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！

摘要：本发明公开了一种基于STA‑ADMM的极限学习机的图像分类方法，通过将极限学习机的网络结构与基于状态转移的ADMM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以及ADMM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STA-ADMM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、结合极限学习机、交替方向乘子法以及状态转移算法，构建基于STA-ADMM的极限学习机的图像识别模型，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矩阵，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；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生成的所述训练集，利用基于STA-ADMM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STA-ADMM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、给定初始值β、Zk、Uk均为n×M维且其元素值都在0，1之间的随机矩阵，设置ADMM的循环次数TM、参数ζ，记H′＝HTH+ζIn×n-1，其中HT表示矩阵H的转置，In×n表示一个n×n维的单位阵，β表示极限学习机每一次迭代更新的输出权重矩阵，β＝[β1,β2,···,βn]T；Zk、Uk均为优化变量；步骤3.2.1、初始时，记β为βbest，设定STA参数，设置STA循环次数m＝0；步骤3.2.2、按以下公式更新βbest：βbest＝H′HTT+ζZk-Uk同时令TM←TM-1；给定优化目标函数fZk＝||βbest-Zk||2；步骤3.2.3、令m自加1，若α＜1×10-4，则令α＝1，执行步骤3.3，否则直接执行步骤3.3；步骤3.3、定义旋转、平移、伸缩、轴向四种变换算子，使初始状态Zk通过四种变换算子进行状态迭代更新，直到优化目标满足要求或达到设定的迭代次数时停止，得到Zk，根据Zk得到输出权重矩阵β；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STA-ADMM的极限学习机的图像分类方法