[發明專利]一種基于狀態轉移極限學習機的圖像分類方法

在審

• 申請號: 202111013063.7
• 申請日: 2021-08-31
• 公開（公告）號: CN113723517A
• 公開（公告）日: 2021-11-30
• 發明（設計）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）人: 北京理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 北京東方昭陽知識產權代理事務所(普通合伙) 11599
• 代理人: 方蘭

本發明公開了一種基于狀態轉移極限學習機的圖像分類方法，通過將傳統極限學習機的網絡結構與狀態轉移算法相結合，在求解輸出權重矩陣的時候利用不同的狀態變換算子進行狀態更新，不斷向優化目標靠近得到輸出權重矩陣，在保留傳統極限學習機網絡結構簡單與隨機生成參數等特點的同時，可在圖像分類方面具有更好的訓練精度，并且模型訓練耗費時間更少，這為機器學習算法及圖像分類的改進優化提供了新思路和新途徑。

技術領域

本發明屬于基于機器學習算法的圖像分類技術領域，具體涉及一種基于狀態轉移極限學習機的圖像分類方法。

背景技術

圖像識別技術是人工智能研究的重點領域之一。在視頻監控、人機交互、交通監控、行為識別、自動導航等方面都有大量成功應用的例子。目前己經形成了許多有價值的目標識別方法。一般來說，基于模型的圖像識別過程，主要包括圖像預處理、基于模型的特征提取、特征優化及圖像分類等多個步驟。

狀態轉移算法是一種新型的隨機性全局優化方法，狀態轉移算法的特點在于將最優化問題的一個解看成是一個狀態，而解的更新迭代過程看成狀態轉移的過程，該算法抓住了最優化算法的本質、目的和要求，以全局性、最優性、快速性、收斂性、可控性五大核心結構要素為體系框架。與大多數基于種群的智能優化算法不同，基本的狀態轉移算法是一種基于個體的只能優化算法。

極限學習機(Extreme Learning Machine，ELM)是一種單隱藏層的前饋神經網絡算法，由于其結構簡單、訓練時輸入權重和偏差可以隨機產生以及通過求解線性方程組的最小范數解來確定輸出權重的特點，ELM算法相較于許多傳統算法可以在保證學習準確率的基礎上擁有更快的訓練速度以及更好的泛化能力，被越來越多的應用于圖像識別領域。傳統的ELM算法雖然有網絡結構簡單、設置參數較少以及相對于多層神經網絡訓練速度較快的優點，但是由于其單層網絡結構和參數隨機性的特點，其訓練出的學習模型的精度具有很大的不穩定性。同時求解輸出權重矩陣采用的求解Moore-Penrose廣義逆的方法也有一定的缺陷，該方法會導致運算時間過長以及部分情況下圖像分類準確率較低。

綜上所述，現有的基于機器學習的圖像分類方法主要存在由模型過于簡單所導致的分類精度較差，及由模型不合理所導致的分類效率較低等問題。

發明內容

有鑒于此，本發明提供了一種基于狀態轉移極限學習機的圖像分類方法，能夠在現有基于極限學習機的圖像分類方法的基礎上實現效率更高、準確度更高的圖像分類。

本發明提供的一種基于狀態轉移極限學習機的圖像分類方法，包括以下步驟：

步驟1、采集圖像數據形成訓練樣本集，所述訓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；t為圖像的標簽向量，t＝[t₁,t₂,···,t_l]^T∈R，l為標簽維度；

步驟2、結合極限學習機與狀態轉移算法，構建基于狀態轉移極限學習機的圖像分類模型，所述圖像分類模型由m維的輸入層、含有n個節點的隱藏層及含有l個節點的輸出層組成，如公式(1)所示：

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