小波核极限学习机分类器

分析了核极限学习机的原理,提出了一种小波核极限学习机,将小波函数做为极限学习机的核函数,证明了它是一种允许的极限学习机核。通过在双螺旋数据上的测试表明,小波核极限学习机在无训练数据分布的空间也具有分类能力,而高斯核极限学习机在没有训练数据分布的空间不具备分类能力。通过在不同的UCI数据集中的测试得出小波核极限学习机具有较高的分类性能。最后将小波核极限学习机应用到了人脸识别问题上,同样取得了优良的性能,说明小波核极限学习机具有一定的应用价值。     

样本线性化与数据去重的极限学习机

对于多标签分类中存在非线性的数据样本和重复的样本数据问题,本文提出了一种基于在线顺序极限学习机(On?line Sequential Extreme Learning Machine,OS-ELM)的改进算法—样本线性化和数据预处理极限学习机(PDC-ELM).PDC-ELM算法对线性不可分的数据样本先利用核函数进行处理,使数据样本具有线性可分的特征,对于处理后的数据样本,利用在线顺序极限学习机(OS-ELM)在计算之前对分类数据进行预处理,即从训练和测试数据集中查找不一样的特征标签并保存类标签中,实验中新生成的标签组将不具有重复的特征标签,大大减少了训练的对比次数.实验表明,相比于其他没有样本线性化和数据预处理的极限学习机模型,计算的准确度得到很大的提升,计算时间也有所降低.     

小波核极限学习机在人脸识别中的应用

文章提出了一种基于小波核极限学习机(Wavelet Kernel Extreme Learning Machine,WK-ELM)的人脸识别算法。首先,使用2D盖博小波变换对人脸图片进行初步的人脸特征提取。为了从所有提取的特征中选择出与人脸识别相关的、必要的特征,使用主成分分析法(Principal Component Analysis,PCA)对经过初步处理后的图像再进行进一步处理,有效地降低了特征维数。然后使用小波核极限学习机对提取到的图像进行分类。实验证明,小波核极限学习机不仅识别性能高,而且训练速度也优于其他算法。     

一种多尺度小波核极限学习机的图像检索仿真

阐述了核极限学习机原理。在此基础上提出了一种多尺度小波核极限学习机,将多尺度小波核作为极限学习机的核函数,测试表明是其一种可实现的极限学习机核。同时在无训练数据分布的空间也具备分类能力,同等条件下高斯核极限学习机却不具备分类能力。在图像检索中应用多尺度小波核极限学习机,实验表明,相比支持向量机学习机分类算法,该分类算法可提高检索精度以及速度,具有优良的性能和一定的应用价值。     

基于标签关联的多标签演化超网络

针对多标签学习中如何有效挖掘利用高阶标签关联的问题,提出了一种基于标签关联的多标签演化超网络模型.该模型通过输入任意多标签学习方法的预测结果,利用超边表征挖掘高阶标签关联,并综合标签关联和特征信息作为最终的预测结果.与3种传统多标签学习方法在6个多标签数据集上的对比实验表明,本文提出模型不仅能够有效提升多个传统多标签学习方法的性能,而且能够提供具有良好可读性的学习结果.     

K插值单纯形法核极限学习机的研究

针对核极限学习机高斯核函数参数选优难,影响学习机训练收敛速度和分类精度的问题,该文提出一种K插值单纯形法的核极限学习机算法。把核极限学习机的训练看作一个无约束优化问题,在训练迭代过程中,用Nelder-Mead单纯形法搜索高斯核函数的最优核参数,提高所提算法的分类精度。引入K插值为Nelder-Mead单纯形法提供合适的初值,减少单纯形法的迭代次数,提高了新算法的训练收敛效率。通过在UCI数据集上的仿真实验并与其它算法比较,新算法具有更快的收敛速度和更高的分类精度。     

