[发明专利]一种基于状态转移极限学习机的图像分类方法

权利要求书

1.一种基于状态转移极限学习机的图像分类方法，其特征在于，包括以下步骤：

步骤1、采集图像数据形成训练样本集，所述训练样本集的元素记为：(x,t)，其中，x为图像的特征向量，x＝[x₁,x₂,···,x_m]^T∈R，m为特征维数；t为图像的标签向量，t＝[t₁,t₂,···,t_l]^T∈R，l为标签维度；

步骤2、结合极限学习机与状态转移算法，构建基于状态转移极限学习机的图像分类模型，所述图像分类模型由m维的输入层、含有n个节点的隐藏层及含有l个节点的输出层组成，如公式(1)所示：

其中，w_i＝[w_i1,w_i2,···,w_im]^T表示连接第i个隐藏层节点与输入层节点的输入权重向量，β_i1＝[β_i1,β_i2,···,β_il]为连接第i个隐藏层节点与输出层节点的输出权重矩阵，b_i为第i个隐藏层节点的偏置矩阵，g(w,x,b)为激活函数；所述输入权重矩阵和偏置矩阵均为随机生成；

步骤3、采用所述步骤1生成的训练样本完成对所述图像分类模型的训练；

步骤4、应用中，将待分类图像的特征向量输入所述步骤3训练得到的所示图像分类模型，即可得到待分类图像所属的类型。

2.根据权利要求1所述的图像分类方法，其特征在于，所述步骤3将所述公式(1)变换为公式(2)所示：

Hβ＝T (2)

其中，β＝[β₁,β₂,···,β_n]^T；T＝[t₁,t₂,···,t_M]^T；H为隐藏层输出矩阵，表示为：

通过求解线性矩阵方程公式(2)即可得到输出权重的最小二乘解，完成所述图像分类模型的训练。