[发明专利]一种基于状态转移极限学习机的图像分类方法

说明书

本发明公开了一种基于状态转移极限学习机的图像分类方法，通过将传统极限学习机的网络结构与状态转移算法相结合，在求解输出权重矩阵的时候利用不同的状态变换算子进行状态更新，不断向优化目标靠近得到输出权重矩阵，在保留传统极限学习机网络结构简单与随机生成参数等特点的同时，可在图像分类方面具有更好的训练精度，并且模型训练耗费时间更少，这为机器学习算法及图像分类的改进优化提供了新思路和新途径。

技术领域

本发明属于基于机器学习算法的图像分类技术领域，具体涉及一种基于状态转移极限学习机的图像分类方法。

背景技术

图像识别技术是人工智能研究的重点领域之一。在视频监控、人机交互、交通监控、行为识别、自动导航等方面都有大量成功应用的例子。目前己经形成了许多有价值的目标识别方法。一般来说，基于模型的图像识别过程，主要包括图像预处理、基于模型的特征提取、特征优化及图像分类等多个步骤。

状态转移算法是一种新型的随机性全局优化方法，状态转移算法的特点在于将最优化问题的一个解看成是一个状态，而解的更新迭代过程看成状态转移的过程，该算法抓住了最优化算法的本质、目的和要求，以全局性、最优性、快速性、收敛性、可控性五大核心结构要素为体系框架。与大多数基于种群的智能优化算法不同，基本的状态转移算法是一种基于个体的只能优化算法。

极限学习机(Extreme Learning Machine，ELM)是一种单隐藏层的前馈神经网络算法，由于其结构简单、训练时输入权重和偏差可以随机产生以及通过求解线性方程组的最小范数解来确定输出权重的特点，ELM算法相较于许多传统算法可以在保证学习准确率的基础上拥有更快的训练速度以及更好的泛化能力，被越来越多的应用于图像识别领域。传统的ELM算法虽然有网络结构简单、设置参数较少以及相对于多层神经网络训练速度较快的优点，但是由于其单层网络结构和参数随机性的特点，其训练出的学习模型的精度具有很大的不稳定性。同时求解输出权重矩阵采用的求解Moore-Penrose广义逆的方法也有一定的缺陷，该方法会导致运算时间过长以及部分情况下图像分类准确率较低。

综上所述，现有的基于机器学习的图像分类方法主要存在由模型过于简单所导致的分类精度较差，及由模型不合理所导致的分类效率较低等问题。

发明内容

有鉴于此，本发明提供了一种基于状态转移极限学习机的图像分类方法，能够在现有基于极限学习机的图像分类方法的基础上实现效率更高、准确度更高的图像分类。

本发明提供的一种基于状态转移极限学习机的图像分类方法，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；