[发明专利]基于一致正则化的在线超限学习机目标识别方法及系统

权利要求书

1.一种基于一致正则化的在线超限学习机目标识别方法，其特征在于，包括进行基于单隐层前馈神经网络的分类器的学习和训练的下述步骤：

S1、获取训练图像，针对训练图像进行特征提取，得到相应的图像特征集，并将图像特征集随机划分为多个特征子集；

S2、对所划分的特征子集，分别生成对应的近邻特征样本；

S3、将一致正则化约束引入在线超限学习目标优化函数，随机生成首先单隐层前馈神经网络的隐层节点参数，选取任一特征子集及其邻近样本进行初始化网络权重生成，基于剩余特征子集进行网络权重的迭代更新以完成基于单隐层前馈神经网络的分类器的学习与训练；

步骤S2中对所划分的特征子集生成对应的近邻特征样本具体是指：基于平滑性假设，针对特征子集中的每一个特征向量，将与该特征向量所对应的标签满足下式的特征向量视为近邻特征样本，构造高斯分布的偏移量并加入到特征子集的数据中，从而得到每一个特征子集生成对应的所有近邻特征样本；

上式中，F(x_i)为样本特征，F(x_j)为样本特征，l为权重系数，x_i为样本，x_j为样本，δ为偏移量常数系数；且构造高斯分布的偏移量为：

上式中，σ为服从多维高斯分布的偏移量，N(p|μ,Σ)为正态分布，p为服从正态分布的多维随机变量，μ为高斯分布的均值向量，Σ为高斯分布的协方差矩阵，取μ=0，Σ=I，其中I为单位矩阵；x,分别为d维原始特征向量以及生成的增广邻域向量；

步骤S3中将一致正则化约束引入在线超限学习目标优化函数得到的目标函数为：

上式中，H,分别对应于原始输入特征及其对应邻域样本特征作为输入、所用单隐层前馈神经网络的隐层输出矩阵，β为待学习优化的所用单隐层前馈神经网络的输出层权重，Y为标签矩阵，下标F表示弗罗宾尼斯范数，c₀,c₁分别为对应正则化项的权重系数。

2.根据权利要求1所述的种基于一致正则化的在线超限学习机目标识别方法，其特征在于，步骤S1中进行特征提取时采用的方法为梯度直方图、主成分分析、预先完成训练的深度卷积网络中的一种，且得到相应的图像特征集的维度低于原始训练图像的维度。