基于極限學(xué)習(xí)機(jī)的目標(biāo)識別算法研究.pdf

1、目標(biāo)識別是圖像理解和計(jì)算機(jī)視覺中一個重點(diǎn)研究方向，在許多相關(guān)領(lǐng)域中有著廣泛的應(yīng)用。隨著人工智能和模式識別技術(shù)的不斷發(fā)展，基于機(jī)器學(xué)習(xí)的目標(biāo)識別技術(shù)越來越受到研究者們的重視。
　　本文圍繞著機(jī)器學(xué)習(xí)方法，對目標(biāo)識別算法中的分類器設(shè)計(jì)，模型構(gòu)建等問題進(jìn)行了研究。論文具體的研究內(nèi)容分為2個部分，第一，本文提出了將極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)這種求解單隱層前饋神經(jīng)網(wǎng)絡(luò)的新方法引入到基于機(jī)器學(xué)習(xí)的目

2、標(biāo)識別算法中來，并研究了極限學(xué)習(xí)機(jī)的改進(jìn)方法來解決傳統(tǒng)SVM分類器在處理高維復(fù)雜數(shù)據(jù)時的計(jì)算復(fù)雜度高，訓(xùn)練耗時等缺陷。第二，本文對當(dāng)前主流的目標(biāo)識別模型，空間金字塔模型(Spatial Pyramid Model，SPM)進(jìn)行了理論分析，研究了通過改進(jìn)視覺詞典的構(gòu)建方式來解決圖像特征向量維數(shù)過高，計(jì)算復(fù)雜度上升的缺陷。圍繞上述研究內(nèi)容，本文主要研究工作和創(chuàng)新性體現(xiàn)在以下兩個方面:
　　(1)針對ELM的泛化能力和穩(wěn)定性容易受隨機(jī)給

3、定的輸入權(quán)值和隱含層偏置的影響，提出了一種基于旋轉(zhuǎn)森林選擇性集成ELM的目標(biāo)識別算法，并將其命名為RFSEN-ELM。該方法結(jié)合了旋轉(zhuǎn)森林算法(Rotation Forest，RF)和基于遺傳算法的選擇性集成模型(Selective Ensemble)。首先，利用旋轉(zhuǎn)森林算法對訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，訓(xùn)練生成一組差異性較大的ELM基分類器集合。接著，通過選擇性集成模型對基分類器集合進(jìn)行組合篩選，其中遺傳算法在選擇性集成模型中的作用是剔除一些

4、在集成中表現(xiàn)不好的基分類器。最后，將選擇出來的基分類器進(jìn)行集成構(gòu)成RFSEN-ELM算法。實(shí)驗(yàn)結(jié)果表明，該算法的綜合性能要優(yōu)于傳統(tǒng)的SVM算法和一些其他的集成算法。
　　(2)針對空間金字塔模型產(chǎn)生的圖像特征向量維數(shù)過高，內(nèi)存占用較大的缺陷，提出了一種緊湊型空間金字塔模型(Compact Spatial Pyramid Model，CSPM)，該模型通過Agglomerative Information Bottleneck(AI