[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

摘要

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。

主权项

1.一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，其特征在于：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Dp计算单隐层前馈神经网络的初始输出权重，设置p＝0；具体步骤如下：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；步骤S13)、多尺度特征映射：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；步骤S15)、全连接：将所有得到的彩色子图像的底层特征组合到一起，获得图像数据的底层特征；步骤S16)、计算初始输出权重；步骤S2、基于多尺度局部感受野的在线学习阶段，即利用单个样本或者样本数据块更新在初始阶段学习到的输出权重；具体步骤如下：步骤S21)、基于多尺度局部感受野的Dp+1数据集的在线多尺度特征映射，具体操作步骤与步骤S13)中的相同，其中S尺度通道，每个尺度通道的初始权重和偏置等于步骤S13)中的设置；步骤S22)、Dp+1数据集的在线多尺度池化，其中池化大小等于步骤S14)中参数的设置；步骤S23)、Dp+1数据集的全连接，将所有得到的彩色子图像的底层特征组合到一起，获得图像数据的底层特征；步骤S24)、计算Dp+1数据集的输出权重；步骤S25)、设置p＝p+1，确定Dp+1数据集是否是最后一个在线数据集，如果是，停止在线学习，反之重复步骤S21)‑步骤S24)；步骤S26)、计算最后一个在线数据集的输出权重。