10.3969/j.issn.1672-9722.2019.03.037
基于CNN与RoELM的图像分类算法研究
针对极限学习机(ELM)等单隐层前馈神经网络(SLFN)算法在特征提取方面不精准以及深度学习(DL)算法学习时间长,易陷入局部最小值等问题,提出了一种卷积混合模型极限学习机(CNN-RoELM).该算法使用卷积神经网络(CNN)提取特征,通过把多个卷积层与降采样层作为隐层来实现图像特征提取,并采用随机权值,从而极大地减少了提取特征过程中的时间;然后利用加权最小二乘法来计算鲁棒极限学习机(RoELM)的输出权值,实现图像快速分类.实验结果表明,该算法能够高效,精准地实现图像分类,同时又保留了较好的鲁棒性和泛化性.
极限学习机、卷积神经网络、CNN-RoELM、图像分类
47
TP391.4(计算技术、计算机技术)
2020-01-17(万方平台首次上网日期,不代表论文的发表时间)
共6页
666-671