一种基于ELM的多类Adaboost集成学习方法,其特征在于:包括以下几个步骤:a)ELM方法:对于N个任样本(x
i,t
i),x
i=[x
i1,x
i2,…,x
id]
T∈R
d,t
i=[t
i1,t
i2,…,t
iK]
T∈R
K,带L个隐层节点且激活函数为h(x)的标准单隐藏层前馈神经网络的数学模型为:
![]()
其中j=1,2,…,N,w
I=[w
i1,w
i2,…,w
id]
T表示连接第i个隐层节点和输入节点的权重向量,而β
i=[β
i1,…,β
iK]
T则表示连接第i个隐藏节点和输出节点的权重向量,o
j=[o
j1,o
j2,…o
jk]
T表示该单隐藏层前馈神经网络的第i个输出向量,b
i则是第i个隐藏节点的阈值,(·)则表示两个向量的内积,隐层节点数为L的单隐层前馈神经网络的激活函数h(x)可以简写表示为Hβ=T;b)主成分分析方法:PCA方法的主要过程如下:
![]()
(b1)计算数据矩阵X的协方差矩阵V;(b2)通过公式|V‑λΕ|=0计算矩阵V的特征值λ,其中λ
1≥λ
2≥…≥λ
p;(b3)通过(V‑λΕ)β=0计算相应的特征向量,其中β为β
1,β
2,…,β
p;(b4)算出最后的主成分矩阵Y
r=β′
rX(r=1,2,…,p);其中E是一个单位矩阵,E的维度同矩阵V,矩阵Y由n行向量组成,每一个向量是矩阵X特征值所对应的特征向量;c)多类Adaboost方法:预先定义函数I(x)为:
![]()
首先给定训练数据{(x
1,y
1),(x
2,y
2),…,(x
N,y
N)},其中x
i∈R
d表示维度为d的第i个输入特征向量,相对的y
i则表示第i个特征向量所属的类别标签,这里令y
i∈{‑1,+1}分为两类,通过使用T
j(x)函数来表示第i个若分类器,同时假定一共含有M个若分类器,执行以下步骤:(c1)初始化每个节点的观测权值ω
i为1/N,i=1,2,…,N;(c2)对于每一个分类器m,m=1:M,执行如下:通过使用权值ω
i在分类器T
m(x)下训练相应的数据;计算对应的分类误差:
![]()
用以上求得的误差来计算相应的第m个分类器的权重
![]()
对所有i=1,2,…,N,更新数据样本的权值:ω
i=ω
i·exp(α
m·I(y
i≠T
m(x
i)));对所有i=1,2,…,N重新标准化权值ω
i;(c3)输出C(x),由分类器进行投票得到最后的结果
![]()
![]()
d)LBP方法:将一幅图划分成3*3的窗口,每个窗口含一个像素灰度值,将周围点的值分别于中心点的值做比较,如果大于中心点的值就标注是1,否则就标为0;最终经过对比得到一串8位的二进制数,对应的就可以计算该值,即LBP值;对应的公式可记为:
![]()
其中(x
c,y
c)是中心像素,i
c对应的灰度值;而i
p则是相邻像素点的灰度值,s是一个符号函数:
![]()