基于混合核极限学习机的标记学习研究及应用

发布时间：2020-06-21 11:30

【摘要】：随着机器学习的发展目前有大量的机器学习算法被提出,人工神经网络(Artificial Neural Networks,ANN)就是其中的一个重点研究方向。单隐藏层神经网络又是ANN中发展最为完备使用范围最为广泛的一类算法。传统的神经网络算法例如BP神经网络(Back Propagation Neural Network)有着参数复杂,训练速度慢,对数据需求庞大的问题,而极限学习机(Extreme Learning Machine,ELM)则是对传统单隐藏层神经网络算法的扩展创新,它极大的避免了传统神经网络算法的缺陷,所以将极限学习机引入到使用传统的神经网络算法进行处理的问题中可以提升算法性能。当前随着网络使用率的提升,现在有大量互联网用户每天都在产生海量的数据,同时这些数据非常的零散,数据的信息密度和使用价值也都很低,所以这样就需要一种合适的方法来处理这些数据,标记学习就是一种性能表现良好的数据分类处理办法,它通过建立已知特征到标记的映射来处理未知数据的标记识别问题,目前已经有了大量的研究成果。核函数作为一种高效的维度空间映射方法在人工神经网络算法中有重要的应用,而基于核的极限学习机也是提升改善极限学习机性能的一种有效方法。对此本文提出将混合核极限学习机应用到多标记问题和性别标记识别问题中。基于核极限学习机的多标记学习算法能够有效提高标记分类性能,但是现有算法大都使用单一核函数,未能有效解决多标记中数据差异性问题。本文将混合核引入到极限学习机算法中,提出基于混合核极限学习机的多标记学习。首先在极限学习机中通过混合核函数将特征映射到高维空间,然后对原标记空间建立混合核极限学习机模型求得输出权值,最后通过模型计算预测未知样本的标记。通过与现有算法在相同数据集下进行的对比,结果表明本文算法在五个评价指标下性能优于多个对比算法,统计假设检验进一步说明本文算法的有效性,有利于多标记学习算法性能提升。目前大部分性别标记识别问题都是基于传统的神经网络算法,本文将在多标记识别中有较好表现的混合核极限学习机应用到性别标记问题中。通过LBP(Local Binary Pattern,LBP)和LPQ(Local Phase Quantization,LPQ)来提取人脸图像特征,并进行性别标记之后用这些特征和标记来训练混合核极限学习机得到预测模型。然后将未知性别标记的人脸图像同样提取特征后通过该预测模型来判断性别。通过对比其他算法在同一个公开数据集上的识别率,证明了混合核极限学习机在性别标记问题中的有效性。
【学位授予单位】：安庆师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：C81
【图文】：

多标记,图像

移动端网民单日使用时长已达到 186 分钟，超过 PC 端 2 倍，约为看 4 集电时间。目前中国的互联网用户数量已经位居全世界第一，大量的用户时时刻刻都海量的数据，但是这些随机产生的数据信息密度低，经济价值不高，要想有效合用这些数据就必须要有合适的大数据分析工具。目前基于神经网络技术的各种数分类方法层出不穷，其中标记学习的研究和应用在处理低信息密度数据方面有着效果，所以构造高性能的标记学习算法就变得尤为重要。标记学习即是用数据特征构造数据的某些标志的映射关系。它又分为单标记和多单标记即全部特征只对应一个标记，而多标记既是指一些特征对应一个标记另征对应另一个标记，这样一个样本就被多个标记所描述。由于现实世界的多义性上多标记学习更加符合现实情况。但不论是哪种标记学习框架都有一定的实用价一个样本来说并不是每个标记都是重要的，如图 1.1 所示：该图是一张典型的海从标记的角度来看该图的标记有：男性人物、女性人物、船、树木、沙滩、水面、云彩、建筑等。如果对该图进行场景分析这些标记都有重要作用，但是如果是的某个人进行分析则男女性别标记就变得重要其他的可能会造成干扰。所以进行析就有了重要的意义。

示意图,神经网络,示意图,隐藏层

第二章基本理论知识机习的发展，众多研究者提出了各种基于人类神经网络人工神经网络[21]，它们都是通过模仿人类神经元信息传网络学习框架均由输入层、隐藏层、输出层三种元素组该层中的多个节点完成，这些节点又被称为神经元，对重系数来进行处理上一个节点的数据最后得到输出。目隐藏层神经网络算法[22]，它最大的优点是可以高效的映射到高维来处理。神经网络算法示意图如图 2.1 所示

【参考文献】