[发明专利]基于预测增量宽度学习的图像识别分类方法

说明书

本发明公开了一种基于预测增量宽度学习的图像识别分类方法，包括以下步骤：步骤一：建立宽度学习模型，输入各类节点初始数量，设置识别准确度；步骤二：通过拟合函数计算需要的增强节点数量；步骤三：增加增强节点数量，进行增量宽度学习；步骤四：判断测试识别准确度是否大于设置识别准确度，若否，则返回步骤三；若是，则输出训练结果与识别准确度。本发明将宽度学习的部分实验数据通过最小二乘法拟合，通过部分实验数据拟合得出增强节点数量与识别精度之间的关系，通过设置精度可得出满足精度的合适的增强节点数量，避免了人为设置模型参数的繁琐步骤和设置不合适的模型参数导致的训练时间的增加，具有识别精度高、算法简单的优点。

技术领域

本发明涉及图像识别领域，特别涉及一种基于预测增量宽度学习的图像识别分类方法。

背景技术

随着互联网的不断发展，图片逐渐成为传播信息的主要载体，因此对图像的处理至关重要，图像识别技术作为图像处理中的一个重要部分近年来不断发展。机器学习是现在图像识别技术的主要方法，其通过外界的大量数据进行学习更新参数从而进行识别判断。作为目前机器学习的主流，深度学习在图像处理中取得了良好的处理结果，然而深度学习普遍存在着一个共同的问题，就是需要计算的参数多，训练时间长。

文献“Broad Learning System:An Effective and Efficient IncrementalLearning System Without the Need for Deep Architecture”提出了一种宽度学习系统。宽度学习系统是基于随机向量函数链接神经网络(RVFLNN)和单层前馈神经网络(SLFN)的一种单层增量式神经网络。其相对于深度学习网络层数更少，通过引入增强节点则可在不增加网络纵向深度的前提下增加神经网络模型的非线性拟合能力。这个模型相比于传统的深层网络模型，它在保证一定精度的同时，具有快速、简洁，同时支持增量式的在线模型更新等比较好的性质，其有效地解决了深度学习需要耗费大量时间的问题，同时具有较高的精度。为了提高宽度学习系统识别的准确度需要修改模型中的参数，模型的改变是要通过手动设置各类节点的数量，而通过增加大量增强节点来增加模型的拟合能力又会使增加整个训练时间。

发明内容

为了解决上述技术问题，本发明提供一种算法简单、分类精度高的基于预测增量宽度学习的图像识别分类方法。

本发明解决上述问题的技术方案是：一种基于预测增量宽度学习的图像识别分类方法，其特征在于，包括以下步骤：

步骤一：建立宽度学习模型，输入各类节点初始数量，设置识别准确度；

步骤二：通过拟合函数计算需要的增强节点数量；

步骤三：增加增强节点数量，进行增量宽度学习；

步骤四：判断测试识别准确度是否大于设置识别准确度，若否，则返回步骤三；若是，则输出训练结果与识别准确度。

上述基于预测增量宽度学习的图像识别分类方法，所述步骤一中，宽度学习模型的输入层是由两部分组成，分别是映射节点与增强节点，映射节点记为Z，增强节点记为H，原始输入记为X；映射节点是通过原始输入X经过线性变换与激活函数输出得到，而增强节点是通过映射节点线性变换与激活函数输出得到，其变换公式如式(1)(2)所示