在线极限学习机及其在图像识别中的应用_杨晶晶.pdfVIP

责任编辑：万翀 Electronic Security 在线极限学习机及其在图像识别中的应用 Application of OP-ELM in Image Recognition 杨晶晶 广东电网公司信息部（广东 广州510630） 法复杂度较大 学习时间过长 并不 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 适合于大型数据集 在单隐层前馈神 optimized ELM，OP-ELM）。OP-ELM以单隐层前馈神经网络（single [2] 经网络 基础上 我们提出了在线极 hidden layer feed forward networks，SLFNs）为基础，固定了隐含节点数以 限学习机 Online Optimized Ex treme 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 L earning Machine OP-ELM OP- Learning Machine，ELM）学习速度快泛化性能好的优点。因此非常适合于 ELM 以单隐层前馈神经网络SLFNs为 基础 继承了极限学习机 Ex tr em e 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 Learning Machine ELM [3]不需要调 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 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 及学习算法效率方面具有明显优势。 方面 OP-ELM 通过将历史数据知识 关键词：图像识别；极限学习机；算法 固化到隐含节点输出矩阵中 降低了 DOI: 10.3969/j.issn.1005-5517.2012.4.017 计算资源的要求 综合考虑历史数据 图像数据的增长速度 面对如此海量 引言 和新数据 产生全局唯