[發(fā)明專利]一種基于狀態(tài)轉(zhuǎn)移極限學(xué)習(xí)機(jī)的圖像分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111013063.7
• 申請(qǐng)日: 2021-08-31
• 公開（公告）號(hào): CN113723517A
• 公開（公告）日: 2021-11-30
• 發(fā)明（設(shè)計(jì)）人: 李鈺祥;鄒偉東;夏元清;李慧芳;張金會(huì);翟弟華;戴荔;劉坤;閆莉萍
• 申請(qǐng)（專利權(quán)）人: 北京理工大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N20/00
• 代理公司: 北京東方昭陽知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11599
• 代理人: 方蘭

1.一種基于狀態(tài)轉(zhuǎn)移極限學(xué)習(xí)機(jī)的圖像分類方法，其特征在于，包括以下步驟：

步驟1、采集圖像數(shù)據(jù)形成訓(xùn)練樣本集，所述訓(xùn)練樣本集的元素記為：(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；

步驟2、結(jié)合極限學(xué)習(xí)機(jī)與狀態(tài)轉(zhuǎn)移算法，構(gòu)建基于狀態(tài)轉(zhuǎn)移極限學(xué)習(xí)機(jī)的圖像分類模型，所述圖像分類模型由m維的輸入層、含有n個(gè)節(jié)點(diǎn)的隱藏層及含有l(wèi)個(gè)節(jié)點(diǎn)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(gè)隱藏層節(jié)點(diǎn)與輸入層節(jié)點(diǎn)的輸入權(quán)重向量，β_i1＝[β_i1,β_i2,···,β_il]為連接第i個(gè)隱藏層節(jié)點(diǎn)與輸出層節(jié)點(diǎn)的輸出權(quán)重矩陣，b_i為第i個(gè)隱藏層節(jié)點(diǎn)的偏置矩陣，g(w,x,b)為激活函數(shù)；所述輸入權(quán)重矩陣和偏置矩陣均為隨機(jī)生成；

步驟3、采用所述步驟1生成的訓(xùn)練樣本完成對(duì)所述圖像分類模型的訓(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)練得到的所示圖像分類模型，即可得到待分類圖像所屬的類型。

2.根據(jù)權(quán)利要求1所述的圖像分類方法，其特征在于，所述步驟3將所述公式(1)變換為公式(2)所示：

Hβ＝T (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：

通過求解線性矩陣方程公式(2)即可得到輸出權(quán)重的最小二乘解，完成所述圖像分類模型的訓(xùn)練。