一种稳定的基于极端学习机的纹理分类方法

摘要：

针对传统基于极端学习机(ELM)的纹理分类方法容易出现输出不稳定的缺点,本文将线性和非线性模型进行融合,改进了传统动力学模型.利用ELM能够快速学习的特点,将其作为基分类器,同时利用线性吸引子和局部吸引子的迭代,实现多个ELM分类器的最佳融合,以提升学习模型的泛化能力和稳定性.利用动力模型实现多分类器的融合有助于寻求多个基分类器之间的一致性,摒弃了基分类器中判别错误的样本输出.通过对CUReT纹理数据库的分类结果,与传统纹理分类方法相比,本文算法的稳定性和分类准确率都得到了一定程度的提升,取得了理想的分类效果.

关键词：纹理分类、极端学习机(ELM)、多分类器融合(MCS)、动力学模型

所属期刊栏目：26

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61271326

在线出版日期：2015-06-15（万方平台首次上网日期，不代表论文的发表时间）

页码：752-757