[發明專利]基于粒子群優化的局部感受野極限學習機圖像分類方法

在審

• 申請號: 201711323979.6
• 申請日: 2017-12-13
• 公開（公告）號: CN108038507A
• 公開（公告）日: 2018-05-15
• 發明（設計）人: 續欣瑩;趙志宏;程蘭;謝剛
• 申請（專利權）人: 太原理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00
• 代理公司: 太原市科瑞達專利代理有限公司 14101
• 代理人: 盧茂春

一種基于粒子群優化的局部感受野極限學習機圖像分類方法，包括以下步驟：1）圖像預處理成圖像集，并將圖像集劃分為訓練圖像集和測試圖像集；2）確定網絡初始權重；3）計算粒子群的初始種群對應的特征圖矩陣；4）計算各個特征圖對應的池化圖矩陣；5）計算粒子群的初始種群對應的輸出權重矩陣；6）根據局部感受野極限學習機圖像分類方法的具體特征，計算適應度函數值；7）網絡初始權重更新規則；8）網絡初始權重結束規則；本發明不僅提高了圖像分類方法的穩定性，還充分發揮粒子群的全局優化能力，大大提高了分類精度。

技術領域

本發明屬于圖像分類和智能優化領域，特別涉及一種基于粒子群優化的局部感受野極限學習機圖像分類方法

背景技術

圖像分類作為圖像檢索、機器人視覺的基本任務，在計算機視覺和機器學習中受到廣泛的關注。圖像分類的研究主要有預處理、特征提取和分類器訓練三個方向。國內外研究學者的研究主要集中在分類方法上，出現了多種分類方法，如神經網絡、決策樹、貝葉斯以及支持向量機(SVM)等，而特征提取過程大多數是人工設計的，通過淺層學習獲得圖像的底層特征，其與圖像高級主題間存在很大的“語義鴻溝”，大大影響圖像分類方法的普適性。

2006年Hinton提出的深度學習是利用設定好的網絡結構，完全從訓練數據中學習圖像的層級結構性特征，能更加接近圖像的高級語義特征。深度學習一個最廣泛的應用就是卷積神經網絡(CNN)，然而它采用傳統BP訓練，存在收斂速度慢、易陷入局部最優、密集人工干預等缺點。2015年黃廣斌等人在極限學習機(英文縮寫為ELM)基礎上受CNN的思想的啟發，構建了基于局部感受野的極限學習機(英文縮寫為ELM-LRF)，訓練時間較CNN大大減小，分類精度也很高，但由于網絡的輸入權重是隨機產生的，穩定性有待增強。

本發明提出了一種粒子群優化的ELM-LRF圖像分類方法，利用粒子群算法優化選擇ELM-LRF的輸入層權值，并在數據庫Caltech 101dataset上與其他算法比較，實驗結果表明基于粒子群優化的ELM-LRF圖像分類方法不僅提高了原始方法的穩定性，還充分發揮粒子群的全局優化能力，大大提高了分類精度。

發明內容

本發明提出的基于粒子群優化的局部感受野極限學習機(IPSO-ELM-LRF)圖像分類方法針對圖像強的局部關系，運用ELM-LRF算法，并對ELM-LRF中隨機生成初始權重Ainit部分運用PSO算法進行優化，從而得到最優參數的ELM-LRF圖像分類方法。

粒子群算法(PSO)又叫鳥群算法，其思想源于鳥群覓食行為，每個粒子代表一組可能的解，所有的粒子組成一個群體，粒子在空間中根據自身的歷史信息和群體的歷史信息決定自己的速度和位置，直到找到問題的最優解。

本發明的技術方案如下：

1)將圖像轉化為d×d大小，(d為32dip或28dip)，之后將圖像灰度化、歸一化作為圖像集，之后將圖像集劃分為訓練圖像集和測試圖像集；

2)產生初始種群：根據感受野大小(r×r)和特征圖數量K，(其中r＜d,且r為正整數，K為小于60的正整數)產生的初始粒子維數為D＝(r×r)·K，這D維即為IPSO-ELM-LRF方法中K個特征圖所對應的網絡初始權重之后采用奇異值分解(SVD)將初始權重Ainit正交化，記正交化的結果為A，A中每一列αk都是Ainit的一組正交基；

3)計算粒子對應的特征圖矩陣，計算公式為：