[发明专利]一种基于自动编码机-超限学习机的多维度数据特征识别方法

说明书

本发明属于数据特征识别技术领域，特别涉及一种基于自动编码机‑超限学习机的多维度数据特征识别方法；其一种基于自动编码机‑超限学习机的多维度数据特征识别方法，包括如下步骤：S1：获取多维度物体的原始数据，并对获取的原始数据进行预处理；S2：基于预处理后的原始数据训练自动编码机‑超限学习机模型并建立自动编码机‑超限学习机模型。本发明提供一种新的基于自动编码机‑超限学习机的多维度数据特征识别方法，可以对任意维度的数据进行特征提取和识别；将卷积神经网络的局部不变性和自动编码机良好的表达能力结合在一起，利用超限学习机训练速度快、获取特征准的特点，可以很好的应对大规模且多维度数据特征识别的挑战。

技术领域

本发明属于数据特征识别技术领域，特别涉及一种基于自动编码机-超限学习机的多维度数据特征识别方法。

背景技术

近年来,深度学习成为机器学习和计算机视觉中的研究热点.超限学习机是当前最为流行的深度神经网络.自动编码机(Auto-Encoder)是一种无监督的神经网络，其目的在于尽可能重构输入信号。自动编码机就必须捕捉可以代表输入数据的最重要的特征,将数据中最重要的部分提取出来。超限学习机器(Extreme Learning Machine，ELM)是一种神经网络算法，被广泛用于脑机交互，人机交互，图像处理，人脸识别，人的姿势手语识别，手写体识别，目标识别，卫星图象实时远程遥感，网络安全，从低分辨率图像构造超分辨率图像等等。

机器学习算法的成功源于数据的特征表示。特征表示能够反映数据的本质属性和数据之间的相互关系。数十年来,针对一个新问题或者一个新的数据集,通常需要人工设计一种新的特征表示，但是随着互联网上的数据量和数据的复杂程度不断增加,这种做法显然不是最合理的选择.因此，通过机器学习算法自身能够学习出最适合的特征表示，已成为研究者追求的目标。在这股研究浪潮中,深度神经网络成为其中的佼佼者,其神经元的可视化在一定程度上反映了其特征表示，研究者不断提出不同的深度神经网络结构来进行特征学习,其中以卷积神经网络(convolut ional neural network,CNN),深度自动编码机网络(deep auto-encoder networks),深度置信网络(deep belief nets,DBN)等为典型代表。

计算机辅助设计与图形学学报刊登的基于卷积-自动编码机的三维形状特征学习，将卷积神经网络和自动编码机两种网络结构结合起来，利用该方法提取的特征在三维模型分类和三维物体检测等任务重都取得了良好的效果；但是该方法只适用于二维和三维的数据，使用范围窄。

发明内容

针对上述问题，本发明提供一种新的基于自动编码机-超限学习机的多维度数据特征识别方法，该基于自动编码机-超限学习机的多维度数据特征识别方法可以对任意维度的数据进行识别，并且可以提高模型的训练速度。

本发明具体技术方案如下：

本发明提供一种基于自动编码机-超限学习机的多维度数据特征识别方法，包括如下步骤：

S1：获取多维度物体的原始数据，并对获取的原始数据进行预处理；

S2：基于预处理后的原始数据训练自动编码机-超限学习机模型并建立自动编码机-超限学习机模型；

S3：获取待检测物体的测试数据，并将测试数据处理后输入到训练好的自动编码机-超限学习机模型中，得到测试数据的特征映射H_Test；

S4：根据得到的特征映射H_Test计算出测试数据的标签。

进一步的改进，步骤S1包括如下步骤：

S11：将获取的原始数据进行归一化处理；

S12：将归一化处理的数据进行均匀采样处理；