[发明专利]一种基于自动编码机-超限学习机的多维度数据特征识别方法

权利要求书

1.一种基于自动编码机-超限学习机的多维度数据特征识别方法，其特征在于，包括如下步骤：

S1：获取多维度物体的原始数据，并对获取的原始数据进行预处理；

S2：基于预处理后的原始数据训练自动编码机-超限学习机模型并建立自动编码机-超限学习机模型；

S3：获取待检测物体的测试数据，并将测试数据处理后输入到训练好的自动编码机-超限学习机模型中，得到测试数据的特征映射H_Test；

S4：根据得到的特征映射H_Test计算出测试数据的标签。

2.如权利要求1所述的基于自动编码机-超限学习机的多维度数据特征识别方法，其特征在于，步骤S1包括如下步骤：

S11：将获取的原始数据进行归一化处理；

S12：将归一化处理的数据进行均匀采样处理；

S13：将均匀采样处理之后的数据拼接为输入矩阵X，输入矩阵X的维度为M×d₁×d₂×……×d_N，其中，d₁＝d₂＝……d_N＝d，M为用于训练神经网络数据的个数，N为数据的维数，d为均匀采样的分辨率。

3.如权利要求1所述的基于自动编码机-超限学习机的多维度数据特征识别方法，其特征在于，步骤S2对自动编码机-超限学习机模型的训练包括如下步骤：

S21：自动编码机的训练阶段；

S22：自动编码机的映射阶段；

S23：卷积特征映射阶段；

S24：自动编码机-超限学习机的有监督训练阶段。

4.如权利要求3所述的基于自动编码机-超限学习机的多维度数据特征识别方法，其特征在于，步骤S21包括如下步骤：

S211：生成随机的自动编码机神经元的初始权值；

S212：接收处理后的输入矩阵X；

S213：根据以下公式计算自动编码机隐含层的特征映射H

H＝g(a·x+b)，a^Ta＝I,b^Tb＝1

其中，a为矩阵，b为列向量，a^T表示矩阵a的转置，I表示单位矩阵，b^T表示矩阵b的转置，a＝[a₁,…,a_L]为输入层和隐含层之间的正交随机权值，b＝[b₁,…,b_L]为输入层和隐含层之间的正交随机偏置，L表示自动编码机的隐含层神经元的个数，g为神经元的激活函数，x为神经元的输入数据；

S214：根据以下公式计算自动编码机在隐含层和输出层之间的输出权值β

其中，表示正则化参数。

5.如权利要求3所述的基于自动编码机-超限学习机的多维度数据特征识别方法，其特征在于，步骤S22包括如下步骤：

S221：将预处理后的原始数据通过β映射到特征空间；

S222：根据以下公式计算特征映射H_Final

H_Final＝β^TX

其中，β^T表示矩阵β的转置。

6.如权利要求3所述的基于自动编码机-超限学习机的多维度数据特征识别方法，其特征在于，步骤S23包括如下步骤：

S231：将计算出的特征映射H_Final进行转置，得到维度为L×N×D的矩阵Y，其中，D＝d₁×d₂×……×d_N，D为矩阵Y中每一个矩阵的维度；

S232：对于Y中的每一个维度为D的矩阵，利用生成的K个随机权值矩阵作为卷积核生成K个特征映射。