【ELM分类】一种结合极限学习机和稀疏表示的混合图像分类方法附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测 雷达通信  无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机  电力系统

⛄ 内容介绍

通过将极限学习机 (ELM) 和稀疏表示 (SRC) 结合到一个统一的框架中，所提出的混合分类器不仅具有快速测试的优势（ELM 的优点），而且还显示出显着的分类精度（SRC 的优点）。我们对其进行 AR 人脸识别测试，其准确率达到 95%，优于 ELM（91%）和 SRC（93.5%）。

ELM 和 SRC 之间的桥梁是 ELM 错误分类指标和自适应蛋白质类别选择。

更详细的内容可以参考论文《罗敏，张凯. 一种结合极限学习机和稀疏表示的混合图像分类方法[J]. 人工智能工程应用, 2014, 27: 228-235.]。

请注意，它是上述论文的改进版本

⛄ 部分代码

clc;clear all;

load pca_datasets.mat;

num_nodes=1000;                       % hidden nodes number

C=1e0;

alpha=0.2;

kclass=length(unique(trainlabel))/2;  % for adaptive class domain selection

traindata  =  traindata./( repmat(sqrt(sum(traindata.*traindata)), [size(traindata,1),1]) );

testdata   =  testdata./(repmat(sqrt(sum(testdata.*testdata)), [size(testdata,1),1]) );

% [traindata,PS] = mapminmax(traindata,-1,1);%

% testdata = mapminmax('apply',testdata,PS);

% [traindata,PS] = mapstd(traindata);%

% testdata = mapstd('apply',testdata,PS);

rng(1);

tic;

[TrainingAccuracy,InputWeight, BiasofHiddenNeurons, OutputWeight,NumberofOutputNeurons,...

    label] = elm_train(traindata,trainlabel,num_nodes,C);

trainingtime=toc;

ID      = [];

IDe     = [];

lamda   = 1e-3;

tol     = 1e-2;

tic;

f = 0;

for i = 1 : size(testdata,2)

    

    [id, Tdiff, T] = elm_predict(testdata(:,i), InputWeight, BiasofHiddenNeurons, OutputWeight);

    

    IDe = [IDe, id];

    

    if Tdiff > alpha

        

        ID      =   [ID, id];

        

        if id ~= testlabel(i)

            

            fprintf('Wrong classification for %1.0f th testing sample by ELM criterion (|T_first - T_second| = %1.2f)   \n ', i, Tdiff);

            

        end

        

    else

        f = f + 1;

        

        [sim, slabel]=sort(T, 'descend');

        

        newtrainlabel = trainlabel(ismember(trainlabel,slabel(1:kclass)));

        

        newtraindata = traindata(:,ismember(trainlabel,slabel(1:kclass)));

        

        y = testdata(:,i);

        

        s = l1_ls(newtraindata, y, lamda, tol, 1);

        %  s=l1_ls_nonneg(newtraindata,y,5e-2,1e-7,1);

        

        newlabel = unique(newtrainlabel);

        

        if ~ismember(testlabel(i), newlabel)

            

            fprintf('Wrong classification for %1.0f th testing sample by ELM criterion (|Adaptive class domain|) \n ', i);

            

        end

        

        for indClass  =  1 : length(newlabel)

            coef_c    =  s(newtrainlabel==newlabel(indClass));

            Dc        =  newtraindata(:,newtrainlabel==newlabel(indClass));

            gap(indClass) = norm(y-Dc*coef_c)^2;

            

        end

        

        wgap3  = gap ;

        index3 = find(wgap3==min(wgap3));

        id3    = index3(1);

        id     = newlabel(id3);

        

        fprintf('%1.0f / %1.0f  %1.0f   %1.3f    %1.0f    %1.2f    %1.0f \n', i, size(testdata,2), f, sum(s), find(slabel==testlabel(i)), Tdiff, id==testlabel(i));

        

        ID      =   [ID, id];

        

        

    end

    

end

testingtime=toc;

Rec_ELM        =   sum(IDe==testlabel)/length(testlabel);

Rec_ELMSRC         =   sum(ID==testlabel)/length(testlabel); % recognition rate

disp(['ELM     recogniton rate is    ' num2str(Rec_ELM)]);

disp(['ELMSRC  recogniton rate is    ' num2str(Rec_ELMSRC)]);

figure

plot(testlabel,'bs-');hold on

plot(IDe,'ro-');hold on

plot(ID,'g*-');hold on

legend('真实值','ELM','ELMSRC')

xlabel('样本')

ylabel('类别')

⛄ 运行结果

⛄ 参考文献

《罗敏，张凯. 一种结合极限学习机和稀疏表示的混合图像分类方法[J]. 人工智能工程应用, 2014, 27: 228-235.]。

⛄ 完整代码

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料