结合多特征融合和极限学习机的红外图像目标分类方法

针对红外图像目标分类问题,提出了结合多特征融合和极限学习机（extreme learning machine,ELM）的方法。采用主成分分析（principal component analysis,PCA）、局部二值模式（local binary pattern,LBP）以及尺度不变特征变换（scale-invariant feature transform,SIFT）三类特征分别描述红外图像中目标的像素分布、局部纹理以及特征点信息。三类特征从不同侧面反映红外图像目标特性,因此具有互为补充的优势。在此基础上,基于多重集典型相关分析（multiset canonical correlations analysis,MCCA）对三类特征进行融合处理,获得统一的特征矢量。融合后的特征不仅继承了原始三类特征的鉴别特性,还有效去除了冗余信息。分类过程中,采用极限学习机作为基础分类器对融合特征矢量进行分类。极限学习机具有参数少、效率高、精度高和稳健性强等显著特点,有利于提高红外目标分类的整体性能。因此,所提出的方法通过结合多特征和极限学习机的优势综合提升了目标识别性能。在实验过程中,采用四类飞机目标的红外图像对所提出方法进行了性能测试。根据与现有几类方法的对比,实验结果证明了提出方法的性能优势。     

TGBA优化核极限学习机的光伏阵列故障诊断

针对核极限学习机(Kernel Extreme Learning Machine,KELM)用于光伏阵列故障诊断时准确率不高的不足,提出了 一种基于 TGBA(Tent Mapping and Gaussian Perturbation Strategy Optimize Bat Algorithm)算法优化核极限学习...     

基于Hilbert-Schmidt独立准则的多标签学习算法

与传统二分类或多分类的单标签问题不同,多标签问题研究中一个目标可能与多个标签相关联,标签之间丰富关系的存在导致对多标签问题的分析研究更加复杂。针对如何利用特征与标签、标签与标签之间的关系的问题,文章提出了基于Hilbert-Schmidt独立准则的多标签学习算法。该方法利用Hilbert-Schmidt独立准则评估特征和它的标签之间关联性并对其进行改进,采用多项式核函数代替线性核函数来衡量特征和标签的相关联性,考虑到不同标签对分类的贡献不同,加入标签权重矩阵。实验证明,文章研究的算法可以提高多标签分类的性能。     

一种基于全局和局部标记相关性的多标记分类算法

多标记学习用于处理一个示例同时与多个类别标记相关的问题.在多标记学习中,标记相关性能够显著提升学习算法的性能.大多数现有的多标记学习算法在利用标记的相关性时,要么只使用被所有示例所共享的全局标记相关性,要么就使用局部标记相关性,它们认为不同簇中的示例应该存在不同的标记相关性.本文中,我们提出了一种同时利用全局和局部标记相关性的多标记学习算法,从而为学习进程提供更全面的标记信息.在计算全局和局部标记相关性时,我们使用了余弦相似性来获取不同标记之间的正相关性和负相关性,这样有助于我们进一步实现更可靠的多标记学习.我们在多种类型的数据集上进行了广泛的对比实验来验证所提算法的有效性.实验结果表明,该算法显著优于大多数对比算法,展现出其在多标记学习中的突出性能.     

基于多分类投影极速学习机的快速人脸识别方法

提出了一种基于多分类投影极速学习机的快速人脸识别方法.首先采用2DGabor小波提取所有人脸样本图像的人脸特征,然后将学习样本的人脸特征用于训练多分类投影向量机,最后将训练好的多分类投影极速学习机用于分类.采用CMU-PIE和ORL人脸数据库进行了对比实验,大量实验结果证实所提方法的识别正确率和速度均优于极速学习机和支持向量机方法.     

基于有序编码的核极限学习顺序回归模型

顺序回归是机器学习领域中介于分类和回归之间的有监督问题。在实际中,许多带有序关系标签的问题都可以被建模成顺序回归问题,因此顺序回归受到众多学者的关注。基于极限学习机(ELM)的算法能有效避免因迭代过程陷入的局部最优解,减少训练时间,但基于极限学习机的算法在顺序回归问题上的研究较少。该文将核极限学习机与纠错输出编码相结合,提出了一种基于有序编码的核极限学习顺序回归模型。该模型有效解决了如何在顺序回归中取得良好的特征映射以及如何避免传统极限学习机中隐层节点个数依赖于人工设置的问题。为验证提出模型的有效性,该文在多个顺序回归数据集上进行了测试,测试结果表明,相比于传统ELM模型,该文提出的模型在准确率上平均提升了10.8%,在数据集上预测表现最优,而且获得了最短的训练时间,从而验证了模型的有效性。     

