区域渐近增强与感受野结合的多核近似学习网

为充分提取图像中可辨识信息、提高分类正确率,提出多核近似学习网,该网络主要由2部分构成。在特征提取部分,利用二维高斯分布对原始图像进行区域渐进增强,局部感受野和全局感受野被用于充分提取原始图像和区域渐进增强图像中的局部和全局特征,并将其串联以组成代表图像的特征向量。在分类部分,提出多核近似算法,将近似核映射编码出的低秩特征矩阵作为网络的隐藏层,以求解网络的输出权重。为验证该网络的有效性,利用USPS、MNIST和NORB数据集进行实验,实验证明所提出的多核近似学习网能够在局部感受野极端学习机的基础上进一步提取出特征信息,有效提高了分类正确率。

煤与瓦斯突出的L-Isomap-KELM模型

煤与瓦斯突出预测是一个复杂多因素的、非线性的高维问题,传统的预测方法存在预测精度不高,预测速度慢等不足。针对上述问题,提出了将地标等距特征映射(Landmarks Isometric Mapping,L-Isomap)理论与核极端学习机(Kernel Extreme Learning Machine,KELM)相结合应用到煤与瓦斯突出预测中的新方法。首先,采用L-Isomap进行非线性降维,完成特征提取;然后,用KELM来融合煤与瓦斯突出风险与致突因素组成的特征向量之间的非线性关系,建立煤与瓦斯突出预测的L-Isomap-KELM模型,并将其与极端学习机(ELM)预测模型相比。仿真结果表明:L-Isomap-KELM预测模型能够达到97.31%的准确率,并且运算速度快,还具有很好的泛化能力。

瓦斯突出等级预测模型

针对瓦斯突出等级评判方法预测准确度低的问题,提出一种基于拉普拉斯特征映射算法(LE)和改进的乌鸦搜索算法(ICSA)优化核极限学习机(KELM)的瓦斯突出预测模型。利用LE算法对瓦斯突出数据进行非线性降维,消除变量间的相互重叠;引入Tent扰动序列、自适应步长和自适应感知概率改进传统的乌鸦搜索算法(CSA),有效避免算法陷入局部最优,提高算法的收敛性能;采用ICSA算法对KELM的相关参数进行寻优,建立基于LE和ICSA-KELM的瓦斯突出等级评判模型。经过对比试验表明,该模型能够有效提高预测准确率。

极端学习四元数小波特征的立体图像质量评价

为了有效、实时地对各种类型失真立体图像质量进行评价,提出了一种基于极端学习(ELM)和四元数小波交换(QWT)的无参考(NR)立体图像质量评价方法。首先利用SSIM密度立体匹配模型生成相关的视差图、差异度可信图和右视图差异补偿图3D映射图;然后分别对左右视图、视差图和差异度可信图进行QWT,计算图像QWT第3相位系数相位幅值加权标准差和能量;再计算右视图差异补偿图统计特征熵和中值;最后将所提取的所有特征输入到基于核映射ELM学习,预测失真立体图像质量。在LIVE3D图像质量评价数据库上的实验结果表明,本方法与人类主观质量评分具有较好的一致性。在LIVE 3D图像质量库I(Phase I)和库II(Phase II)上的斯皮尔曼相关系数(SROCC)分别达到0.926和0.914。