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

本发明专利技术公开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，利用卷积运算随机提取图像特征与利用循环迭代最小二乘求取隐含层节点的输出权值矩阵，实现对极限学习机模型的训练，能够在降低计算负担过重和提高计算效率的情况下提高算法的泛化性能，在一定程度上能够满足图像识别的需要，同时为更准确地进行图像识别提供了新思路和新途径。进行图像识别提供了新思路和新途径。

【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
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；
[0006]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：
[0007]Y1×
N
＝β1×
k
·
J
k
×
N
ꢀꢀ
(5)
[0008][0009]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；
[0010]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。
[0011]进一步地，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：
[0012]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：
[0013][0014]其中，U
N
×
k
表示隐含层节点输出矩阵J
k
×
N
的逆矩阵，且满足J
k
×
N
*U
N
×
k
＝I
k
×
k
；I
k
×
k
为单位矩阵；为向量和向量做内积运算；为向量的2
‑
范数的平方；迭代次数t的最大值为T；
[0015]步骤1.2、采用公式(7)计算在第t次迭代时的余差
[0016][0017]其中，余差的初始值为
[0018]步骤1.3、令i自加1，当i≤N时，执行步骤1.1；当i＞N时，执行步骤1.4。
[0019]步骤1.4、令j自加1，当j≤k，执行步骤1.1；当j＞k时，执行步骤1.5。
[0020]步骤1.5、采用公式(8)计算逆矩阵的第t次迭代误差：
[0021][0022]其中，E
k
×
k
为逆矩阵的迭代误差，其初始值为E
0k
×
k
＝I
k
×
k
；
[0023]步骤1.6、令t自加1，当t≤T，执行步骤1.1；当t＞T时，执行步骤1.7。
[0024]步骤1.7、采用公式(9)计算并输出隐含层节点的输出权值矩阵结束本流程：
[0025][0026]进一步地，所述步骤1中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，具体包括以下步骤：
[0027]步骤1.1、采用公式(1)获取第i张图像X
i
的基于平均像素的图像图像X
i
为三元数组，表示为X
i
＝[X
1i
,X
2i
,X
3i
]，其中，X
1i
表示图像X
i
的R通道的分量，X
2i
表示图像X
i
的G通道的分量，X
3i
表示图像X
i
的B通道的分量：
[0028][0029]步骤1.2、采用公式(2)、(3)和(4)依次对步骤1.1得到的图像进行卷积、非线性映射和池化处理：
[0030][0031]H
i(p
‑
n+1)
×
(q
‑
b+1)
＝φ(F
i(p
‑
n+1)
×本文档来自技高网...

【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：