摘要：姿态识别是许多应用的基础（医学、运动、游戏、安全）．传统的识别算法采用批学习的方式去训练网络，但是数据量庞大且数据不会一次性获取，这会导致这类算法花费大量的学习时间且网络权重也不能在线更新．对此利用一种基于核函数的在线序列极限学习机OS-KELM（Online Sequential Kernel Extreme Learning Machine）算法实现人体姿态的分类识别．为降低学习难度和提高学习效率，使用了基于Fisher准则和特征聚类的方法进行特征选择．用手机的三轴加速度计和陀螺仪数据识别人走路、下楼、上楼、站立、坐和躺下的姿态，平均识别精度达到91．89％．

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社