[发明专利]一种针对图像识别的最小二乘支持三阶张量机建模方法

说明书

本发明属于人工智能中的图像识别技术领域，提供一种针对图像识别的最小二乘支持三阶张量机建模方法，首先在图片预处理的三阶张量数据结构下建立原始的最小二乘支持三阶张量机模型；其次通过利用拉格朗日乘子方法与张量‑Tucker分解方法获得具有Tucker分解形式的线性方程组；最后通过求解该线性方程组并获得具有Tucker分解形式的最小二乘支持三阶张量机识别模型。Tucker分解形式的最小二乘支持三阶张量机识别模型充分考虑了图像数据内部的自然空间关系。一方面避免了图像数据本身在向量化训练的过程中可能遇到的维度灾难和误差庞大等问题。另一方面保留了图像数据的大部分核心信息，并能够精准识别出未知标记的图像数据。

技术领域

本发明属于人工智能中的图像识别技术领域，具体是针对两种不同的图像数据来设计一种最小二乘支持三阶张量机的智能识别模型。

背景技术

图像作为生活中最为常用的信息载体，其重要性与日俱增。另外，图像处理中最基本的处理方式之一是图像识别技术。图像识别是使机器代替人类的思维对图像加以理解并能够正确识别不同的图像。解决这个识别问题的主要思想是针对采集获得的图像数据来训练出一种机器识别模型，从而根据这个识别模型来智能的识别出不同画面的图像以减轻人工识别的负担。目前，图像识别技术的方法主要有以下几种：

(1)基于深度学习的人工智能方法。

该方法主要是来源于对人工神经网络的研究。深度学习方法是通过将图像的低层次特征进行组合形成高层次的表示以发现图像数据中的分布式特征。深度学习方法强调网络模型结构的深度，并且突出强调特征学习的重要性，即通过逐层特征变换，将原样本空间的特征表示变换到另一个新的特征空间，从而更加容易的进行图像识别。然而，这种深度学习方法过于复杂，它在训练和识别时对机器的性能要求都非常高，通常需要使用高性能的处理器来进行并行计算，这就导致了在实际领域中很难应用深度学习方法来识别所考虑的图像问题，因为实际领域中只拥有非常有限的存储资源和计算能力。

(2)基于最小二乘支持向量机的人工智能方法。

该方法是一种基于统计学习中结构风险最小化理论的浅层模型。它在解决图像数据等小样本学习任务时通常具有较优秀的表现。但是，最小二乘支持向量机是把图像数据集作为一种向量模式来处理的，这样就破环了原始图像中某些自然的空间耦合关系，因为图像数据本质上是属于一种类似三维空间的张量结构，而向量只是一种特殊的一阶张量。因此，如果用最小二乘支持向量机来训练图像数据并设计识别模型必然会产生数值误差。

综合以上论述，本发明设计的最小二乘支持三阶张量机是一种能够精确识别有三阶张量图像数据结构的模型。

发明内容

本发明针对最小二乘支持向量机模型在图像识别领域中所带来的局限性问题，提出了一种最小二乘支持三阶张量机识别模型，并获得了更出色的识别精确度。由于图像识别技术在实际生活中最为常见，并且图像所生成的数据形式具有很强的多模态特征。因此，如何更好的精确识别出具有多维特征的图像数据一直是一个挑战性的难题。

本发明的技术方案：

一种针对图像识别的最小二乘支持三阶张量机建模方法，首先，在图片预处理的三阶张量数据结构下建立原始的最小二乘支持三阶张量机模型；其次，通过利用拉格朗日乘子方法与张量-Tucker分解方法获得具有Tucker分解形式的线性方程组；最后，通过求解该线性方程组并获得具有Tucker分解形式的最小二乘支持三阶张量机识别模型；

具体步骤如下：

步骤1：基于最小二乘支持向量机的思想以及预处理获得的三阶张量图片数据集，设计一个具有三阶张量形式的原始最小二乘支持三阶张量优化模型；即原始最小二乘支持三阶张量机如下：

1-y_i(W,X_i+b)＝e_i,i＝1,2,…,d. (1)