基于主成分估计的极限学习机方法

极限学习机(Extreme Learning Machine,ELM)是一种单隐层前馈神经网络(Single-hidden Layer Feedforward Neural Networks,SLFN),它相较于传统神经网络算法来说结构简单,具有较快的学习速度,以及良好的泛化性能等优点。由最小二乘法(Least Square,LE)计算得出的输出权值,往往由于设计矩阵为奇异矩阵,得到的权值有较大偏差,遇到有噪声的数据时,算法的鲁棒性无法保证。主成分估计是对最小二乘估计的一种改进算法,主成分估计能有效的改善设计矩阵奇异造成的影响,能有效的提高网络模型的鲁棒性和抗噪能力。提出了一种基于主成分估计的极限学习机方法(PC-ELM),实验结果表明,此方法能有效提高算法的鲁棒性和泛化能力。

Lab模型和MVT在黄粒米检测中的应用

本文提出了一套基于Lab模型和MVT的黄粒米自动检测系统。为了用色调来描述黄粒米的特征,提出了一套图像处理的算法。将大米图像从背景分离之后,将RGB模型转换为Lab颜色模型来提取色度特征,并将色度特征采用直方图进行统计。接着采用主分量分析法,将色度统计信息由256维向量降低到10维向量。以这10维向量为输入,用支持向量机进行分类。最后,经过训练得到最优分类函数,分类正确率达到98.5%。