[发明专利]基于最小重建误差搜索降维和粒子群优化的多分类支持向量机的图像识别分类方法

权利要求书

1.一种基于最小重建误差搜索KPCA和粒子群优化的多分类支持向量机的图像识别分类方法，其特征在于，包括下列步骤：

步骤1：获取图像数据后，基于最小重建误差，采用交叉验证的方格搜索来寻找最小化重建前图像误差的核方法和超参数，并使用优化后的最小重建误差搜索KPCA算法将原本的64维，8*8图像上各像素点灰度值的图像数据降至17维；

步骤2：创建k(k-1)/2个二分类支持向量机，k是总类别数，使用一对一法构建多分类支持向量机；

步骤3：采用均匀初始化方法，初始化第一代粒子作为各个种群的领导者，每个粒子代表一种参数选择方案；

步骤4：采用均匀初始化方法，在第一代粒子周围初始化各个种群的第二代粒子，使其均匀分散在第一代粒子周围，每个粒子代表一种参数选择方案；

步骤5：通过计算比较适应值，选择出各种群领导者和全局领导者；

步骤6：更新粒子群优化算法pso公式，并为粒子的速度增加变异可能性，提升粒子脱离局部最优的能力；

步骤7：计算各粒子所代表参数在支持向量机上的分类表现，并作为其适应值来评价每个种群中的粒子；

步骤8：如满足终止条件，进入步骤9，否则跳入步骤5进行循环；

步骤9：结束。

2.根据权利要求1所述的基于最小重建误差搜索KPCA和粒子群优化的多分类支持向量机的图像识别分类方法，其特征在于，所述的步骤1包含下列步骤：

步骤1.1：在原始空间中找到一个贴近重建点的点，基于重建功能，采用交叉验证的方格搜索来寻找可以直接找到最小化重建前图像误差的核方法和超参数gamma，得到对于该数据集的最优KPCA降维算法；

步骤1.2：该手写数字数据集总共有0-9十个类别，获取数据后将64维，8*8图像上各像素点灰度值的图像数据通过步骤1.1优化后的KPCA算法进行降维，降至17个维度。

3.根据权利要求1所述的基于最小重建误差搜索KPCA和粒子群优化的多分类支持向量机的图像识别分类方法，其特征在于，所述的步骤2包含下列步骤：

步骤2.1：在任意两类样本之间设计一个支持向量机，共创建45个支持向量机。

步骤2.2：将45个支持向量机用一对一法间接的构造成多分类器。

4.根据权利要求1所述的基于最小重建误差搜索KPCA和粒子群优化的多分类支持向量机的图像识别分类方法，其特征在于，所述的步骤3包含下列步骤：

步骤3.1：初始化粒子群优化算法PSO的参数，包括迭代次数iter_num，惯性权重ω，r1r2r3随机数，函数的上下界，学习因子C1 C2 C3；

步骤3.2：初始化第一代种群的的种群大小，初始化n个第一代粒子作为各个种群的领导者，即产生n个种群，随机初始化粒子的位置，速度，适应值，本发明采用均匀初始化的方法，即让n个第一代粒子的位置，均匀的分布在函数的上界与下界之间，使得初始化的第一代粒子能够布满整个决策空间。

5.根据权利要求1所述的基于最小重建误差搜索KPCA和粒子群优化的多分类支持向量机的图像识别分类方法，其特征在于，所述的步骤4包含下列步骤：

步骤4.1：在每个第一代粒子周围初始化形成一群第二代粒子，初始化各个第二代粒子的PSO算法参数，包括迭代次数iter_num，惯性权重ω，r1 r2 r3随机数，函数的上下界，学习因子C1 C2 C3，其中ω计算公式如下：

其中，iter_num为粒子群算法迭代的总次数；now_num为当前的迭代次数；

步骤4.2：初始化各个第二代种群的的种群大小，围绕各自的种群领导者初始化m个第二代粒子的位置，速度，适应值，本发明采用均匀初始化的方法，即让m个第二代粒子的位置，均匀的分布在第一代粒子周围，使得初始化的第二代粒子能够均匀布满该种群负责的搜索空间，以便于进行后期的精细搜索。