买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学

摘要：本发明公开了一种基于跟踪微分器的极限学习机的图像分类方法，通过将跟踪微分器与极限学习机算法相结合，在求解输出权重矩阵的时候利用不同算子以及跟踪微分器原理对输出权重矩阵进行迭代更新，不断得到矩阵方程的更优解。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，可以在图像识别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识别的改进优化提供了新思路和新途径。

主权项：1.一种基于跟踪微分器的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、对采集到的图像进行数据预处理得到图像数据集，所述图像数据集中的元素记为：x,t，其中，x为图像的特征向量，x＝[x1,x2,···,xm]T∈R，m为特征维数；t为图像的标签向量，t＝[t1,t2,···,tl]T∈R，l为标签维度；将所述图像数据集划分为测试集和训练集；步骤2、结合跟踪微分器与极限学习机算法，构建基于TD-ELM的图像识别模型，所述图像识别模型的网络结构由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，wi＝[wi1,wi2,···,wim]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，βi＝[βi1,βi2,···,βil]为连接第i个隐藏层节点与输出层节点的输出权重矩阵，bi为第i个隐藏层节点的偏置矩阵，gw,x,b为激活函数；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生成的所述训练集，利用基于跟踪微分器的算法求解输出权重矩阵，完成对所述图像识别模型的训练；步骤4、应用中，将待分类图像的特征向量输入所述步骤3训练得到的所述图像识别模型，即可得到所述待分类图像的类型；所述步骤3中利用基于跟踪微分器的算法求解输出权重矩阵，完成对所述图像识别模型的训练，包括以下步骤：步骤3.1、选定包含M个样本的训练集，记为：xi,ti,i＝1,2,···M，其中xi＝[xi1,xi2,···,xim]T∈R，ti＝[ti1,ti2,···,til]T∈R；将所述训练集输入所述图像识别模型；步骤3.2、设置跟踪微分器的基本参数，给定初始值β0，计算所需的相关参数β1k，β2k，y1k，y2k；步骤3.3、基于跟踪微分器计算出参数β3k与y3k，迭代更新得到输出权重矩阵β，其中，β＝[β1,β2,···,βn]T；步骤3.4、使用所述测试集对所述图像识别模型进行测试，若所述图像识别模型的准确率达标，则完成所述图像识别模型的训练；否则，执行步骤3.1。

全文数据：

权利要求：

百度查询： 北京理工大学 一种基于跟踪微分器的极限学习机的图像分类方法