【技术实现步骤摘要】
一种基于循环迭代最小二乘的极限学习机的图像识别方法
[0001]本专利技术属于深度学习
,具体涉及一种基于循环迭代最小二乘的极限学习机的图像识别方法。
技术介绍
[0002]图像识别是信息时代的关键技术之一,利用图像识别技术能够完成传统传感器技术无法实现的任务,同时借助图像识别与多源信息的融合,能够让监测效果更佳精确。随着计算机技术的不断发展,计算机计算能力进一步提升,对信息的处理能力获得了极大的改善。依托于智能图像识别算法,可以获得识别准确率的提升,也能够降低识别所需的时间,在未来人工智能领域将发挥重要的作用。在过去几年中,卷积神经网络已成为图像识别领域中用于各种任务的主流机器学习方法。然而,传统的卷积神经网络采用基于梯度下降的反向传播方法进行训练,伴随卷积神经网络参数数目的增大,网络训练时间变长。因此,如何在保证图像识别准确率的情况下缩短神经网络的训练时间具有十分重要的意义。
技术实现思路
[0003]有鉴于此,本专利技术提供了一种基于循环迭代最小二乘的极限学习机的图像识别方法,实现了对图像的准确快速识别。
[0004]本专利技术提供的一种基于循环迭代最小二乘的极限学习机的图像识别方法,包括以下步骤:
[0005]步骤1、依次对采集到的图像样本进行卷积、非线性映射和池化处理提取特征,由所有图像样本的特征与标记构建训练样本集;所述图像样本表示为{X
i
,Y
i
|X
i
∈R
p
×
q
×3,Y ...
【技术保护点】
【技术特征摘要】
1.一种基于循环迭代最小二乘的极限学习机的图像识别方法,其特征在于,包括以下步骤:步骤1、依次对采集到的图像样本进行卷积、非线性映射和池化处理提取特征,由所有图像样本的特征与标记构建训练样本集;所述图像样本表示为{X
i
,Y
i
|X
i
∈R
p
×
q
×3,Y
i
∈R,i=1,2,...,N},其中,X
i
表示第i张图像作为模型的输入,Y
i
表示第i张图像对应的标记作为模型的输出,p为每张图像的高度,q为每张图像的宽度,3表示RGB三个颜色通道,N为样本总数;所述特征表示为其中,n、b、m、s均表示卷积核的大小;步骤2、建立极限学习机模型,使用所述训练样本集利用循环迭代最小二乘求解隐含层节点的输出权值矩阵,完成对极限学习机模型的训练,所述极限学习机模型如公式(5)所示:Y1×
N
=β1×
k
·
J
k
×
N (5)其中,Y1×
N
∈R1×
N
表示极限学习机模型的输出矩阵,N为样本个数,k为隐含层节点的个数,J
k
×
N
为隐含层节点输出矩阵,且满足S
(p
‑
n
‑
m+1+q
‑
b
‑
s+1)
×
N
∈R
(p
‑
n
‑
m+1+q
‑
b
‑
s+1)
×
N
为极限学习机模型的输入数据,(p
‑
n
‑
m+1+q
‑
b
‑
s+1)为每个输入样本向量的特征维数,α
k
×
(p
‑
n
‑
m+1+q
‑
b
‑
s+1)
为输入到隐含层节点之间的输入权值矩阵,λ
k
×
N
为隐含层节点的偏置矩阵,为可选择的非线性激活函数;α
k
×
(p
‑
n
‑
m+1+q
‑
b
‑
s+1)
和λ
k
×
N
均为随机生成,且生成后保持不变;步骤3、在实际使用中,采用步骤1的方式提取待识别图像的特征,将特征输入步骤2训练得到的极限学习机模型中即可得到图像的类型。2.根据权利要求1所述的图像识别方法,其特征在于,所述步骤2中使用所述训练样本集利用循环迭代最小二乘求解隐含层节点的输出权值矩阵,完成对极限学习机模型的训练,包括以下步骤:步骤1.1、采用公式(6)计算逆矩阵中第i行第j列元素在第t次迭代时的值:其中,U
N
×
k
表示隐含层节点输出矩阵J
k
×
N...
【专利技术属性】
技术研发人员:邹伟东,夏元清,李慧芳,张金会,翟弟华,戴荔,刘坤,闫莉萍,
申请(专利权)人:北京理工大学,
类型:发明
国别省市:
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。