小波核极限学习机在人脸识别中的应用

文章提出了一种基于小波核极限学习机(Wavelet Kernel Extreme Learning Machine,WK-ELM)的人脸识别算法。首先,使用2D盖博小波变换对人脸图片进行初步的人脸特征提取。为了从所有提取的特征中选择出与人脸识别相关的、必要的特征,使用主成分分析法(Principal Component Analysis,PCA)对经过初步处理后的图像再进行进一步处理,有效地降低了特征维数。然后使用小波核极限学习机对提取到的图像进行分类。实验证明,小波核极限学习机不仅识别性能高,而且训练速度也优于其他算法。     

在线极限学习机及其在图像识别中的应用

针对海量图像数据的识别问题,本文提出了在线极限学习机(online optimized ELM,OP-ELM)。OP-ELM以单隐层前馈神经网络(single hidden layer feed forward networks,SLFNs)为基础,固定了隐含节点数以及节点参数,在在线增量学习过程中综合考虑历史数据和新数据,产生全局唯一的最优解,降低了计算资源的需求,继承了极限学习机(Extreme Learning Machine,ELM)学习速度快泛化性能好的优点。因此非常适合于海量图像数据的在线学习问题。在公开图像数据集Caltech4和Scene13上的实验表明,本文提出的方法取得了与前沿离线识别方法性能相当的识别效果,与基于SVM的在线学习方法LA-SVM相比,在参数规模、参数调节以及学习算法效率方面具有明显优势。     

基于TI-UKF的短航迹在线空间配准方法

为了提高多传感器系统的综合性能,对时空配准的理论和方法进行探索具有重大的现实意义。近程跟踪定位系统中,由于目标距离近且速度快,导致可用于配准的数据量很小,航迹短,在配准算法尚未收敛时观测数据已结束,从而为多传感器的时空配准带来困难。本文针对近程跟踪定位系统中的这些特征,将航迹迭代的思想结合近程系统航迹较短的特点,提出一种基于航迹迭代的无迹卡尔曼滤波(TI-UKF)的空间配准方法,对以雷达和红外传感器为探测手段获取的目标数据实现空间配准。实验采用曲线运动模型,模拟4条航迹,对雷达和红外传感器的空间配准进行实验,验证本文所提算法的有效性和系统偏差的收敛速度。实验结果表明,所提算法是有效的,且具有较强的应用价值。      

光电经纬仪提高多传感器测量精度的方法

为了得到多信息进行信息融合,光电经纬仪采用多传感器的方法,即在主视轴及辅助视轴上安装了传感器。作为获得信息的多种手段,主视轴传感器获得的测量数据,分析处理数据按常规方法计算即可;辅助视轴与主视轴存在平行度,辅助视轴传感器获得的测量数据,处理时必须对结果进行修正。在精度要求不高的情况下,通常的方法是直接在辅助视轴传感器获得的方位角、高低角修不平行度。本文采用坐标变换方法推导出辅助视轴误差修正模型,直接获得目标的方位角、高低角;实验证明,在高低角〈45°时,精度可提高10%。     

多雷达系统几种误差配准方法的分析与比较

对多雷达系统现有几种主要误差配准方法即实时质量控制法（RealTimeQuality Control)、最小二乘法（Least Squares)、最大似然法（Maximum Likelihood)和广义最小二乘法（Generalized Least Squares)进行理论分析与比较,利用参考文献[1]的数据对上述几种算法的实际应用效果进行比较,为实际系统选择合适配准算法提供一定依据。     

多雷达系统几种误差配准方法的分析与比较

对多雷达系统现有几种主要误差配准方法即实时质量控制法（Ｒｅａｌ ＴｉｍｅＱｕａｌｉｔｙ Ｃｏｎｔｒｏｌ）、最小二乘法（Ｌｅａｓｔ Ｓｑｕａｒｅｓ）、最大似然法（Ｍａｘｉｍｕｍ　Ｌｉｋｅｌｉｈｏｏｄ）和广义最小二乘法（Ｇｅｎｅｒａｌｉｚｅｄ Ｓｑｕａｒｅｓ）进行理论分析与比较,利用参考文献［１］的数据对上述凡种算法的实际应用效果进行比较,为实际系统选择合适配准算法提供一定依据。     

基于改进极限学习机的数码印花颜色空间转换方法

针对目前数码印花过程中颜色空间转换方法无法适应织物多样性引起的色差问题,提出一种改进的正则化极限学习机算法,实现L*a*b*到CMYK颜色空间快速灵活转换.首先,选用PANTONE纺织TCX色卡作为实验的样本数据,随机选取800个色块,这些色块的L*a*b*值作为输入,对应的C、M、Y、K值分别作为输出,训练网络,建立...     

基于A-ELM的移动视觉搜索方法

计算机智能技术在图像领域已经得到广泛的应用.极限学习机(ELM)作为一种新兴技术,克服了其他传统智能技术所面临的一些问题,吸引了越来越多研究人员的关注.首先对ELM算法的性能进行了分析验证,并将其延伸到图像分类搜索上.在此基础上,提出了基本视觉搜索(BMVS)框架,将ELM运用到此框架服务器端,并进一步优化了ELM的分类性能.最后实验证明ELM在移动视觉搜索方面的可行性,并通过和支持向量机(SVM)的实验对比验证相关方法的高效性.     

