基于極限學習機的目標識別算法研究.pdf

1、目標識別是圖像理解和計算機視覺中一個重點研究方向，在許多相關領域中有著廣泛的應用。隨著人工智能和模式識別技術的不斷發(fā)展，基于機器學習的目標識別技術越來越受到研究者們的重視。
　　本文圍繞著機器學習方法，對目標識別算法中的分類器設計，模型構建等問題進行了研究。論文具體的研究內容分為2個部分，第一，本文提出了將極限學習機(Extreme Learning Machine，ELM)這種求解單隱層前饋神經(jīng)網(wǎng)絡的新方法引入到基于機器學習的目

2、標識別算法中來，并研究了極限學習機的改進方法來解決傳統(tǒng)SVM分類器在處理高維復雜數(shù)據(jù)時的計算復雜度高，訓練耗時等缺陷。第二，本文對當前主流的目標識別模型，空間金字塔模型(Spatial Pyramid Model，SPM)進行了理論分析，研究了通過改進視覺詞典的構建方式來解決圖像特征向量維數(shù)過高，計算復雜度上升的缺陷。圍繞上述研究內容，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)定性容易受隨機給

3、定的輸入權值和隱含層偏置的影響，提出了一種基于旋轉森林選擇性集成ELM的目標識別算法，并將其命名為RFSEN-ELM。該方法結合了旋轉森林算法(Rotation Forest，RF)和基于遺傳算法的選擇性集成模型(Selective Ensemble)。首先，利用旋轉森林算法對訓練數(shù)據(jù)進行預處理，訓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行集成構成RFSEN-ELM算法。實驗結果表明，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生的圖像特征向量維數(shù)過高，內存占用較大的缺陷，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