一种基于极限学机算法的识别方法

摘要

本发明公开了一种基于极限学机算法的识别方法，其提高网络的泛化性能，使解析求得的输出权值更加利于分类，从而大大提高了识别率。该方法包括训练阶段，对于给定训练集N＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,i＝1,…,N},激活函数g(x)＝log(1+e^x)，隐单元个数L，其包括步骤：(1)随机生成输入单元与隐单元之间的权值w_j，隐单元的偏置b_j，其中j＝1,…,L；(2)计算隐单元的输出矩阵；(3)分别计算H中同一类别分量的类内距S_w和不同类别分量的类间距S_b对输出权值β求导中的S₁,S₂；(4)通过公式(20)计算隐单元到输出单元的输出权值β。

主权项

一种基于极限学习机算法的识别方法，其特征在于，该方法包括训练阶段，对于给定训练集N＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,i＝1,…,N},激活函数g(x)＝log(1+e^x)，隐单元个数L，其包括以下步骤：(1)随机生成输入单元与隐单元之间的权值w_j，隐单元的偏置b_j，其中j＝1,…,L；(2)通过公式(3)计算隐单元的输出矩阵H，通过公式(15)、(16)分别计算H中同一类别分量的类内距S_w和不同类别分量的类间距S_b对输出权值β求导中的S₁,S₂，$S_1=\underset{i=1}{\overset{n}{\Sigma }}{[\underset{j=1}{\overset{n_i}{\Sigma }}h{\left(x_j\right)}^i-\frac{1}{n_i}\underset{k=1}{\overset{n_i}{\Sigma }}h{\left(x_j\right)}^i]}^T[\underset{j=1}{\overset{n_i}{\Sigma }}h{\left(x_j\right)}^i-\frac{1}{n_i}\underset{k=1}{\overset{n_i}{\Sigma }}h{\left(x_k\right)}^i]---\left(15\right)$$S_2=\underset{i=1}{\overset{n}{\Sigma }}{[\frac{1}{n_i}\underset{j=1}{\overset{n_i}{\Sigma }}h{\left(x_j\right)}^i-\frac{1}{N}\underset{k=1}{\overset{N}{\Sigma }}h\left(x_k\right)]}^T[\frac{1}{n_i}\underset{j=1}{\overset{n_i}{\Sigma }}h{\left(x_j\right)}^i-\frac{1}{N}\underset{k=1}{\overset{N}{\Sigma }}h\left(x_k\right)]---\left(16\right);$(3)通过公式(20)计算隐单元到输出单元的输出权值β$\beta ={(\frac{I}{C}+H^{T}H+a*S_1-b*S_2)}^{-1}{H}^{T}T---\left(20\right).$