资源描述：
《在线极限学习机及其在图像识别中的应用_杨晶晶》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、ElectronicSecurity责任编辑：万翀在线极限学习机及其在图像识别中的应用ApplicationofOP-ELMinImageRecognition杨晶晶广东电网公司信息部（广东广州510630）法复杂度较大，学习时间过长，并不摘要：针对海量图像数据的识别问题，本文提出了在线极限学习机（online适合于大型数据集。在单隐层前馈神optimizedELM，OP-ELM）。OP-ELM以单隐层前馈神经网络（single[2]经网络基础上，我们提出了在线极hiddenlayerfeedforwardnetworks
2、，SLFNs）为基础，固定了隐含节点数以限学习机（OnlineOptimizedExtreme及节点参数，在在线增量学习过程中综合考虑历史数据和新数据，产生全LearningMachine，OP-ELM）。OP-局唯一的最优解，降低了计算资源的需求，继承了极限学习机（ExtremeELM以单隐层前馈神经网络SLFNs为LearningMachine，ELM）学习速度快泛化性能好的优点。因此非常适合于基础，继承了极限学习机（Extreme海量图像数据的在线学习问题。在公开图像数据集Caltech4和Scene13上的[3]L
3、earningMachine，ELM）不需要调实验表明，本文提出的方法取得了与前沿离线识别方法性能相当的识别效整网络的输入权值以及隐元的偏置，果，与基于SVM的在线学习方法LA-SVM相比，在参数规模、参数调节以学习速度快泛化性能好的优点；另一及学习算法效率方面具有明显优势。方面，OP-ELM通过将历史数据知识关键词：图像识别；极限学习机；算法固化到隐含节点输出矩阵中，降低了DOI:10.3969/j.issn.1005-5517.2012.4.017计算资源的要求，综合考虑历史数据引言图像数据的增长速度。面对如此海量和新
4、数据，产生全局唯一的最优解。随着科学技术尤其是多媒体技的图像数据，现有的图像分类模型和本文后续内容的组织结构如下：术的进步与发展，人们生活中触手可方法在计算效率和泛化能力方面面临第一章介绍图像分类问题中，极限学及的图像数据呈现出爆炸式的增长趋严峻挑战。习机的模型及方法的背景知识；第二势。然而，由于图像底层特征和高层虽然神经网络、支持向量机、章给出本文提出的在线极限学习机模[1]语义之间的语义鸿沟，目前图像内核学习等学习已在图像分析领域取得型及训练方法；第三章是实验设定及容分析和识别技术的发展远远落后于了广泛的应用，但这些方
5、法的训练算实验结果分析；第四章对本文进行了图1Scene13和Caltech4数据集示例图2OP-ELM在不同隐含节点数目图3OP-ELM与LA-SVM在不同批下的性能变化次训练数据上的性能对比www.eepw.com.cn2012.4913064安防电子责任编辑：万翀小结。表1OP-ELM与LA-SVM在性能和计算速度上的对比情况方法数据集识别率(%)计算时间(s)LA-SVMCaletch497.464极限学习机（ELM）LA-SVMScene1370.126给定一个包含N个样本的MOP-ELMCaltech496.5
6、32OP-ELMScene1373.481N类图像训练数据集{xi,ti}i=1，其中表2Scene13数据集上，OP-ELM与其他方法的对比情况Tnx=[x,x,x]∈R为样本i的底ii1i2in方法每类的训练样本数底层特征识别率(%)TM层特征，ti=[ti1,ti2,]tRiM∈对文献[5]的方法100底层灰度特征64.0应于该样本在M类图像的标签，并且OP-ELM100底层灰度特征70.51文献[8]的方法150底层灰度特征+颜色特征74.9t∈{0,1},j=1,...,M。基于L个隐含ij底层灰度特征+颜色
7、特征+位文献[8]的方法15091.1节点和L个隐含节点对应的激励函数置信息L{(,gab,)}x的ELM可以利用图像*****{a,b}Ljjj=1
8、
9、H(,...,aa1L,bb1,...,L,xa1,...,N)β−T
10、
11、另外，隐含节点参数jjj=1可随机的底层特征以零误差地逼近图像对应=min
12、
13、Haabbxa(,...,,,...,,,...,)β−T
14、
15、1L1L1Nabi,i,β生成，ELM只需要调节隐含节点数的标签：(5)L，因此极大地缓解了模型参数调节L∑βjgj(,,)ajbjxtii=,i=1,...,
16、N(1)文献[3]中证明，给定任意随机的工作负担。j=1L生成的隐含节点参数{aj,bj}j=1和可微在ELM中，gj(aj,bj,xi)一般定在线极限学习机（OP-ELM）响应函数G()�，SLFNs的隐含节点输出义为加性函数或者RBF函数：矩阵H可逆，而且‖Hβ－Y‖＝0。随着样本规模增加，公式(4
