[發明專利]基于極限學習機的深度聚集式分類方法及系統

在審

• 申請號: 201910121909.5
• 申請日: 2019-02-19
• 公開（公告）號: CN109816046A
• 公開（公告）日: 2019-05-28
• 發明（設計）人: 薛偉;周塔;楊平樂;杜曉明;張鑫;祝榮泉
• 申請（專利權）人: 張家港江蘇科技大學產業技術研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京利豐知識產權代理事務所(特殊普通合伙) 32256
• 代理人: 王鋒

1.一種基于極限學習機的深度聚集式分類方法，其特征在于，包含如下步驟：

S1、構建基于極限學習機的ELM分類器；

S2、通過堆疊泛化原理，以單隱層ELM分類器為基礎分類器，逐層構建G-ELM深度聚集式分類模型，通過擇優機制不斷淘汰分類精度較低的ELM分類器，使G-ELM深度聚集式分類模型朝高精度聚集中心聚集。

2.根據權利要求1中所述的基于極限學習機的深度聚集式分類方法，其特征在于，步驟S1中所述構建ELM分類器的步驟包括：

S11、給定訓練樣本x_i＝[x_i1,x_i2,...,x_id],t_i∈R^c，其中d為特征數，c是訓練樣本類別數，設定隱含節點個數L、激勵函數g、隨機產生輸入層到隱含層的連接權值W＝[w₁,w₂,...,w_L],l＝1,2,...,L及隱層的偏置B＝[b₁,b₂,...,b_L]；

S12、獲取隱含層的輸出矩陣H

S13、生成單位矩陣I，并根據給定的參數s，獲取隱含層的輸出權值

S14、計算ELM分類器的分類結果為Y＝Hβ。

3.根據權利要求2所述的基于極限學習機的深度聚集式分類方法，其特征在于，所述激勵函數g為一個在任意區間無限可微的函數，激勵函數是sine函數、cosine函數、sigmoid函數，threshold函數和RBF函數中的任意一種。

4.根據權利要求1所述的基于極限學習機的深度聚集式分類方法，其特征在于，步驟S2中所述構建G-ELM聚集式分類模型的具體步驟包括：

S21、初始化G-ELM深度聚集式分類模型的第一層所包含的n個ELM基礎分類器，分別以X作為第一層中所有ELM基礎分類器的訓練集X′_k＝X，K是模型當前層基礎分類器的個數，其中，在G-ELM深度聚集式分類模型的第一層中K＝n；

S22、將第一層的n個基礎分類器按兩個一組進行分組，每組中ELM基礎分類器分別對訓練集X′_k進行分類；

S23、將每組產生的分類結果送入max比較器，通過max比較器淘汰精度較低的分類結果，擇取高精度的分類結果送入∑求和器中；

S24、∑求和器同時接收訓練集X，采用堆棧泛化原理，將max比較器擇取的分類結果y_k進行泛化，進而堆疊到原始訓練集X進中，作為第二層ELM基礎分類器的訓練集，訓練集為X″_k＝X+α×y_k×v_k,k＝1,2,...,K，K是當前層分類器個數，其中，第二層中K＝n/2，α為常數，v_k為泛化矩陣，組成元素在0到1中隨機生成；

S25、對當前層的分類精度與上一層的分類精度進行比較，若當前層的分類精度小于預先設定的終止閥值，則G-ELM深度聚集式分類模型停止訓練，若當前層的分類精度大于或等于預先設定的終止閥值，則以當前層為第一層重復步驟S22～S24。

5.根據權利要求4所述的基于極限學習機的深度聚集式分類方法，其特征在于，所述步驟S22中ELM分類器兩個一組進行組合，第一層中ELM分類器的數量n為2^a，a為正整數。

6.根據權利要求5所述的基于極限學習機的深度聚集式分類方法，其特征在于，所述步驟S23中第一層高精度的分類結果為k＝1,2,...,K，其中，y₁、y₂、…y_K分別為每組ELM分類器中高精度的分類結果，其中，K＝n/2。

7.根據權利要求4所述的基于極限學習機的深度聚集式分類方法，其特征在于，所述步驟S24前還包括創建若干總線，步驟S24中∑求和器的前端通過總線接收訓練集X。