[发明专利]一种改进的极速学习装置及其模式分类方法

权利要求书

1.一种改进的极速学习装置，其特征在于，该装置分为输入层、隐含层和输出层，输入层为输入到装置的处理后的样本数据，在学习训练过程，每条样本数据会带有相应的所属类别标签，在测试过程，该装置能够输出预测所属类别标签；在隐含层，装置需要生成受限的权向量，用于隐含层的特征映射；在隐含层中，该装置会依据先前设置的激活函数，以及生成的受限的权向量，对样本做相应的变换；在学习训练过程，装置会计算出输出层的权值；在测试过程，装置会按照训练阶段得出的权值，返回预测类别标签，其中生成受限的权向量包括步骤1，从样本数据中随机抽取两个样本向量Xi1和Xi2，并生成两个[-1，1]之间的随机数wi1和wi2；

步骤2，生成一个随机权向量Wi＝wi1*Xi1+wi2*Xi2,将其归一化为Wi＝Wi/||Wi||，||Wi||为Wi的范数，作为从输入层到隐含层第i个神经元之间的连接权；

步骤3，循环步骤1和步骤2，直到生成p个Wi；

步骤4，根据p个Wi，构成受限的权矩阵W¹＝[W1,W2,…,Wp]’。

2.一种改进的极速学习装置的模式分类方法，其特征在于，该方法包括学习训练过程和测试过程两个过程，其中学习训练过程包括：

S1数据采集步骤，对数据进行统一化，得到类别向量并存储在样本矩阵中；

S2预处理步骤，对数据样本进行预处理，对数据提取特征，以及对样本矩阵进行归一化操作；

S3训练步骤，具体包括：

步骤S31，装置的初始化，用来初始化装置的参数；

步骤S32，对类别向量扩展为类别矩阵；

步骤S33，选取p个受限的权向量；

步骤S34，利用生成的受限的权向量，计算隐含层输出矩阵H；

步骤S35，获得装置参数受限的权矩阵和输出连接权值β，输出类别矩阵T＝Hβ；

测试过程包括：

S4数据采集步骤，对数据进行统一化，得到类别向量并存储在样本矩阵中；

S5预处理步骤，对数据样本进行预处理，对数据提取特征，以及对样本矩阵进行归一化操作；

S6测试步骤，具体包括：

步骤S61，计算隐含层输出矩阵；

步骤S62，利用学习训练过程的输出连接权值，得到预测输出类别矩阵；

步骤S63，由预测输出类别矩阵得到预测输出类别向量；

S7预测步骤，根据预测输出类别向量，得到预测输出类别。

3.如权利要求2所述改进的极速学习装置的模式分类方法，其特征在于，步骤S33具体包括：

步骤1，从训练样本库中随机抽取两个样本向量Xi1和Xi2，并生成两个[-1，1]之间的随机数wi1和wi2；

步骤2，生成一个随机权向量Wi＝wi1*Xi1+wi2*Xi2,将其归一化为Wi＝Wi/||Wi||，||Wi||为Wi的范数，作为从输入层到隐含层第i个神经元之间的连接权；

步骤3，循环步骤1和步骤2，直到生成p个Wi；

步骤4，根据p个Wi，构成受限的权矩阵W¹＝[W1,W2,…,Wp]’。

4.如权利要求2或3所述的改进的极速学习装置的模式分类方法，其特征在于，步骤S34中，该隐含层输出矩阵H＝[Φ(W¹,x1),Φ(W¹,x2),…,Φ(W¹,xn)]’，其中Φ(W¹,xi)＝1/exp(W¹，xi)，xi为样本矩阵的一行向量，n为正整数。

5.如权利要求3所述的改进的极速学习装置的模式分类方法，其特征在于，步骤4包括通过隐含层作用后矩阵的广义逆和隐含层输出矩阵相乘，获得输出层的权值。

6.如权利要求3所述的改进的极速学习装置的模式分类方法，其特征在于，随机数wi1，wi2按照均匀分布，或者高斯分布来生成。

7.如权利要求2所述的改进的极速学习装置的模式分类方法，其特征在于，该数据包括图像信号数据、语音信号数据。