基于ELM改进K-SVD算法的多特征融合物体成像识别.pdf
《基于ELM改进K-SVD算法的多特征融合物体成像识别.pdf》由会员分享,可在线阅读,更多相关《基于ELM改进K-SVD算法的多特征融合物体成像识别.pdf(3页珍藏版)》请在咨信网上搜索。
1、58ELECTRONIC ENGINEERING&PRODUCT WORLD 2023.8$智能视觉电子产品世界Design设计应用&Application基于ELM改进K-SVD算法的多特征融合物体成像识别Multi-feature fusion object image recognition based on ELM improved K-SVD algorithm杨玲玲(河南工业贸易职业学院,信息工程学院,郑州450064)摘 要:通过极限学习机ELM算法改进K-SVD字典学习算法,并成功应用于多特征融合物体成像识别领域。研究结果表明:通过ELM算法,字典精确度和优势在处理后的提升效果
2、均十分显著。不论是从计算效率还是计算准确率来看,改进的K-SVD算法表现出较佳优势。K-SVD算法性能可通过ELM显著提升,算法识别准确率在多特征加入后也相应快速增长。将较低分辨率的样本从图像中筛选出来,有利于减少傅里叶叠层成像数量。关键词:K-SVD算法;算法改进;图像识别0 引言作为一项重要可用于恢复样品高分辨率和相位的技术,近几年来傅里叶叠层成像(FP)取得显著进步1,2。样品高分辨率成像在大视场下完成的主要原因是具有相对较为简单的运行设施及 FP 技术所需算法,实现的功能还包括三维重聚焦3,4。在处理稀疏矩阵时应用协同过滤算法,该算法基于内存分析完成建立,所以系统准确预测及高效运行均不
3、能得到充分有效保障,此问题需将新算法引入完成处理,将原传统算法进行改进。在推荐算法中早已应用 SVD 技术,表现出较强的降维性能,结果显示可显著改善数据稀疏性5。最初在搜索潜在语义领域应用 SVD 技术,该算法被应用于推荐算法中,确定维数完成预测前,需按照含有奇异值对角矩阵、用户特征向量矩阵、低维项目特征向量矩阵分解高维用户-项目评分矩阵,维数确定需结合奇异值大小及 数量6。本文获取 ELM 算法采用 K-SVD 算法改进处理实现,并成功应用于多特征融合物体成像识别领域。1 ELM改进K-SVD算法1.1 SVD梯度下降法针对以 SVD 技术为基础的推荐算法,应用梯度下降法获取的优化效果较佳,
4、优化原理为:将点集(X,Y)预先设置,特征变量及预测值分别对应 X 和 Y 变量,通过迭代学习对某 X 特征采用机器学习模式查询获取估计函数,然后再获取估计值 Y,通过该函数预测新数据7。设定点集 X 内第 n 个特征分量为 xn,构建变量 X=(x1,x2,.xn),拟合函数 h(x)表达式为:h(x)=a0+a1x1+a2x2+.anxn式中,a 参数需通过迭代运算求解。同时判断真实值与预测值间的差异时需利用误差函数,利用该算法迭代求解,用以下形式表示该误差函数:J aa xy()()=12i=n0ii2(1)然后最小化 J a(),求解最小 J a()主要依据各 a 值完成。用一个曲面或
5、一条曲线代替J a(),同时参考数学分析理论基础,通过计算曲面或最低点替代最小值求解问题8。然后以最快速度并结合梯度最大方向完成最值搜索,求导J a()后再按上述步骤进行求解。按照以下形式调整 a 表达式:aJ aah xy xiii=ai()()(2)学习效率高低用表示,操纵迭代步长,最佳效果在未合理控制此参数的情况下将难以达到。 2023.8电子产品世界设计应用智能视觉Design&Application按照以下步骤应用梯度下降法完成计算:第1步:确定初始值h及误差阈值,同时要求0。第 2 步:最小化误差函数J a(),然后再求解下降方向,计算aiJ a()。第 3 步:判断aiJ a()
6、是否比小,将计算结果输出;否则则按上述步骤进行重新计算。1.2 训练ELM算法训练 DELM-AE 算法的流程图如图 1 所示。在测试样本稀疏编码过程中,所利用字典选用全部的测试样本,测试样本标签值的判定则需依据重构误差最小准则。训练算法数据传输模式在隐含层及输入均选用全连接模式,学习参数用 表示。同时选用单隐层 ELM 算法解析算法各层及前一层,有利于训练成本的大幅降低,单隐层 ELM“输入层”用“输出层”代替。参考此方法可完成极限学习机网络模型的构建,实现自编码功能,训练参考以上步骤进行。2 物体识别的应用2.1 物体识别在 Coil-20 数据集中验证 ELM 算法。旋转 10 后再对每
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 ELM 改进 SVD 算法 特征 融合 物体 成像 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。