[发明专利]一种基于超限隐特征学习模型的图像分类与重建方法

摘要

本发明公开了一种基于超限隐特征学习模型的图像分类与重建方法，采用了一种数据重构策略进行特征学习，高效学习原始感知数据与相应的高级语义转换关系。具体地说，ELM和ELM‑AE(基于ELM的自编码器)被统一在一个学习模型中，该模型具有图像分类能力和图像重建能力，且能够更好地揭示原始图像数据和高级语义之间的潜在关系，减少信息丢失，提高图像分类精度并具备优异的图像数据重建能力。ELF(超限隐特征学习模型)继承了ELM和ELM‑AE的优点，并且可以在保护原始数据信息的情况下得到良好的图像分类和图像重建效果。此外，使用了一种基于交错方向法的高效算法来求解优化ELF模型，进一步提升了ELF模型的精度。

主权项

1.一种基于超限隐特征学习模型的图像分类与重建方法，其特征在于，包括如下步骤：S1：模型训练阶段，获取图像数据信息，所述图像数据信息包括用于进行模型训练的图像数据矩阵X_train、相应的标签矩阵T_train，以及超限学习机的隐藏节点根据所述图像数据矩阵X_train输出的隐含层输出矩阵H_train；S2：根据超限学习机和基于超限学习机的自编码器，为所述超限隐特征学习模型设置图像数据输入通道、超限学习机图像分类输出通道以及基于超限学习机的自编码器的图像输出重建通道；S3：基于X_train、T_train以及H_train建立所述超限学习机图像分类输出通道和所述图像输出重建通道的联合超限隐特征优化学习模型；S4：利用交错方向法对所述联合超限隐特征优化学习模型的模型参数进行更新，得到所述超限学习机图像分类输出通道和所述图像输出重建通道的优化模型参数；S5：根据所述优化模型参数构建所述超限隐特征学习模型；S6:模型测试阶段，将待识别的图像样本数据信息输入所述超限隐特征学习模型的图像数据输入通道；S7:从所述超限学习机图像分类输出通道得到所述图像样本数据的分类结果，并从所述图像输出重建通道得到所述图像样本数据的重建数据信息。