(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211060058.6 (22)申请日 2022.08.30 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 邹伟东　夏元清　李慧芳　张金会　 翟弟华　戴荔　刘坤　闫莉萍　 (74)专利代理 机构 北京东方昭阳知识产权代理 事务所(普通 合伙) 11599 专利代理师 刘丽 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于循环迭代最小二乘的极限学习机 的图像识别方法 (57)摘要 本发明公开了一种基于循环迭代最小二乘 的极限学习机的图像识别方法， 利用卷积运算随 机提取图像特征与利用循环迭代最小二乘求取 隐含层节 点的输出权值矩阵， 实现对极限学习机 模型的训练， 能够在降低计算负 担过重和提高计 算效率的情况下提高算法的泛化性能， 在一定程 度上能够满足图像识别的需要， 同时为更准确地 进行图像识别提供了新思路和新途径。 权利要求书2页 说明书5页 CN 115410001 A 2022.11.29 CN 115410001 A 1.一种基于循环迭代最小二乘的极限学习机的图像识别方法， 其特征在于， 包括以下 步骤： 步骤1、 依次对采集到的图像样本进行卷积、 非线性映射和池化处理提取特征， 由所有 图像样本的特征与标记构建训练样本集； 所述图像样本表示为{Xi,Yi|Xi∈Rp×q×3,Yi∈R,i ＝1,2,...,N }， 其中， Xi表示第i张图像作 为模型的输入， Yi表示第i张图像对应的标记作 为 模型的输出， p为每张图像的高度， q为每张图像的宽度， 3表 示RGB三个颜色通道， N为样 本总 数； 所述特 征表示为 其中， n、 b、 m、 s均表示卷积核的大小； 步骤2、 建立极限学习机模型， 使用所述训练样本集利用循环迭代最小二乘求解隐含层 节点的输出权值矩阵， 完成对极限学习机模型的训练， 所述极限学习机模型如公式(5)所 示： Y1×N＝β1×k·Jk×N (5) 其中， Y1×N∈R1×N表示极限学习机模型的输出矩阵， N为样本个数， k为 隐含层节点的个 数， Jk×N为隐含层 节点输出矩阵， 且满足S (p‑n‑m+1+q‑b‑s+1)×N∈R(p‑n‑m+1+q‑b‑s+1)×N为极限学习机模型的输入数据， (p ‑n‑m+1+q‑b‑s+1)为每 个输入样本向量的特征维数， αk×(p‑n‑m+1+q‑b‑s+1)为输入到隐含层节点之间的输入权值矩阵， λk×N为隐含层节点的偏置矩阵， 为可选择的非线性激活函数； αk×(p‑n‑m+1+q‑b‑s+1)和 λk×N均为 随机生成， 且生成后保持不变； 步骤3、 在实际使用中， 采用步骤1的方式提取待识别图像的特征， 将特征输入步骤2训 练得到的极限学习机模型中即可 得到图像的类型。 2.根据权利要求1所述的图像识别方法， 其特征在于， 所述步骤2中使用所述训练样本 集利用循环迭代最小二乘求解隐含层节点的输出权值矩阵， 完成对极限学习机模型的训 练， 包括以下步骤： 步骤1.1、 采用公式(6)计算逆矩阵 中第i行第j列元 素在第t次迭代时的值： 其中， UN×k表示隐含层节点输出矩阵Jk×N的逆矩阵， 且满足Jk×N*UN×k＝Ik×k； Ik×k为单位 矩阵； 为向量 和向量 做内积运算； 为向量 的2‑范数的平方； 迭 代次数t的最大值 为T； 步骤1.2、 采用公式(7)计算在第t次迭代时的余差 其中， 余差 的初始值 为 步骤1.3、 令i自加1， 当i≤N时， 执 行步骤1.1； 当i＞N时， 执 行步骤1.4。 步骤1.4、 令j自加1， 当j≤k， 执 行步骤1.1； 当j＞k时， 执 行步骤1.5 。权　利　要　求　书 1/2 页 2 CN 115410001 A 2步骤1.5、 采用公式(8)计算逆矩阵的第t次迭代误差： 其中， Ek×k为逆矩阵的迭代误差， 其初始值 为E0k×k＝Ik×k； 步骤1.6、 令t自加1， 当t≤T， 执 行步骤1.1； 当t＞T时， 执 行步骤1.7。 步骤1.7、 采用公式(9)计算并输出隐含层节点的输出权值矩阵 结束本流 程： 3.根据权利要求1所述的图像识别方法， 其特征在于， 所述步骤1中依次对采集到的图 像样本进行卷积、 非线性映射和池化处理提取特征， 由所有图像样本的特征与标记构建训 练样本集， 具体包括以下步骤： 步骤1.1、 采用公式(1)获取第 i张图像Xi的基于平均像素的图像 图像Xi为三元数 组， 表示为Xi＝[X1i,X2i,X3i]， 其中， X1i表示图像Xi的R通道的分量， X2i表示图像Xi的G通道的 分量， X3i表示图像Xi的B通道的分量： 步骤1.2、 采用公式(2)、 (3)和(4)依次对步骤1.1得到的图像进行卷积、 非线性映射和 池化处理： 其中， Fi(p‑n+1)×(q‑b+1)∈R(p‑n+1)×(q‑b+1)为卷积层的输出矩阵； Wn×b为二维卷积核， Wn×b为随 机生成且生成后保持不变； *表示卷积运算； 为卷积层的输入数据； Hi(p‑n+1)×(q‑b+1) 为输出特征映射矩阵； φ为可选择的非线性激活函数； 为池 化层的输出矩阵； Pm×s为二维卷积核， 卷积核中所有元素均 为1， 且满足条件p ＞n＞m,p ‑n‑m ＞0及q＞b＞s,q ‑b‑s＞0； 步骤1.3、 将池化层的输出矩阵 转换为特 征向量 权　利　要　求　书 2/2 页 3 CN 115410001 A 3