基于极限学习机的目标智能威胁感知技术

空中目标威胁感知是智能空战的关键技术之一。针对空中目标威胁评估问题,提出一种基于极限学习机的目标威胁智能感知策略。该方法首先提取目标威胁评估的高权重态势因子,并采用隶属度函数进行归一化数值解译;然后,借助专家知识采用极限学习机理论对威胁感知的输入输出数据进行建模,构建智能感知推理模型;最后,建立基于极限学习机的目标威胁智能感知流程。仿真结果表明,该算法具有较高的威胁感知精度以及较好的算法实时性。     

一种基于伪标签的半监督少样本学习模型

如何将带有大量标记数据的源域知识模型迁移至带有少量标记数据的目标域是少样本学习研究领域的热点问题.针对现有的少样本学习算法在源域数据与目标域数据的特征分布差异较大时存在的泛化能力较弱的问题,提出一种基于伪标签的半监督少样本学习模型FSLSS（Few-Shot Learning based on Semi-Supervised）.首先,利用pytorch深度学习框架建立一个关系型深度学习网络,并使用源域数据对网络进行预训练;然后,使用此网络对目标域数据进行分类预测,将分类概率最大的类标签作为数据的伪标签;最后,利用目标域的伪标签数据和源域的真实标签数据对网络进行混合训练,并重复伪标签标记与混合训练过程.实验结果表明,相对于现有主流少样本学习算法,FSLSS模型有更好的泛化能力及知识迁移效果.     

基于蒙特卡罗数据集均衡与鲁棒性增量极限学习机的图像自动标注

针对传统图像标注模型存在着训练时间长、对低频词汇敏感等问题,该文提出了基于蒙特卡罗数据集均衡和鲁棒性增量极限学习机的图像自动标注模型.该模型首先对公共图像库的训练集数据进行图像自动分割,选择分割后相应的种子标注词,并通过提出的基于综合距离的图像特征匹配算法进行自动匹配以形成不同类别的训练集.针对公共数据库中不同标注词的数据规模相差较大,提出了蒙特卡罗数据集均衡算法使得各个标注词间的数据规模大体一致.然后针对单一特征描述存在的不足,提出了多尺度特征融合算法对不同标注词图像进行有效的特征提取.最后针对传统极限学习机存在的隐层节点随机性和输入向量权重一致性的问题,提出了鲁棒性增量极限学习,提高了判别模型的准确性.通过在公共数据集上的实验结果表明：该模型可以在很短时间内实现图像的自动标注,对低频词汇具有较强的鲁棒性,并且在平均召回率、平均准确率、综合值等多项指标上均高于现流行的大多数图像自动标注模型.     

基于迁移学习与权重支持向量机的图像多标签标注算法

为解决图像的多标签自动标注中标签不平衡性的问题,提出了一种基于迁移学习与权重支持向量机的图像自动标注方法。为了解决所选数据集规模较小无法训练出最优的卷积神经网络的问题,文中采用迁移学习的方法,将通过Imagenet数据集训练出的Alexnet的参数迁移到文中所用的卷积神经网络模型中,并对最后一层全连接层进行微调,利用多标签分类多合页损失函数构成多分类的支持向量机。最后,文中对低频标签进行权重排序以得到图像的多标签标注结果。在Corel-5k、Esp-Game和IAPR-TC12共3个数据集上进行了实验,权重支持向量机获得的平均召回率分别提升了10%、9%和6%,低频标签对其平均精确率均提升了12%。实验结果表明,基于迁移学习的权重支持向量机的图像多标签标注方法可在有效提高数据集的召回率的同时提升低频标签的平均精确度。     

基于核机器学习的腔体滤波器辅助调试

 研究了一种基于核机器学习的腔体滤波器辅助调试方法.该方法根据工程中的调试经验数据,首先使用核机器学习算法建立了螺栓调整量和滤波器电性能之间的影响关系模型.然后应用此模型,使用优化技术构建了滤波器的辅助调整方法.实际滤波器的实验结果表明了该方法的有效性.该方法比较适用于工程中批量生产的腔体滤波器的辅助调试.