[发明专利]基于多尺度局部感受野在线顺序极限学习机的分类方法

说明书

本发明公开了一种基于多尺度局部感受野在线顺序极限学习机的分类方法，属于图像处理领域，主要应用于图像分类，它主要包含两个部分，分别为：基于多尺度局部感受野的初始学习阶段以及基于多尺度局部感受野的在线学习阶段。本发明基于多尺度局部感受野在线顺序极限学习机的算法（MSLRF+OSELM）用于分类，它不仅可以使用在线生成的图像数据进行动态训练，而且可以通过多尺度局部感受野提取高度代表性的复杂纹理的特征，从而大大提高了分类的精度，具有很好的实际使用价值。

技术领域

本发明属于图像处理领域，具体涉及一种基于多尺度局部感受野在线顺序极限学习机的分类方法。

背景技术

近年来，表面材料的分类引起了学术界和工业界的广泛关注。传统学者利用静态数据对表面材料进行分类。但是，在实际工业生产中，数据不可能在一夜之间产生，它是连续生成的，会陆续产生大量数据。而当代在线学习是从工业革命中发展起来的技术，以取代廉价劳动力并减少工人的工作量。Huang GB等人(Huang GB,Bai Z,Kasun LLC,etal.Local receptive fields based extreme learning machine[J].IEEEComputational Intelligence Magazine.2015；10(2):18-29.)提出了一种基于局部感受野极限学习机的分类算法，该方法有很好的分类性能，但是由于局部感受野尺度的单一性不能得到很完整的图像特征，大大影响了分类的性能。Liang N Y等人(Liang N Y,Huang GB,Saratchandran P,et al.A fast and accurate online sequential learningalgorithm for feedforward networks.[J].IEEE Trans Neural Netw,2006,17(6):1411-23.)提出了一种快速、准确的前馈网络在线顺序学习算法。该方法利用极限学习机的思想开发了批量学习的方法，其具有很好的分类性能。但是如何从图像中提取有用信息是一个主要问题。

发明内容

由于现有图像数据分类对静态图像数据的过度依赖性会导致分类准确率低及分类耗时长，故提出本发明用于解决该问题，同时为了弥补在单一尺度局部感受野方法上特征提取的局限性，提出了一种基于多尺度局部感受野在线顺序极限学习机的方法。

本发明是采用如下技术方案实现的：

一种基于多尺度局部感受野在线顺序极限学习机的分类方法，主要包括两个部分，分别为基于多尺度局部感受野的初始学习阶段以及基于多尺度局部感受野的在线学习阶段，具体包括如下步骤：

步骤S1、基于多尺度局部感受野的初始学习阶段，即通过初始数据集D_p计算单隐层前馈神经网络的初始输出权重，设置p＝0。步骤如下：

步骤S11)、首先在matlab上使用相应函数通过降采样对图像进行RGB颜色三通道分离，并且分别获得R，G，B单通道图像向量。

步骤S12)、运用matlab，结合MSLRF+OSELM算法，在三个颜色通道上，各自随机产生S个尺度的初始权重，并对初始权重进行奇异值分解正交化，并以正交化后的初始权重对单隐层前馈神经网络的输入层的特征图和隐含层的特征图进行相连，生成图像特征。

采用奇异值正交分解的随机权重分布很均匀，可以提取更为完备的特征把分离的颜色向量，使得图像数据更加线性独立且容易分类。

步骤S13)、多尺度特征映射：使用由连续概率生成的多尺度局部感受野，对步骤S12)生成的图像特征进行卷积特征映射。

步骤S14)、多尺度池化：对卷积特征映射形成的组合节点的值进行平方根池化，而得到彩色子图像的底层特征。

平方根池化使神经网络具有平移不变性的优点。