基于FLPP极端学习机人脸识别方法.docVIP

基于FLPP极端学习机人脸识别方法 　　摘 要：极端学习机（ELM）训练速度快、分类率高，已被广泛应用于人脸识别领域，但是在实际问题中由于数据具有较高维数，导致ELM在有限样本下存在学习不充分的问题。传统对数据进行有效维数约简的方法，没有考虑到数据之间判别信息和小样本问题。为此，提出一种强制性保留算法（FLPP），以保持全部样本与局部样本之间的几何结构，同时类间离散度矩阵加入判别信息，因此避免了样本点重叠和小样本问题。实验结果表明，该算法有效提高了极端学习机的泛化性能和分类准确率。 　　关键词：维数约简；强制性保留；极端学习机；人脸识别 　　DOI：10.11907/rjdk.172672 　　中图分类号：TP301 　　文献标识码：A 文章编号：1672-7800（2018）004-0028-04 　　Abstract：The extreme learning machine （ELM） has a very fast training speed and high classification rate. It has been widely used in the field of face recognition. However， the ELM has a high dimension that leads to learning sufficiency with limited samples in practice. The traditional method of efficient dimension reduction on data does not take the discriminant information between data and small sample problem into consideration. In view of the above problems， we propose a force-locality preserving projections （FLPP） to maintain the geometric structure between the whole sample and the local sample. In the meantime， we add the discriminant information to between-class scatter matrix， which avoids the sample points overlap and the small sample problem. The results show that the proposed algorithm improves the generalization performance and classification accuracy of extreme learning machines efficiently. 　　Key Words：dimension reduction； force-locality preserving projections； extreme learning machine； face recognition 　　0 引言 　　人?识别在生物、航空、遥感、公安等领域有着广泛应用，目前已成为人工智能领域的研究热点。但在实际应用过程中，数据通常具有较高的维数，并且分布不均匀，所以通常用神经网络等算法结合维数约简技术以提高识别率。 　　单隐层前馈神经网络[1]（Single-hidden Layer Feed Forward Networks，SLFNs）具有较好的容错性，网络连接权值和连接方式都可以通过学习得到，网络所学习的内容采用分布式存储方式。但是，传统的SLFNs方法经过多次迭代，利用梯度下降调整权值，收敛慢，容易陷入局部最小解。支持向量机[2]（Support Vector Machine，SVM）全局收敛，有更快的学习速度，其模型结构是找到一个最优的分类超平面区分两类样本。为了找到最优分类面，出现了很多经典算法，如：分解算法[3，4]、序列最小优化算法[5，6]、光滑支持向量机[7，8]。因此，求解不同二次凸规划问题成了支持向量机的关键，算法的复杂性影响其应用。Huang[9]提出一种求解线性方程组的方法――极端学习机（Extreme Learning Machine，ELM），该方法随机产生隐层节点的输入权值和偏置值，不需要迭代，避免了收敛速度慢，不会陷入局部最优解。而且在处理分类问题中，ELM比SVM具有更好的测试精度和更短的训练时间[10]。但ELM在分类过程中没有考虑到数据