孙中华，杨晓迪，古丽米拉克孜尔别克



一种多尺度小波核极限学习机的图像检索仿真

孙中华，杨晓迪，古丽米拉×克孜尔别克

（新疆农业大学 计算机与信息工程学院，新疆 乌鲁木齐 830052）

阐述了核极限学习机原理。在此基础上提出了一种多尺度小波核极限学习机，将多尺度小波核作为极限学习机的核函数，测试表明是其一种可实现的极限学习机核。同时在无训练数据分布的空间也具备分类能力，同等条件下高斯核极限学习机却不具备分类能力。在图像检索中应用多尺度小波核极限学习机，实验表明，相比支持向量机学习机分类算法，该分类算法可提高检索精度以及速度，具有优良的性能和一定的应用价值。

图像检索；支持向量机；多尺度小波核；极限学习机；分类算法

0 引言

为了提高图像检索精度，引入了学习机制。Vapnik等在统计学理论基础上提出了支持向量机SVM[1]，有效解决非线性分类问题，对有限样本具有较好的分类问题，对大样本却存在训练时间长，精度不高的问题；针对前馈神经网络的输入层连接权值不需要迭代调整，Huang提出了一种新的神经网络训练架构，称为极限学习机（extreme learning machine，ELM）[2]。同传统的基于梯度下降的迭代算法BP神经网络等不同，该方法可一次性求解出输出权值的最小二乘解，且速度快，泛化性好，被广泛应用在分类问题[3]。相对于传统的分类方法，ELM在保证一定识别准确率的基础上，大大降低了训练花费时间[4]。ELM相对SVM速度更快且参数不敏感，更容易部署[5-6]。……