基于神經(jīng)反應模型和稀疏表示的圖像分類算法研究.pdf

1、圖像分類是機器學習和計算機視覺領域中一個非常重要的研究內容，在國防安全、工業(yè)信息化、醫(yī)學工程和互聯(lián)網(wǎng)科技等方面均有廣泛的應用。由于圖像易受光照條件、拍攝角度、復雜背景、旋轉變換或尺度放縮等因素的影響，從而對圖像進行分類是一個非常具有挑戰(zhàn)性的課題。因此，研究高效而具有魯棒性的圖像分類算法，具有重要的理論意義與實際應用價值。
　　提取圖像具有代表性的特征，是圖像分類過程中的一個關鍵部分。為了從復雜的圖像中提取有效的圖像特征，以及克服訓

2、練數(shù)據(jù)不足的現(xiàn)實問題，本文基于神經(jīng)反應模型和稀疏表示方法，著重研究了具有魯棒性和區(qū)分性的圖像分類方法，提出了一系列算法，并取得了較好的分類效果。論文的主要內容如下：
　　首先，本文提出了一種基于稀疏表示的神經(jīng)反應算法。該算法是一個多層的結構，試圖模擬人類大腦皮層中的視覺處理機制，通過交替進行非負稀疏表示和最大化聯(lián)合操作來構建。非負稀疏表示能夠提取圖像中的顯著特征，而最大化聯(lián)合操作使得模型對于平移等變換具有不變性。為進一步提高算法的

3、性能，本文依據(jù)算法的結構特點，還設計了兩種簡單而有效的模板選取方法。通過仿真實驗，驗證了該算法能大幅提高原始的神經(jīng)反應模型的性能，并在復雜圖像的分類問題中取得較好的效果。
　　然后，通過引入ELM（extreme learning machine）的理論，本文提出了一種基于神經(jīng)反應模型的多層結構算法。該算法主要包含兩個階段，即多層的ELM特征映射階段和ELM學習階段。其中，多層的ELM特征映射階段是一個多層的結構，它是以遞歸的方式

4、通過交替進行特征圖構建和最大化聯(lián)合操作來建立的。特別地，我們使用隨機生成的輸入權重構建特征圖，且無需對權重參數(shù)進行優(yōu)化調節(jié)，這使得模型的結構更加簡單，有更高的計算效率。在ELM學習階段，本文提出了一種基于彈性網(wǎng)正則化約束的優(yōu)化模型，為ELM方法學習輸出權重，并相應地設計了問題的優(yōu)化算法。彈性網(wǎng)正則化約束能夠為ELM方法學習更緊致和有選擇性的輸出權重，這將有益于ELM方法的特征學習過程。實驗結果顯示，與傳統(tǒng)的深度學習方法相比，該算法能夠在

5、獲得更高分類精度的前提下，花費更少的計算時間。
　　最后，針對實際問題中訓練數(shù)據(jù)不足的情況，本文提出了一種半監(jiān)督的基于圖正則化約束的稀疏表示算法。該算法能夠充分利用已標記數(shù)據(jù)和未標記數(shù)據(jù)的信息，學習未標記數(shù)據(jù)的類別信息。學習得到的類別信息，不僅能夠保持與原始數(shù)據(jù)相同的流形結構，而且具有較好的區(qū)分性，有利于對圖像進行分類。為了充分挖掘未標記數(shù)據(jù)中隱含的結構信息，通過賦予鄰域內未標記數(shù)據(jù)額外的權重，定義了一種新的類間相似度矩陣和類內相