[发明专利]一种面向含缺失数据的手势动作分类方法

权利要求书

1.一种面向含缺失数据的手势动作分类方法，其特征在于，所述手势动作分类方法包括以下步骤：

S1、获取含缺失数据的手势动作数据集，依据缺失信息将其划分为观察值集和缺失值集；

S2、利用观察值集中每一列变量的均值对缺失值集中每一列变量进行预填补，得到预填补的完整数据集；

S3、基于预填补的完整数据集，训练一个基于类别感知最优运输神经网络的手势动作分类器，所述手势动作分类器包括一个基于类别感知最优运输的填补模块和一个基于感知机的分类模块；

S4、在所述基于类别感知最优运输的填补模块中对预填补数据中的观察值进行重构，并隐式地利用基于感知机的分类模块中的类别感知信息对缺失值进行填补；

S5、采用最优运输理论减少从同类别内随机选取的两组数据分布距离，使得同类数据分布相似，显式地利用手势动作类别感知信息对缺失值进行填补；

S6、将经过基于类别感知最优运输的填补模块填补后的完整数据作为基于感知机的分类模块的输入，训练类别感知最优运输神经网络，并将含缺失数据的测试集作为训练好的类别感知最优运输神经网络的输入，输出最终的手势动作分类结果。

2.根据权利要求1所述的面向含缺失数据的手势动作分类方法，其特征在于，所述步骤S1过程如下：

S11、获取含缺失数据的手势动作数据集Z，表示为其中Y_n表示第n个样本X_n的标签，N为数据集Z中包含的样本总数，第n个样本X_n表示为(x₁，x₂，null，...，x_d，...，x_D)，其中null表示缺失值，x_d表示第d个变量，d的取值范围为[1，D]，D为样本X_n包含的变量总数；

S12、依据数据集Z中每个样本X_n中标记为null的缺失信息，数据集Z中所有样本包含的缺失信息定义为一个N行D列的掩码矩阵M∈{m_nd}^N×D，m_nd的取值为1或者0，如果m_nd等于1表示样本X_n的第d个变量x_d为缺失值，m_nd等于0表示为观察值，依据掩码矩阵M中m_nd值全为0的对应样本的变量划分为观察值集，将m_nd值全为1的对应样本的变量划分为缺失值集。

3.根据权利要求2所述的面向含缺失数据的手势动作分类方法，其特征在于，所述步骤S2过程如下：

S21、利用步骤S12中获取的观察值集，计算观察值集中所有样本同列变量数值的均值，得到一个长度为D的数组B，数组B中的每一个元素表示对应变量所在列的均值；

S22、利用步骤S21中获取的数组B对步骤S12中获取的缺失值集进行均值预填补，采用数组B中所在列对应的值对缺失值集中所有样本对应列变量值为null的变量进行预填补。

4.根据权利要求3所述的面向含缺失数据的手势动作分类方法，其特征在于，所述步骤S3过程如下：

利用步骤S22中得到的预填补的完整数据集，训练一个基于类别感知最优运输神经网络的手势动作分类器，采用基于类别感知最优运输的填补模块执行缺失值填补任务优化的同时，将上述填补模块得到的完整数据输入到基于感知机的分类模块进行分类训练，实现对包含缺失值数据的填补任务和分类任务的联合优化；其中，所述基于类别感知最优运输的填补模块包括三层全连接神经网络，分别是输入层、隐藏层和输出层，输入层和输出层的维度设定为手势动作数据的变量数，隐藏层的维度为手势动作数据变量数的两倍，输出层对缺失值位置的变量进行填补；所述基于感知机的分类模块由三层神经网络组成，其输入数据是基于类别感知最优运输的填补模块执行缺失值填补后的完整数据。