专利交易市场

本发明公开了一种基于超限学习机与稀疏表示分类的改进方法。本发明步骤如下：1、随机产生隐层节点参数；2、计算出隐层节点输出矩阵，3、根据L和N的大小关系，采用不同的公式计算出连接隐层节点和输出神经元的输出权重4、计算出查询图片y的输出向量；5、对ELM输出向量ο中的极大值οf和次大值οs的差值进行判断，如果差值大于设定值，则求出输出向量中最大值对应的索引即为查询图片所属类别；否则进入步骤6；6、采用输出向量ο中k个最大值所对应的的训练样本，构造子字典，采用系数重构算法计算图片y的线性表示系数，计算残差并根据残差所对应的的类别确定查询图片的所属类。本发明计算量就会大大减少，实现较高的识别率，也能够大大降低计算复杂度。

本发明涉及一种基于图平衡正则化的半监督超限学习机分类方法。本发明通过非负权值量来平衡基于标签一致性的邻接图和基于信息结构一致性的邻接图，以此来达到图平衡，可以获得最佳图的拉普拉斯正则项来约束模型，并且认为在信息一致性图不能很好的描述样本集的结构信息时，增大标签一致性图的权重，反之则要减小相应的比例。本发明首先通过样本的标签一致性来构造训练样本间的邻接有监督图，与基于样本信息一致性的半监督图组合在一起来约束模型的输出，通过合理的调整图的比重来改变描述数据分布的能力，获得最优的邻接图后得到最佳的输出权值向量。本发明在脑电信号处理、脑机接口系统中具有广阔的应用前景。