[发明专利]一种基于超限学习机与稀疏表示分类的改进方法

说明书

本发明公开了一种基于超限学习机与稀疏表示分类的改进方法。本发明步骤如下：1、随机产生隐层节点参数；2、计算出隐层节点输出矩阵，3、根据L和N的大小关系，采用不同的公式计算出连接隐层节点和输出神经元的输出权重4、计算出查询图片y的输出向量；5、对ELM输出向量ο中的极大值ο_f和次大值ο_s的差值进行判断，如果差值大于设定值，则求出输出向量中最大值对应的索引即为查询图片所属类别；否则进入步骤6；6、采用输出向量ο中k个最大值所对应的的训练样本，构造子字典，采用系数重构算法计算图片y的线性表示系数，计算残差并根据残差所对应的的类别确定查询图片的所属类。本发明计算量就会大大减少，实现较高的识别率，也能够大大降低计算复杂度。

技术领域

本发明属于图像分类领域，尤其涉及一种基于超限学习机与稀疏表示分类的改进方法。

背景技术

图像分类，也就是自动把输入图片归并到某一特定的类别中吸引了越来越广泛的关注，尤其是因为它在安全系统，医学诊断，人机交互等多个领域的应用。在过去的几年，从机器学习发展而来的一些技术在图像分类领域也产生了很大的影响。事实上，几乎过去提出的每一种方法都有它的优点和缺点。一个不可避免的问题就是计算复杂度和分类准确性的折中。换句话说，也就是不可能设计出一种在所有应用中在效率和识别率都最好的方法。为了解决这个问题，混合的系统应运而生，也就是集成了各种不同方法的优点从而形成一种更加有效的方法。

一个成功的图像分类系统至关重要的因素就是分类器。一个设计良好的分类器不会因为其他一些因素，例如不同的特征提取方法而受到影响。在过去的几十年中，人工神经网络由于可以随意设置输入参数而大大受益，不但学习速度比较快，而且也取得了更好的泛化性能。在它们之中，超限学习机(Extreme Learning Machine，ELM)被广泛的关注和研究。超限学习机(ELM)之所以如此受欢迎，是因为它具有快速的学习速度，实时处理的能力和神经网络的可测量性。除了超限学习机(ELM)，另一个也备受研究团体关注的是基于稀疏表示的分类(Sparse Representation based Classification，SRC)。稀疏表示分类(SRC)最开始是为了研究人类视觉神经元的稀疏表现，后来发现它在人脸识别，机器视觉和方向估计等方面也具有良好的表现。稀疏表示分类(SRC)是尽量找出来自同一类的样本图片之间的联系并且通过线性回归建立起待查询图片的稀疏表示系数。尽管ELM和SRC各自都有突出的优点，但是它们仍然存在一些缺点限制了它们在实际应用中的发展。实验表明ELM的学习速度很快，但是不能较好的处理噪声，SRC虽然可以较好的处理噪声但是付出了很大的计算代价。另外需要注意到的是一个设计良好的分类器不仅需要表现出较高的识别率，而且需要有较快的识别效率。既然超限学习机(ELM)和稀疏表示分类(SRC)各有优点，那么设计一种混合分类器就是合理的。实验表明，ELM-SRC在识别率方面比超限学习机(ELM)表现好，计算复杂度也比稀疏表示分类(SRC)降低了，但是由于使用了完备字典，超限学习机与稀疏表示分类(ELM-SRC)计算复杂度仍然是很高的。