核極限學習機的理論與算法及其在圖像處理中的應用.pdf

1、基于數據的機器學習方法以客觀存在的事物為對象，研究數據的客觀規(guī)律，實現(xiàn)數據的分類和預測。極限學習機作為一類機器學習方法，以簡單易用、有效的單隱層前饋神經網絡學習算法，受到越來越多的研究者關注。傳統(tǒng)的神經網絡學習算法（如BP算法）需要人為設置大量的網絡訓練參數，并且容易產生局部最優(yōu)解。極限學習機只需要設置網絡的隱層節(jié)點個數，在算法執(zhí)行過程中不需要調整網絡的輸入權值以及隱元的偏置，可以產生唯一的最優(yōu)解，因此它具有學習速度快且泛化性能好的優(yōu)點

2、。核極限學習機是將核函數引入到極限學習機中，可以得到最小平方優(yōu)化解，具有更穩(wěn)定的、更好的泛化性能。
　　本文在前人研究工作的基礎上，基于核極限學習機的框架，提出了若干有效的優(yōu)化算法，研究了核極限學習機在圖像處理中的應用。論文的主要工作包括以下幾個方面:
　　(1)基于傳統(tǒng)的極限學習機，提出了極限學習機快速稀疏近似算法。對于大規(guī)模數據集，極限學習機的快速稀疏算法將求解核矩陣的逆轉化為迭代運算，通過求解規(guī)模相對較小的線性方程組完

3、成對極限學習機的訓練，降低了求解核矩陣逆的復雜度，提高了計算效率。仿真試驗表明，該算法在大規(guī)模數據分類和回歸問題表現(xiàn)出有效性。
　　(2)本文提出了基于多核學習的極限學習機分類器設計的方法。單核不能滿足如數據異構、數據不規(guī)則、樣本不平坦等情況下的應用需求。該方法在多核框架下，將核的權系數通過特征映射到新的特征空間，并通過學習得到優(yōu)化的權系數，實現(xiàn)了多核分類器的設計。在標準數據集中將不同優(yōu)化核的算法QCQP和SILP進行比較，實驗結

4、果表明多核學習的極限學習機有更好的分類效果。
　　(3)提出一種基于進化極限學習機的人臉性別識別算法。通過對人臉的曲波變換提取特征系數，用雙向增長的主元分析方法對高維樣本空間壓縮降維，采用進化極限學習機進行訓練和分類測試，最后得到分類結果。在標準人臉庫中，相比傳統(tǒng)的人臉性別識別方法，該算法具有運行速度快，分類精度高的優(yōu)點。
　　(4)實現(xiàn)了基于稀疏編碼和核極限學習機的圖像超分辨率復原的方法?；诤藢W習的圖像超分辨復原包括兩個

5、階段:訓練階段和測試階段。在訓練階段中，通過核極限學習機將低分辨率圖像映射到高分辨率圖像，得到耦合字典的稀疏系數。在測試階段中，通過耦合字典的稀疏系數，用核極限學習機對低分辨率圖像進行重構，得到復原后的超分辨圖像。該算法克服了稀疏字典學習的計算瓶頸問題，同時有效改進了圖像復原質量。
　　(5)將核極限學習機作為分類器應用到鋼球表面缺陷檢測系統(tǒng)。由于鋼球非常小，表面光滑反光強，不容易定位，傳統(tǒng)的采用人工檢測方法其穩(wěn)定性和精確性難以保