极端学习机在立体图像质量客观评价中的应用

基于传统神经网络训练速度慢、易陷入局部极小值和泛化性能低等问题,提出采用极端学习机(ELM,extreme learning machine)对立体图像质量进行了客观评价。ELM是单隐层前馈神经网络(SLFNs)的泛化,输入权重可以随机赋值并通过解析获得输出权值。与传统神经网络算法相比,ELM算法具有参数选择简单、学习速度快及泛化性能好等优点。实验结果表明,以sigmoid为激励函数,对241幅不同等级的立体图像测试样本进行测试,其正确等级分类率达到93.85%。研究了不同激励函数条件下不同隐藏层节点数对极端学习机网络性能的影响,且将ELM和传统BP及支持向量机(SVM)在立体图像质量评价中的性能进行了分析比较。     

相空间重构和正则极限学习机的网络流量预测

网络流量预测一直是网络研究技术中的热点,针对网络流量变化的时变性、混沌性,提出一种相空间重构和正则极限学习机的网络流量预测模型。首先收集大量的网络流量历史样本,并进行相应的预处理,然后根据混沌理论确定最优延迟时间和嵌入维数,并重构网络流量学习样本,最后采用正则极限学习机建立网络流量预测模型,并进行仿真对比实验。结果表明,相对于其它网络流量预测模型,本文模型可以更加准确描述网络流量的非线性变化特点,提高网络流量预测精度,预测结果具有一定实用价值。     

深度复极限学习机在雷达HRRP目标识别中的应用

传统雷达高分辨一维距离像(High-resolution Range Profile,HRRP)目标识别方法只利用目标幅度信息而丢失其相位信息,这势必会造成信息不完备.为解决此问题,提出将深度极限学习机从实数域扩展到复数域,以有效提取复HRRP序列的深层潜在结构信息.同时为更好地保持数据间的邻域信息,将流形正则化引入到...     

Regularized manifold information extreme learning machine

By exploiting the thought of manifold learning and its theoretical method, a regularized manifold information ex-treme learning machine algorithm aimed to depict and fully utilize manifold information was proposed. The proposed algo-rithm exploited the geometry and discrimination manifold information of data to perform network of ELM. The proposed algorithm could overcome the problem of the overlap of information. Singular problems of inter-class and within-class were solved effectively by using maximum margin criterion. The problem of inadequate learning with limited samples was solved. In order to demonstrate the effectiveness, comparative experiments with ELM and the related update algorithms RAFELM, GELM were conducted using the commonly used image data. Experimental results show that the proposed algorithm can significantly improve the generalization performance of ELM and outperforms the related update algorithms.     

基于极限学习机的高压输电线路障碍物识别方法

针对高压线路障碍物识别模型精度较低和稳定性较差等问题,提出一种基于改进狮群算法优化的多核极限学习机(ILSO-MKELM)的障碍物识别方法.通过混沌、差分和模拟退火算法对原狮群算法(LSO)进行了改进.基于所提方法用高压线路上常见的数种障碍物图片数据建立识别模型,并与极限学习机(ELM)、KELM和LSO-MKELM建...     

结合多特征融合和极限学习机的红外图像目标分类方法

针对红外图像目标分类问题,提出了结合多特征融合和极限学习机（extreme learning machine,ELM）的方法。采用主成分分析（principal component analysis,PCA）、局部二值模式（local binary pattern,LBP）以及尺度不变特征变换（scale-invariant feature transform,SIFT）三类特征分别描述红外图像中目标的像素分布、局部纹理以及特征点信息。三类特征从不同侧面反映红外图像目标特性,因此具有互为补充的优势。在此基础上,基于多重集典型相关分析（multiset canonical correlations analysis,MCCA）对三类特征进行融合处理,获得统一的特征矢量。融合后的特征不仅继承了原始三类特征的鉴别特性,还有效去除了冗余信息。分类过程中,采用极限学习机作为基础分类器对融合特征矢量进行分类。极限学习机具有参数少、效率高、精度高和稳健性强等显著特点,有利于提高红外目标分类的整体性能。因此,所提出的方法通过结合多特征和极限学习机的优势综合提升了目标识别性能。在实验过程中,采用四类飞机目标的红外图像对所提出方法进行了性能测试。根据与现有几类方法的对比,实验结果证明了提出方法的性能优势。     

一种改进的基于误差最小化的极限学习机

在基于误差最小化的极限学习机（EM_ELM）的基础上,提出了一种改进的基于误差最小化的极限学习机,输入权重和偏置采用递归最小二乘法获得.实验证明,该方法具有更快的学习速度、良好的预测精度和更精简的网络结构.     

Encrypted image classification based on multilayer extreme learning machine

Nowadays, numerous corporations (such as Google, Baidu, etc.) require an efficient and effective search algorithm to crawl out the images with queried objects from databases. Moreover, privacy protection is a significant issue such that confidential images must be encrypted in corporations. Nevertheless, decrypting and then classifying millions of encrypted images becomes a heavy burden to computation. In this paper, we proposed an encrypted image classification framework based on multi-layer extreme learning machine that is able to directly classify encrypted images without decryption. Experiments were conducted on popular handwritten digits and letters databases. Results demonstrate that the proposed framework is secure, efficient and accurate for classifying encrypted images.