[发明专利]一种基于L21范数约束的软标注宽度学习模式分类方法

说明书

本发明提出了一种基于L21范数约束的软标注宽度学习模式分类方法，其步骤为：首先，获取特征数据集和标签矩阵，通过宽度学习网络将特征数据集转化为宽度转换特征；其次，利用宽度转换特征，引入松弛标注和正则化，构建基于松弛标注和L21范数正则化的判别宽度学习网络模型；最后，引入交替方向乘子法，利用迭代法求解判别宽度学习网络模型的优化目标，实现图像分类。本发明在引入松弛标注的同时引入L21范数正则化到宽度学习网络模型中，提高了模型的判别能力和计算能力。

技术领域

本发明涉及图像识别技术领域，特别是指一种基于L21范数约束的软标注宽度学习模式分类方法。

背景技术

图像识别任务是许多领域中的一个基本问题，其目的是识别解决特定问题的图像类别，例如图像检索、人脸识别、目标检测、无人驾驶系统等。在过去几十年中，为了促进其蓬勃发展，许多智能算法被提出例如支持向量机、最近邻分类器和深度神经网络，但是，当外部不可控因素的数量增加时，在现实世界中，仍有许多噪音直接捕获的图像识别任务，例如由于目标遮挡、曝光不足和模糊显著削弱了模型的识别能力。因此由Chen等人提出的宽度学习系统(Broad Learning System,BLS)因其极强的特征抽取能力和高效的计算效率已经成为目前最受关注的研究热点之一。

为了克服传统最小二乘回归模型在将输入特征映射到严格二值标签空间上的弱判别能力，Zhang等人提出了一种松弛标注最小二乘回归(ReLSR)模型，用于直接学习不同类别之间具有较大距离的软标签。

尽管基于BLS的模型大多已取得了不错的效果，但在回归和分类领域，宽度学习网络对于类标签使用严格的二元标签标注，对模型的灵活性有着严重的限制，使得模型的自适应性较差。

发明内容

针对上述背景技术中存在的不足，本发明提出了一种基于L21范数约束的软标注宽度学习模式分类方法，解决了模型的自适应性较差的技术问题。

本发明的技术方案是这样实现的：

一种基于L21范数约束的软标注宽度学习模式分类方法，其步骤如下：

步骤一，获取特征数据集和标签矩阵，通过宽度学习网络将特征数据集转化为宽度转换特征；

步骤二，利用宽度转换特征，引入松弛标注和正则化，构建基于松弛标注和l₂₁范数正则化的判别宽度学习网络模型；

步骤三，引入交替方向乘子法，利用迭代法求解判别宽度学习网络模型的优化目标，并利用优化后的判别宽度学习网络模型实现图像分类。

所述通过宽度学习网络将特征数据集转化为宽度转换特征的方法为：

输入训练数据X，通过线性映射函数φ_i，产生一系列N_w组随机映射特征，则第i组映射特征为：

其中，i＝1，2，...，N_w，表示权重，表示偏置项，和是网络随机生成的；

将训练样本的特征空间定义为在增强层中输入可以得到m组增强节点，其中第j组增强节点为：

其中，ξ_j表示激活函数，表示权重，表示偏置；

将所有的增强节点合并在一起表示为：

将特征层和增强层合并成得到宽度转换特征A：

所述基于松弛标注和l₂₁范数正则化的判别宽度学习网络模型为：