[發(fā)明專利]一種基于自適應(yīng)矩陣迭代極限學(xué)習(xí)機的圖像識別方法

有效

• 申請?zhí)枺?/td>: 202110675498.1
• 申請日: 2021-06-18
• 公開（公告）號: CN113408610B
• 公開（公告）日: 2022-10-25
• 發(fā)明（設(shè)計）人: 李鈺祥;鄒偉東;夏元清;李慧芳;張金會;翟弟華;戴荔;劉坤;閆莉萍
• 申請（專利權(quán)）人: 北京理工大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06N20/00;G06F17/16
• 代理公司: 北京東方昭陽知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11599
• 代理人: 方蘭

1.一種基于自適應(yīng)矩陣迭代極限學(xué)習(xí)機的圖像識別方法，其特征在于，包括以下步驟：

步驟1、對采集到的圖像數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理得到圖像的特征向量，并確定圖像的標(biāo)簽，所述圖像數(shù)據(jù)集中的元素記為：(x,t)，其中，x為圖像的特征向量，x＝[x₁,x₂,…,x_m]^T∈R，m為特征維數(shù)；t為圖像的標(biāo)簽向量，t＝[t₁,t₂,…,t_l]^T∈R，l為標(biāo)簽維度；將所述圖像數(shù)據(jù)集劃分為測試集和訓(xùn)練集；

步驟2、結(jié)合極限學(xué)習(xí)機與自適應(yīng)的矩陣迭代方式，構(gòu)建基于自適應(yīng)矩陣迭代極限學(xué)習(xí)機的圖像識別模型，所述圖像識別模型的網(wǎng)絡(luò)結(jié)構(gòu)由m維的輸入層、含有n個節(jié)點的隱藏層及含有l(wèi)個節(jié)點的輸出層組成，如公式(1)所示：

其中，w_i＝[w_i1,w_i2,…,w_im]^T表示連接第i個隱藏層節(jié)點與輸入層節(jié)點的輸入權(quán)重向量，β_i＝[β_i1,β_i2,…,β_il]為連接第i個隱藏層節(jié)點與輸出層節(jié)點的輸出權(quán)重矩陣，b_i為第i個隱藏層節(jié)點的偏置矩陣，g(w,x,b)為激活函數(shù)；輸入權(quán)重矩陣和偏置矩陣均為隨機生成；

步驟3、采用所述步驟1生成的所述訓(xùn)練集，利用矩陣迭代方式求解輸出權(quán)重矩陣，完成對所述圖像識別模型的訓(xùn)練；

步驟4、應(yīng)用中，將待分類圖像的特征向量輸入所述步驟3訓(xùn)練得到的所述圖像識別模型，即可得到所述待分類圖像的類型；

所述步驟3中利用矩陣迭代方式求解輸出權(quán)重矩陣，完成對所述圖像識別模型的訓(xùn)練，包括以下步驟：

步驟3.1、選定包含M個樣本的訓(xùn)練集，記為：(x_i,t_i),i＝1,2,…M，其中x_i＝[x_i1,x_i2,…,x_im]^T∈R，t_i＝[t_i1,t_i2,…,t_il]^T∈R；將所述訓(xùn)練集輸入所述圖像識別模型；

步驟3.2、利用矩陣迭代方式求解所述圖像識別模型的輸出權(quán)重矩陣，將所述公式(1)轉(zhuǎn)換為公式(2)所示：

β(k)＝(I_M-μN^-1H^TH)β(k-1)+μN^-1H^TT (2)

其中，β＝[β₁,β₂,…,β_n]^T；T＝[t₁,t₂,…,t_M]^T；H為隱藏層輸出矩陣，表示為：k為迭代次數(shù)，μ為收斂因子，N為矩陣H^TH的對角矩陣；I_M為M維的單位矩陣；

采用自適應(yīng)方式確定所述收斂因子μ的取值，如公式(3)所示：

其中，λ_max[N^-1H^TH]為矩陣N^-1H^TH的特征值中的最大值，λ_min[N^-1H^TH]為矩陣N^-1H^TH的特征值中的最小值；

由所述公式(2)和(3)即可求解出輸出權(quán)重矩陣β；

步驟3.3、使用所述測試集對所述圖像識別模型進行測試，若所述圖像識別模型的準(zhǔn)確率達(dá)標(biāo)，則完成所述圖像識別模型的訓(xùn)練；否則，執(zhí)行步驟3.1。

2.根據(jù)權(quán)利要求1所述的圖像識別方法，其特征在于，所述圖像數(shù)據(jù)集中圖像的特征向量均經(jīng)過歸一化處理。