[发明专利]一种面向含缺失数据的手势动作分类方法

说明书

本发明公开了一种面向含缺失数据的手势动作分类方法，过程如下：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；利用观察值集中每一列变量的均值对缺失值集进行预填补；基于预填补的数据，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；利用手势动作分类器对预填补数据中的观察值进行重构，隐式地利用分类器的类别感知信息对缺失值进行填补；同时，采用最优运输理论减少同类别手势动作数据分布距离，显式地利用类别感知信息对缺失值进行填补；将填补后的数据作为感知机的输入，并最终输出分类结果。本发明将类别感知和最优运输理论应用于含缺失数据的手势动作分类领域，有效提高了分类的准确率和效率。

技术领域

本发明涉及数据挖掘和机器学习技术领域，具体涉及一种面向含缺失数据的手势动作分类方法。

背景技术

手势动作分类是人机交互技术的重要基础，也是相关智能设备和工业领域中不可忽视的技术。然而，由于传感器故障、障碍物阻挡和操作失误等，导致实际采集获取的手势动作数据常常包含缺失值。与此同时，已有的手势动作分类方法往往是基于数据是完整的假设，难以合理地对含缺失数据的手势动作执行分类。因此，设计面向含缺失数据的手势动作分类方法具有重要的意义。

现有的处理含缺失数据的手势动作分类方法可以简单地分为两类：直接删除包含缺失值的数据和先对缺失数据进行填补然后执行分类的方法。直接删除包含缺失值的手势动作数据容易导致观察值信息的丢失，特别是当缺失率比较高的时候。此外，在现实复杂场景中，采集的每条数据均可能不同程度都会包含缺失值，从而导致完整的数据数量极少。采用零、均值和最近邻等方法先对包含缺失值得手势动作数据进行填补，然后进行手势动作分类方法是现有方法的常见策略。然而，手势动作数据的填补和分类的过程是独立的，并且填补的过程往往是基于无监督的设定，导致填补的缺失值不可避免地引入了分类错误。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种面向含缺失数据的手势动作分类方法，该方法设计了一种基于类别感知最优运输的神经网络，在网络训练过程中采用分类器的类别感知信息对缺失数据进行填补，从而降低填补到分类的偏差。同时，为了使得填补的值更加适合分类，本发明采用最优运输理论来降低同类手势动作数据分布的差异，促使填补后的同类数据分布更加相似。

本发明的目的可以通过采取如下技术方案达到：

一种面向含缺失数据的手势动作分类方法，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。

进一步地，所述步骤S1过程如下：