主权项 |
一种用于立体图像质量客观评价的极端学习机,其建立包括以下步骤:步骤(1)、通过主观测试获取评价数据样本,选取训练图像样本;步骤(2)、对步骤(1)中选取好的训练样本采用PCA进行特征提取和降维,将原始训练图像样本转化为矩阵变量,每幅立体图像都有相应的主观评价分数为其命名,产生traindata和trainlabel文件,traindata文件为代表原始图像的矩阵变量,trainlabel文件为每幅图像主观评价分数所组成的矩阵变量,代表每幅图实际的主观评价分数,降维过程中的初始输入为traindata矩阵,它是样本数据矩阵X的实际矩阵参数,对样本数据矩阵X作中心化处理,计算样本的协方差矩阵R<sub>x</sub>,计算协方差矩阵R<sub>x</sub>的特征值和特征向量,确定主分量数,将各个样本数据x<sub>i</sub>投影到选择的特征向量所组成的有效子空间中得到投影系数,归一化后生成降维后的矩阵变量traindata2;步骤(3)、建立极端学习机ELM网络,将经过步骤(2)得到的训练样本的投影系数输入到ELM网络,网络的输入端为矩阵变量traindata2,输出端为矩阵变量trainlabel,待隐藏层输入权值和阈值优化后,建立原始图像和主观评价值之间的关系,得到ELM网络结构;通过遗传算法GA对极端学习机ELM的隐藏层权值和阈值进行优化,优化过程如下:①进行种群初始化:对种群个体编码采用实数编码,种群个体包含极端学习机ELM的网络结构的所有权重与阈值,当网络结构确定时,可以构建一个由网络结构、权值以及阈值确定的极端学习机网络。②适应度函数计算:选择训练样本的数据误差绝对值之和作为种群个体适应度;③计算种群中所有个体的适应度之和,计算种群中每个个体的相对适应度,并把它作为这个个体被选择作为父代繁衍子孙的概率;④利用轮盘赌法,生成一个随机数t,t∈(0,1),并以此值作为各个种群个体被选择的次数,适应度大的个体,被选中的概率越大,其基因就会在种群中不断扩大;⑤利用交叉操作对于极端学习机网络的权重a和阈值b的优化,交叉操作选择算术交叉算子,同时根据计算得到的概率重组一对个体继而得到新的个体;⑥执行变异操作,若未达到设定的迭代终止条件,则返回步骤②,若达到则结束整个迭代过程,完成ELM网络结构的优化。 |