Hidden node 图2SCNs网络结构图 Fig.2 SCNs network structure 假设通过11节获得最优特征子集为X=《,小，x∈i∈i3 其中k,m分别 表示输入向量和输出向量的维数.首先，基于如下监督机制为L2-SCN随秘分配隐含层节点参数： e-g8L）2bδ2g9=1,2.,m 88\*MERGEFORMAT ( 其中， h·h 那么带有L个隐含层节点的L2-SCNs人体行为别模型可以表示为： 5+ 99列*MERGEFORMAT ( 式中，（表示特征x的模型输出， B,=[B,B2,B]'是第i个隐含层节点与输出层之间的输出 权值向量， ,分别表示第1个隐含层节点的输入权值和偏置 L2-SCNs人体行为识别模型的最终目标是在L2正则化的约束下使得模型输出i(x)与真实输出 ∫之间的残差为零， 即： min:/= 1010\*MERGEFORMAT() 式中，α表示正则￠养数 利用拉格朗日乘子法求解(9)式，进而得到网络的输出权值： B-[R,]-(H+H 1111\*MERGEFORMAT O +b)L g(wix+b) H= M M g(wixx+b L 式中， gwxv+b,小L为隐含层输出矩阵， Nx为行为特征对应 的真实输出矩阵，I为单位矩阵，T表示矩阵转置 1.3算法步骤 1.NCA特征选择 利用NCA从UCI HAR特征集S-(6为，1=L2心选择出最优的特征子集Hidden node j+1 1 1 2 d 1 j m x y 图 2 SCNs 网络结构图 Fig. 2 SCNs network structure 假设通过 1.1 节获得最优特征子集为   , , , , 1,2,...,   k m X x f x f i N     i i i i ¡ ¡ ，其中 k , m 分别 表示输入向量和输出向量的维数. 首先，基于如下监督机制为 L2-SCNs 随机分配隐含层节点参数: 2 1, , , , 1,2, , . L q L g L q e g b q m      88\* MERGEFORMAT () 其中，   2 T 1, 2 T , 1, 1 L q L L q L L q T L L e h r e h h           ， q m   1,2, , ， r 和 L 是收缩参数. 那么带有 L 个隐含层节点的 L2-SCNs 人体行为识别模型可以表示为：     1 L T L i i i i i f x g w x b      99\* MERGEFORMAT () 式中，   L f x 表示特征 x 的模型输出，   T 1 2 , ,...,     i i i im  是第i 个隐含层节点与输出层之间的输出 权值向量， wL , L b 分别表示第i 个隐含层节点的输入权值和偏置. L2-SCNs 人体行为识别模型的最终目标是在 L2正则化的约束下使得模型输出   L f x 与真实输出 f 之间的残差为零，即： 2 2 1 1 min : + 2 2 L i i i i J f g       1010\* MERGEFORMAT () 式中， 表示正则化系数. 利用拉格朗日乘子法求解(9)式，进而得到网络的输出权值： 1 T T = , , , 1 2 L I     H H H f                    1111\* MERGEFORMAT () 式中，         T T 1 1 1 1 T T 1 1 L L N L N L N L g w x b g w x b H g w x b g w x b             L M O M L 为隐含层输出矩阵， T 1 T L N k f f f             M 为行为特征对应 的真实输出矩阵， I 为单位矩阵，T 表示矩阵转置. 1.3 算法步骤 1. NCA 特征选择 利 用 NCA 从 UCI HAR 特 征 集 S x f i N     i i , , 1,2,...,   % % 选 择 出 最 优 的 特 征 子 集 录用稿件，非最终出版稿