกต์ใช้ขั้นตอนวิธีการในการวิเคราะห์ข้อมูลการเรียนรู้มากมาย

การเดินสำหรับการปรับปรุงของการเดินการจำแนกผลการปฏิบัติงาน เป็นอเนก
อัลกอริทึมการเรียนรู้ เช่น ไอโซเมตริกคุณลักษณะแผนที่อัลกอริทึม
( isomap ) คือตอนแรกใช้แสดงเส้นคุณลักษณะ
การสกัดแบบชุดฝึกอบรม และผลกระทบบน
หมวดหมู่ต่อไป จากนั้นจึงทำการทดสอบร่วมกับ
อัลกอริทึมการเรียนรู้เช่นเครื่องเวกเตอร์สนับสนุน เดินข้อมูลรวมทั้งเด็กและผู้สูงอายุ

ร่วมวิเคราะห์ และพบว่า ลักษณะทั่วไปของการปรับปรุงประสิทธิภาพ isomap-svm

อย่างเห็นได้ชัดเมื่อเทียบกับแบบดั้งเดิมตามเพื่อ
จำหนุ่มผู้สูงอายุ การเดินแบบงานแนะนำว่า
อเนกอัลกอริทึมการเรียนรู้สามารถค้นหาภายใน lowdimensional
อเนกการฝังข้อมูลการเดินสูง - มิติ
, และได้รับ ' เป็นจริง ' เส้นการเดินคุณลักษณะที่เกี่ยวข้องกับ
เปลี่ยนฟังก์ชันเดินมนุษย์เพื่อปรับปรุงการเดินหมวดหมู่
) เทคนิคที่นำเสนอมีศักยภาพมากสำหรับการใช้งานในอนาคต

คลินิกการวิเคราะห์คำหลักคงที่ ;อเนกการเรียนรู้ขั้นตอนวิธี การสกัดลักษณะการเดิน

.
; การเดิน classifcation เบื้องต้นนี้มีการพัฒนาเครื่องจักรทฤษฎีการเรียนรู้
หลากหลายของการเรียนรู้ที่แปลกใหม่และการจำแนกขั้นตอนวิธี
มีมากขึ้นและแพร่หลายในการวิเคราะห์ข้อมูลเชิงปริมาณของ

โดยเฉพาะการเรียนรู้ขั้นตอนวิธีขั้นสูงบางอย่างสำหรับการเปลี่ยนแปลงโดยอัตโนมัติงาน

ได้ดึงดูดมากความสนใจเนื่องจากพวกเขาสามารถแก้ปัญหาการจำแนกด้วย
ประสิทธิภาพที่ดีขึ้น ตัวอย่างเช่น สนับสนุนเวกเตอร์เครื่องจักร
( SVM ) เป็นเทคนิคที่มีประสิทธิภาพ การได้รับใช้เพื่อจำแนกเด็กและรูปแบบ

การเดินผู้สูงอายุเพื่อประเมินการเปลี่ยนแปลงของฟังก์ชันการเดิน [ 2 , 3 , 4 ] การศึกษา
แสดงให้เห็นว่ามันเป็นสิ่งสำคัญเพื่อปรับปรุงการเดิน
การจำแนกสมรรถนะการประเมินการเปลี่ยนแปลง
เดินตรง ในขั้นตอนวิธีการก้าวเดิน ตามที่เราทราบ การเดิน
รูปแบบจะจัดเป็นสิ่งจำเป็นที่จะแสดงเป็น
จุดในพื้นที่คุณลักษณะสูง - มิติ . เพื่อปรับปรุงประสิทธิภาพของการจำแนกประเภท

มันต้องแยกบางคุณสมบัติสำคัญการเดินจากลักษณะการเดินครั้งแรก
พื้นที่สำหรับการลดข้อมูลซ้ำซ้อนก่อนการเดิน
การจำแนกวิธีการประหารชีวิต ในความเป็นจริง การปฏิสัมพันธ์ระหว่างตัวแปรการเดินเป็น

