在线极限学习机及其在图像识别中的应用_
时间：2019-05-11 03:15:11 来源：雅意学习网 本文已影响 人 
摘要：针对海量图像数据的识别问题，本文提出了在线极限学习机（online optimized ELM，OP-ELM）。OP-ELM以单隐层前馈神经网络（single hidden layer feed forward networks，SLFNs）为基础，固定了隐含节点数以及节点参数，在在线增量学习过程中综合考虑历史数据和新数据，产生全局唯一的最优解，降低了计算资源的需求，继承了极限学习机（Extreme Learning Machine，ELM）学习速度快泛化性能好的优点。因此非常适合于海量图像数据的在线学习问题。在公开图像数据集Caltech4和Scene13上的实验表明，本文提出的方法取得了与前沿离线识别方法性能相当的识别效果，与基于SVM的在线学习方法LA-SVM相比，在参数规模、参数调节以及学习算法效率方面具有明显优势。
关键词：图像识别；极限学习机；算法
DOI: 10.3969/j.issn.1005-5517.2012.4.017
随着多媒体技术以及计算机互联网技术的迅速发展，图像数据规模呈现爆炸式的增长。本文针对海量图像分类的学习问题，提出了一种在线的极限学习机OP-ELM。OP-ELM以单隐层前馈神经网络为基础，继承了极限学习机不需要调整网络的输入权值以及隐元的偏置，学习速度快泛化性能好的优点。另一方面，OP-ELM在历史批次和当前批次数据中训练全局最优的隐含节点权重参数。而且每一轮在线训练过程中，算法输入仅依赖于当前批次的数据，无需再次扫描历史数据，模型参数规模不会因为数据量的变化而增大。OP-ELM在保证模型精度和泛化能力的同时，给出了一种快速有效的在线学习方法，满足了海量数据训练的计算需求。在公开图像数据集Caltech4和Scene13上的实验表明，本文提出的方法具有与目前前沿的识别方法相当的识别效果，与已有在线学习方法相比，在参数规模、参数调节以及学习算法效率方面具有明显优势。
