【技术实现步骤摘要】
一种基于多核集成分类学习的图像分类方法
本专利技术属于图像处理分类
，尤其涉及一种基于多核集成分类学习的图像分类方法。
技术介绍
图像处理在人们的日常生活中扮演着越来越重要的位置，其中图像分类在图像处理中有着非常重要的应用。包括人脸识别，医学图像处理以及互联网领域的图像检索等。支持向量机(SupportVectorMachine,SVM)是一种基于结构风险最小化原则的通用学习算法,它的基本思想是在样本输入空间或特征空间构造出一个最优超平面,使得超平面到两类样本集之间的距离达到最大,从而取得最好的泛化能力。他的解是全局最优的,不需要人工设计网络结构。对于非线性问题，SVM设法将它通过非线性变换(核函数)转化为另一空间中的线性问题,在这个变换空间来求解最优的线性分类面。而这种非线性变换可以通过定义适当的内积函数,即核函数实现。核函数是把特征从低维空间映射到高维空间，但是目前我们经常使用的SVM都是单核的，在使用的时候，需要根据经验或试验来选择哪种核函数，怎样指定它的参数，这样很不方便。另一方面，实际应用中，特征往往不是单一性的，而是异构的。就图像分类来说，可能用...
【技术保护点】
1.一种基于多核集成分类学习的图像分类方法，其特征在于，获取用于分类的图像数据作为样本集X和与之对应的样本标签集Y，并对样本集X进行归一化处理。将部分样本集作为训练集用于训练支持向量机模型，首先求解每个单核分类模型的损失loss，通过对所有的损失loss进行加权集成形成一个集成损失，再通过最小化集成损失来共同优化每一个单核分类模型，从而获得训练好的多核集成分类模型；将剩余样本集作为测试集输入所构造的多核集成分类模型，获得对图像数据的分类结果。
【技术特征摘要】
1.一种基于多核集成分类学习的图像分类方法，其特征在于，获取用于分类的图像数据作为样本集X和与之对应的样本标签集Y，并对样本集X进行归一化处理。将部分样本集作为训练集用于训练支持向量机模型，首先求解每个单核分类模型的损失loss，通过对所有的损失loss进行加权集成形成一个集成损失，再通过最小化集成损失来共同优化每一个单核分类模型，从而获得训练好的多核集成分类模型；将剩余样本集作为测试集输入所构造的多核集成分类模型，获得对图像数据的分类结果。2.根据权利要求1所述的一种基于多核集成分类学习的图像分类方法，其特征在于，所述单核分类模型的构建方法为：根据训练集获得不同的基础内核K，由不同的基础内核K构建单核分类模型，其中，C是控制第一项和第二项之间权衡的参数，ξit是铰链损失，t为第t样本，N为训练集中的样本数，ai是每个训练集权重，Ki是第i个内核Gram矩阵。3.根据权利要求2所述的一种基于多核集成分类学习的图像分类方法，其特征在于，对所有的损失loss进行加权集成，获得所述多核集成分类模型的方法为：其中，L是基础内核的个数，αi是每个训练集权重，wi是添加在每个单核分类模型所求解的损失上的权重，Ki是第i个内核Gram矩阵，bi是对于特定Ki的偏移量，aim为与样本xm对应的训练集权重，Ki(xt，xm)是样本xt和xm内积表示，aim是Ki(xt，xm)系数，yt是训练样本标签集中第t个标签。4.根据权利要求3所述的一种基于多核集成分类学习的图像分类方法，其特征在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。