) เพราะที่แฟชั่นของแท้จริงพลศาสตร์ไม่เชิงเส้นของการเคลื่อนไหวของมนุษย์ ดังนั้น ขั้นตอนสำคัญในการเดิน

การจำแนกขั้นตอนวิธีการออกแบบสำหรับประสิทธิภาพที่เหนือกว่าเพื่อให้ได้ทั้งหมดที่ " น่าสนใจ "
ฝังตัวในลักษณะการเดิน เช่น ค่า [ 3 ] นี้
กระตุ้นใช้ขั้นสูงเทคนิคการวิเคราะห์แบบไม่เชิงเส้น ( Nonlinear
ที่สามารถจับข้อมูลที่ฝังตัวอยู่ในข้อมูลการเดินสูง - มิติ
.
เมื่อเร็ว ๆนี้มากมายการเรียนรู้ขั้นตอนวิธีขั้นสูงเป็นเครื่องมือที่มีประสิทธิภาพสำหรับการค่อนข้าง
dimensionality
ไม่เชิงเส้น ได้รับสมัครเรียบร้อยแล้วใน
ยอมรับรูปแบบเช่นใบหน้าของมนุษย์ , ข้อมูลการเคลื่อนไหวตีความ
[ 7 , 8 ) ความคิดพื้นฐานคือการค้นพบโครงสร้างที่แท้จริงของข้อมูลด้วย dimensionality ต่ำ

รักษาเรขาคณิตโครงสร้างต้นแบบอเนกในสูงมิติข้อมูลตาม
เพื่อสมมติฐานว่าข้อมูลที่มีคุณลักษณะสำคัญอยู่
ในละแวกของอเนกเป็นมิติต่ำ ที่นี่เรา
พิจารณาที่สำคัญการเดินคุณลักษณะที่เป็นมิติต่ํา
มากมายที่ฝังตัวอยู่ในระดับสูงของมิติคุณลักษณะพื้นที่
คือว่า เราใช้ขั้นตอนวิธีการเรียนรู้ต่างๆในการวิเคราะห์เชิงปริมาณของข้อมูลสำหรับการขอรับ

การเดินคุณลักษณะไม่เชิงเส้น ' จริง ' จากพื้นที่สูง - มิติสัญญาณจึง
ให้ยอดเงินที่สําคัญข้อมูลการเดิน
การจำแนก [ 6
7 ]เพื่อประเมินประสิทธิภาพของการสกัดคุณลักษณะไม่เชิงเส้นโดยวิธีการเรียนมากมาย

สำหรับการปรับปรุงประสิทธิภาพของการจำแนกประเภทของ , จลนศาสตร์การเดินข้อมูลรวมทั้งเด็กและผู้สูงอายุ
ผู้เข้าร่วมได้มาวิเคราะห์ .
ที่นี่ เราใช้ไอโซเมตริกคุณลักษณะการทำแผนที่
ขั้นตอนวิธี ( isomap , การใช้งานทั่วไปของการฝัง
อเนกขั้นตอนวิธีการไม่เชิงเส้น ) การเดินคุณลักษณะการสกัด
และเราจากนั้นทดสอบผลของการสกัดการเดินคุณลักษณะบน
การเดินหมวดหมู่ผลงานโดย SVM ลักษณนาม นอกจากนี้ เรายังเปรียบเทียบการดำเนินงาน

ของเราเสนออัลกอริทึม SVM ที่มีขั้นตอนวิธีการ .
กระดาษนี้จะจัดดังนี้ ส่วนⅡเสนอ
กระบวนการของข้อมูลไม่เข้า ในส่วนⅢเราสั้น
แนะนำขั้นตอนวิธีการเรียนรู้มากมายสำหรับคุณสมบัติ
ก้าวเดินออกมา ในส่วนⅣเราประเมินประสิทธิภาพของเรา
เสนอเทคนิคผ่านการทดลอง การอภิปรายและ
ข้อสรุปจะได้รับในส่วนⅤ .
2 เครื่องมือที่ใช้ในการเดินเครื่องของข้อมูลรวมทั้ง

สามสิบและสุขภาพเด็ก