1、“.....同时正确的将踢腿和打拳分割成两个不同的运动，成功实现了对相似动作的分割，提高了分割准确率。实验对的结果如下所示该运动序列为个长度为的组合运动序列，包含了行走坐下读书眺望行走等运动。采用降维，降维后的维结果如表所示。将运动的捕获数据分割为，每个分割点需要精确求解，同时可以得到分割段数。目前对运动序列的分割方法主要可以分为两种人工参与操作的人工分割，无人工参与的自动分割。人工手动分割又分为纯手动分割和含有预处理分割的半自动分割。总体而言，人工参与的分割速度慢效率低下，率高。自动分割是通过无监督学习将运动序列自动的分成不同行为的片段，可以实现全自动化。由于人工参与的分割方法有着速度慢，准确度低，且需要耗费大量的人力资源等缺点，所以自动分割运动序列的重要性显而见之。对于自动分割算法的研究，国内外已有些学者作出了较大的贡献......”。

2、“.....本文通过对组包含不同运动行为的连续时序运动数据进行了分，。基于降维的捕捉数据自基于降维的捕捉数据自动分割论文原稿，冯林，刘胜蓝，王静，肖尧人体运动分割算法序列局部弯曲的流形学习计算机辅助设计与图形学学报，杜战战，孙怀江基于的人體运动捕获数据分割方法计算机工程与应用，肖俊，庄越挺，吴飞维人体运动特征可视化与交互式运动分割软件学报，胡晓雁，孙波，朱小明，魏云刚基于谱聚类的运动捕获数据分割计算机辅助设计与图形学学报窗口，从而构建残差曲线。通过衡量残差曲线的跳变点，从而实现整个运动数据的分割。由于分段稳定片段具有特定的运动语义，因此可以进步用于运动合成，搜索等应用。在未来的工作中，我们将进步优化非线性降维运动分割算法，包括进步的提高分割算法效率，以及提高对复杂动作分割的准确率。参考文献李豪杰，林守勋，张勇东基于视频的人体运动捕捉综述计算机辅助设计与图形学学报......”。

3、“.....以及粗分割结果进行对比。如图所示由于第次立定跳远动作比较迟缓，未能正确对第次立定跳远后进行正确分割，同时未能将踢腿和打拳正确分割开，而是将他们识别成了个运动。而基于的运动分割则成功的将迟缓的第次立定跳远阶段分割开，同时正确的将踢腿和打拳分割成两个不同的运动，成功实现了对相似动作的分割，提高了分割准确率。实验对的结果如下所示该运动序列为个长度为的组合运动序列，包含了行走坐下读书眺望行走等运动。采用降维，降维后的维度为。结果如图所示该段组合序列包含个稳定片段。而分割则未能正确的对坐下行为进行分割，而基于的运动分割则成功的命中这段的分割，成功的提高了对复杂运动的分割精度。通过上述实验基本算法如下所示，设是高维数据集降维后的低维数据集，算法设定个以局部等距为前提的约束条件，在该条件下对点之间进行最大化展开，再以此为基础还原原始数据流形。算法先根据构造个邻域图，如果是的近邻......”。

4、“.....否则。这是个在平方等式约束下的非凸次规划问题，将它转化为个半定规划问题获得最优解。定义的核矩阵，则该半定规划可以转换为设为该优化问题的最优解，是的第个特征值，为相应特征向量的第个元素，对进行谱分解得到。因此，高维数据的维映射的第个元素为。降维误差衡量由于降维过程中存在不可避免的数据损耗，为了衡量同原始数据的误差，困难的。因此，由矩阵元素估计出特征值的范围就显得尤为重要。本文采用迭代特征值估计的方法简化计算复杂度。对于符合特定条件下的矩阵，通过特征值的估计值转化原特征值于另矩阵，从而得到对原特征值的数值解法。基于降维的捕捉数据自动分割论文原稿。在上述分割方法中，普遍利用了线性降维方法作为对运动序列做处理。然而人体时序运动序列往往并不具有线性特征。由于其复杂性和多样性，使用线性降维的过程中往往会导致不可忽视的误差，般情况下传统线性降维难以提取出其中的线性规律......”。

