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。

主权项：1.一种基于状态转移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、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,···,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；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，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，βi1＝[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；所述输入权重向量和偏置矩阵均为随机生成；步骤3、采用所述步骤1生成的训练样本完成对所述图像分类模型的训练；步骤4、应用中，将待分类图像的特征向量输入所述步骤3训练得到的所示图像分类模型，即可得到待分类图像所属的类型；所述步骤3将所述公式1变换为公式2所示：Hβ＝T2其中，β＝[β1,β2,···,βn]T；T＝[t1,t2,···,tM]T；H为隐藏层输出矩阵，表示为： 通过求解线性矩阵方程公式2即可得到输出权重的最小二乘解，完成所述图像分类模型的训练；采用状态转移算法求解所述输出权重矩阵，包括以下步骤：步骤3.1、初始时，随机产生初始输出矩阵β0，记β0为βbest，设置循环次数k的初始值为0；步骤3.2、令k自加1，若α＜1×10-4，则令α＝1，执行步骤3.3；否则执行步骤3.3；其中，α＞0为旋转因子；步骤3.3、对βbest做s次伸缩变换，得到s个βbest+1，选择使优化目标函数fβbest+1值最小的βbest+1为当前最优解，若βbest+1＝βbest,则执行步骤3.4；否则对βbest+1做s次平移变换，得到s个βbest+2，选择使优化目标函数fβbest+2值最小的βbest+2作为当前最优解，将βbest+2赋值给βbest，执行步骤3.4；步骤3.4、对βbest做s次旋转变换，得到s个βbest+1，选择使优化目标函数fβbest+1值最小的βbest+1作为当前最优解，若βbest+1＝βbest,则执行步骤3.5；否则对βbest+1做s次平移变换，得到s个βbest+2，选择使优化目标函数fβbest+2值最小的βbest+2作为当前最优解，将βbest+2赋值给βbest，执行步骤3.5；步骤3.5、对βbest做s次轴向变换，得到s个βbest+1，选择使优化目标函数fβbest+1值最小的βbest+1作为当前最优解，若βbest+1＝βbest，则执行步骤3.6；否则对βbest+1做s次平移变换，得到s个βbest+2，选择使优化目标函数fβbest+2值最小的βbest+2为当前最优解，将βbest+2赋值给βbest，执行步骤3.6；步骤3.6、若βbest满足终止条件或循环次数k大于设定的最大值时，则结束本流程，得到输出权重矩阵βbest；若不满足，则将βbest返回，并执行步骤3.2。

全文数据：

权利要求：

百度查询： 北京理工大学 一种基于状态转移极限学习机的图像分类方法