[发明专利]一种基于Echo State Network的图像分类方法

说明书

本发明公开了一种基于Echo State Network的图像分类方法，包括构建网络结构、训练中的数据传输和更新、输出训练和图像分类处理的步骤，其中，储备池的各个参数设置为：储备池光谱半径λ为1.25，储备池大小Nx为2000，储备池输入单元的尺度IS为1，储备池的稀疏度SD为1e‑8，泄漏率α为0.15，空转图像数量占10％。本发明提供的基于Echo State Network的图像分类方法，通过使用回声状态网络(ESN)进行图像的分类处理，解决了卷积网络在使用上复杂度高、速度较慢的问题。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于Echo State Network的图像分类方法。

背景技术

传统对图像进行处理大多使用的是卷积神经网络(Convolutional NeuralNetwork，CNN)，然而卷积神经网络的结构较复杂，存在3大缺点：1)CNN的生物学基础支持不足，没有记忆功能。神经网络并不是每个神经元唯一关注一个特征，而一组神经元关注一个特征。一组神经元可以输出一个向量，而一个输入只能输出一个数值。2)CNN全连接模式过于冗余而低效，需要大量的数据和大量的调参运算，复杂度高、速度较慢。3)CNN胜在特征检测，但在特征理解上能力不够。

回声状态网络(Echo State Network，ESN)具有速度快、结构简单等优点，然而，目前ESN的应用主要集中在序列预测问题上，且传统ESN是对时间序列的单输入处理。有许多研究者对回声状态网络进行研究学习，他们大多是对Echo State Network的预测功能的研究。

如“A combination approach based on seasonal adjustment method andecho state network for energy consumption forecasting in USA”提出了一种结合回声状态网络(ESN)的混合能耗预测模型。建立科学准确的美国能源消耗预测模型，对于制定能源政策和配置能源资源具有重要意义。季节调整法继承了分治思想，将原始时间序列仅分解为季节子序列和剩余子序列两部分，而不是常规的三部分(季节性、趋势和剩余)，避免了剩余子序列复杂的建模任务。然后利用模型ESN和EEMD-GOA-ESN分别对季节性子序列和剩余子序列进行建模和预测。对两部分进行总结，生成最终的预测结果。对化石燃料、核电和可再生能源消费的实证研究表明，该模型在有效性和可扩展性方面优于其他替代基准。样本外推预测结果表明，该方法可以将月能耗误差控制在3.3％以内。

“Effective energy consumption forecasting using enhanced bagged echostate network”提出了一种基于差分进化算法改进的袋装回声状态网络的改进优化模型来估计能量消耗。能源消费的准确分析和预测不仅影响一个国家的能源安全和环境，而且为决策者提供有用的决策依据。为了减少预测误差，提高网络的泛化程度，采用了Bagging算法。利用差分进化算法对回波状态网络的三个参数进行了优化。该模型结合了回声状态网络的优点，通过两个比较实例和一个扩展应用实例验证了该模型的准确性和可靠性。算例对比结果表明，与基本回波状态网络和现有流行模型相比，该模型具有更好的预测性能。一种基于差分进化算法改进的袋装回声状态网络的改进优化模型对我国能源消费预测的平均绝对百分比误差为0.215％，具有较高的精度和稳定性，是一种令人满意的能耗预测工具。