[发明专利]基于预测增量宽度学习的图像识别分类方法

权利要求书

1.一种基于预测增量宽度学习的图像识别分类方法，其特征在于，包括以下步骤：

步骤一：建立宽度学习模型，输入各类节点初始数量，设置识别准确度；

步骤二：通过拟合函数计算需要的增强节点数量；

所述步骤二中，假设给定拟合函数为f(x；a,b,c...)，已知N个测量数据(x₁,x₂,x₃...x_N)及其对应结果(y₁,y₂,y₃...y_N)，最小二乘法是通过将误差平方和最小化来求取设定函数的待定系数，误差平方和S如式(4)所示：

其中x_i表示第i个测量数据，y_i表示第i个测量数据的对应结果，i＝1,2,3…N；

对于线性方程，误差平方和S最小，则必有

通过式(5)得到一个线性方程组，再求解线性方程组算出待定系数a,b,c...；

对于宽度学习，其增强节点的数量与识别准确度之间为非线性关系；若拟合函数为非线性方程，则将非线性方程进行变换转化为线性方程，再应用最小二乘法求得待定系数，最终得到增强节点数量与识别准确度的近似函数，利用近似函数求得设置识别准确度所对应的增强节点数量；

步骤三：增加增强节点数量，进行增量宽度学习；

步骤四：判断测试识别准确度是否大于设置识别准确度，若否，则返回步骤三；若是，则输出训练结果与识别准确度。

2.根据权利要求1所述的基于预测增量宽度学习的图像识别分类方法，其特征在于，所述步骤一中，宽度学习模型的输入层是由两部分组成，分别是映射节点与增强节点，映射节点记为Z，增强节点记为H，原始输入记为X；映射节点是通过原始输入X经过线性变换与激活函数输出得到，而增强节点是通过映射节点线性变换与激活函数输出得到，其变换公式如式(1)(2)所示

其中W₁,β₁,W₂,β₂为自动编码产生的基础上加上稀疏性限制产生而来的数据，W₁、W₂为随机权重矩阵，β₁、β₂为随机偏差矩阵，φ为映射节点的激活函数，ξ为增强节点的激活函数，新的输入层即为A＝[Z|H]，则宽度学习模型表示为Y＝AW，Y为输出，权重矩阵W通过岭回归模型的伪逆求得，即利用最小二乘法求解岭回归模型的参数，对W求导，令倒数等于0，求得W的解析解，其中I为M×M的单位矩阵，所以说岭回归就是在矩阵A^TA上加一个λI使得矩阵非奇异进而能对A^TA+λI求逆，λ为趋于0的一个非负数，其中A^T为A矩阵的转置，λ＞0，通过确定λ的值使得模型在偏差和方差之间达到平衡，随着λ的增大，模型的方差减小，偏差增大，求得W如(3)所示: