-NCA-L-SCNs -L2-SCNs 0.35 0.3 03 0.15 0.1 0 50100150200250300350400450500 Hidden node 图5使用NCA前后L2-SCNs收敛曲线图 Fig.5 L2-SCNs convergence curve before and after 版稿 Confusion Matrix 00% * 00% Q7 0% 27 17.9% 0.0% 0 0.0% 0.0 99.8% 0.2% Target Class 图6NCA-SCNs模型识别结果混淆矩阵 Fig.6 Confusion matrix of NCA-SCNs model recognition results 其年、至6分别表示walking,upstairs,downstairs,sitting,standing,ying 为了研究CA特征选择提高L-SCNs模型性能的本质，本文绘制了使用NCA前后SCNs模型 的收敛曲线图，图5所示.通过观察图5可知，随着L2-SCNs隐含层节点数的逐渐增加，NCA-L2 SCNs的RMSE由二开始高于SCNs到98个节点后低于L-SCNs直至最后建模完成.造成这一结果 的主要原因是未经过NCA选择的特征集中含有大量低相关性特征，而这些特征能够在L2-SCNs人 体行为识别模型构建初期增强模型的非线性映射能力，进而获得较低的RMSE. 此外，为了分析哪些数据被错误分类，本文在测试集上计算了NCA-L2-SCNs学习模型的预测 行为（输出类）和实际行为（目标类）的混淆矩阵.该模型的混淆矩阵如图6所示.其中，矩阵的行和列 分别是实际行为标签和预测行为标签.除对角线以外的非零元素皆表示被错误分类成某类的总数.可 以观察到所有模型的错误分类主要发生在sitting和standing之间.其中sitting有25条数据被误分为 standing,而standing中有5条数据被误分为sitting.造成这一结果的主要是因为两种行为的模态比 较相近，而且在收集这类行为的传感器数据时，陀螺仪传感器的数据几乎全部为0，同时仅仅利用0 50 100 150 200 250 300 350 400 450 500 Hidden node 0.1 0.15 0.2 0.25 0.3 0.35 0.4 R MSE NCA-L2 -SCNs L2 -SCNs 图 5 使用 NCA 前后 L2-SCNs 收敛曲线图 Fig. 5 L2-SCNs convergence curve before and after NCA Target Class 1 2 3 4 5 6 Output Class Confusion Matrix 494 16.8% 1 0.0% 0 0.0% 1 0.0% 0 0.0% 0 0.0% 99.6% 0.4% 12 0.4% 451 15.3% 4 0.1% 4 0.1% 0 0.0% 0 0.0% 95.8% 4.2% 0 0.0% 4 0.1% 414 14.0% 0 0.0% 2 0.1% 0 0.0% 98.6% 1.4% 0 0.0% 2 0.1% 0 0.0% 463 15.7% 25 0.8% 1 0.0% 94.3% 5.7% 0 0.0% 0 0.0% 0 0.0% 5 0.2% 527 17.9% 0 0.0% 99.1% 0.9% 0 0.0% 0 0.0% 0 0.0% 0 0.0% 1 0.0% 536 18.2% 99.8% 0.2% 97.6% 2.4% 98.5% 1.5% 99.0% 1.0% 97.9% 2.1% 95.0% 5.0% 99.8% 0.2% 97.9% 2.1% 图 6 NCA-SCNs 模型识别结果混淆矩阵 Fig. 6 Confusion matrix of NCA-SCNs model recognition results 注:其中 1 至 6 分别表示 walking，upstairs，downstairs，sitting，standing，lying. 为了研究 NCA 特征选择提高 L2-SCNs 模型性能的本质，本文绘制了使用 NCA 前后 SCNs 模型 的收敛曲线图，如图 5 所示. 通过观察图 5 可知，随着 L2-SCNs 隐含层节点数的逐渐增加，NCA-L2- SCNs 的 RMSE 由一开始高于 SCNs 到 98 个节点后低于 L2-SCNs 直至最后建模完成. 造成这一结果 的主要原因是未经过 NCA 选择的特征集中含有大量低相关性特征，而这些特征能够在 L2-SCNs 人 体行为识别模型构建初期增强模型的非线性映射能力，进而获得较低的 RMSE. 此外，为了分析哪些数据被错误分类，本文在测试集上计算了 NCA-L2-SCNs 学习模型的预测 行为(输出类)和实际行为(目标类)的混淆矩阵. 该模型的混淆矩阵如图 6 所示. 其中，矩阵的行和列 分别是实际行为标签和预测行为标签. 除对角线以外的非零元素皆表示被错误分类成某类的总数. 可 以观察到所有模型的错误分类主要发生在 sitting 和 standing 之间. 其中 sitting 有 25 条数据被误分为 standing，而 standing 中有 5 条数据被误分为 sitting. 造成这一结果的主要是因为两种行为的模态比 较相近，而且在收集这类行为的传感器数据时，陀螺仪传感器的数据几乎全部为 0，同时仅仅利用 录用稿件，非最终出版稿