5、“.....能够更好的概括人体运动的细节特征，从而实现准确率的提升。本文提出种基于非线性降维的运动分割方法，采用了非线性降维算法对运动序列进行降维，该方法为相应特征向量的第个元素，对进行谱分解得到。因此，高维数据的维映射的第个元素为。降维误差衡量由于降维过程中存在不可避免的数据损耗，为了衡量同原始数据的误差，我们采用残差来评判。通过定义能量百分比是数据集的原始维数，即原始采集信息维度。是降维维数，即降维原始数据后用于分析的维数。表示原始数据集的核矩阵的第个特征值。由于特征值揭示了原始数据集在投影到降维数据集上时对应特征向量方向的原有信息量，因此表示降维到维度时变换所保留的信息量。通过残差，可以清楚的衡量现有降维结果同原始数据之间的误差。在上述分割方法中，普遍利用了线性降维方法作为对运动序列做处理。然而人体时序运动序列往往并......”。

6、“.....冯林，刘胜蓝，王静，肖尧人体运动分割算法序列局部弯曲的流形学习计算机辅助设计与图形学学报，杜战战，孙怀江基于的人體运动捕获数据分割方法计算机工程与应用，肖俊，庄越挺，吴飞维人体运动特征可视化与交互式运动分割软件学报，胡晓雁，孙波，朱小明，魏云刚基于谱聚类的运动捕获数据分割计算机辅助设计与图形学学报，基于降维的捕捉数据自动分割论文原稿算效率高，收敛性强，鲁棒性高，并对各种不同的非线性序列都能取得良好的降维效果。降维原始降维算法最大方差扩展是基于局部等距概念提出的非线性降维学习算法，可以被认为是可以自动学习训练数据核矩阵的特例，是个高维数据流保持映射之前和之后相邻点之间的欧氏距离的条件，具有以下两个优点方面不仅可以学习高维数据集中隐含的低维信息，而且可以揭示内含尺寸。另方面，由于该算法不需要测量高维数据点之间的欧氏距离......”。

7、“.....此外，与相比，两者具有相同的优化函数表达式，可以视为的非线性形式。更重要的是，维度可以更好地保持训练数据的分布。息，而且可以揭示内含尺寸。另方面，由于该算法不需要测量高维数据点之间的欧氏距离，所以非凸数据集也具有理想的降维效果。此外，与相比，两者具有相同的优化函数表达式，可以视为的非线性形式。更重要的是，维度可以更好地保持训练数据的分布。首先根据邻域参数，对原始数据构造等距约束，并计算该约束下的临域关系，计算中与其他点的欧氏距离。若是的邻近点，则两点彼此相邻，且边权值，否则，在中断开。引入核函数求解该优化问题，得到最优解，从而可以根据最优解进行谱分解，得到特征值。迭代特征值估计在实际的求解过程当中，特征值的计算般来说是非常复杂的。本例中，矩阵的阶数高，计算复杂度大，要想精确的计算出特征值是以更好的拟合人体运动数据，实现更高的正确率......”。

8、“.....并且通过迭代特征值以减少运动序列的计算复杂度，然后依赖特征值求得运动序列的残差，不断扩大序列窗口，从而构建残差曲线。通过衡量残差曲线的跳变点，从而实现整个运动数据的分割。由于分段稳定片段具有特定的运动语义，因此可以进步用于运动合成，搜索等应用。在未来的工作中，我们将进步优化非线性降维运动分割算法，包括进步的提高分割算法效率，以及提高对复杂动作分割的准确率。参考文献李豪杰，林守勋，张勇东基于视频的人体运动捕捉综述计算机辅助设计与图形学学报具有线性特征。由于其复杂性和多样性，使用线性降维的过程中往往会导致不可忽视的误差，般情况下传统线性降维难以提取出其中的线性规律。由于本方法引入了非线性降维，能够更好的概括人体运动的细节特征，从而实现准确率的提升。本文提出种基于非线性降维的运动分割方法，采用了非线性降维算法对运动序列进行降维，该方法计算效率高，收敛性强，鲁棒性高......”。

9、“.....降维原始降维算法最大方差扩展是基于局部等距概念提出的非线性降维学习算法，可以被认为是可以自动学习训练数据核矩阵的特例，是个高维数据流保持映射之前和之后相邻点之间的欧氏距离的条件，具有以下两个优点方面不仅可以学习高维数据集中隐含的低维，。基于降维的捕捉数据自动分割论文原稿。基本算法如下所示，设是高维数据集降维后的低维数据集，算法设定个以局部等距为前提的约束条件，在该条件下对点之间进行最大化展开，再以此为基础还原原始数据流形。算法先根据构造个邻域图，如果是的近邻，则权值，否则。这是个在平方等式约束下的非凸次规划问题，将它转化为个半定规划问题获得最优解。定义的核矩阵，则该半定规划可以转换为设为该优化问题的最优解，是的第个特征值，基于降维的捕捉数据自动分割论文原稿为。结果如图所示该段组合序列包含个稳定片段......”。