一种稳定的基于极端学习机的纹理分类方法

摘要

针对传统基于极端学习机(ELM)的纹理分类方法容易出现输出不稳定的缺点,本文将线性和非线性模型进行融合,改进了传统动力学模型。利用ELM能够快速学习的特点,将其作为基分类器,同时利用线性吸引子和局部吸引子的迭代,实现多个ELM分类器的最佳融合,以提升学习模型的泛化能力和稳定性。利用动力模型实现多分类器的融合有助于寻求多个基分类器之间的一致性,摒弃了基分类器中判别错误的样本输出。通过对CUReT纹理数据库的分类结果,与传统纹理分类方法相比,本文算法的稳定性和分类准确率都得到了一定程度的提升,取得了理想的分类效果。