刘 彬，刘 静，吴 超，李雅倩，张亚茹，杨有恒

(1.燕山大学 电气工程学院，河北 秦皇岛 066004；2.燕山大学 信息科学与工程学院，河北 秦皇岛 066004)

1 引 言

极端学习机(extreme learning machine, ELM)[1]是由Huang等提出的一种单隐层前馈型神经网络,通过随机初始化输入层与隐藏层之间的连接权重和偏置,无需迭代调整即可求解出网络的输出权重。因其具有训练速度快、泛化能力强等特点,被广泛研究并应用于数据分析、工业预测[2～5]和图像分类等领域。其中,在图像分类领域,学者们提出了一系列的改进算法以提高网络分类性能[6～8]。然而,这些改进的ELM结构无法像卷积神经网络一样直接提取出图像特征,限制了ELM在图像中的应用。

因此,在特征提取方面,Krizhevsky等受卷积神经网络(convolutional neural networks, CNN)[9]启发,通过提出局部感受野极端学习机(local receptive fields based extreme learning machine, ELM-LRF)[10]有效地解决了这一问题。ELM-LRF将局部感受野与ELM相结合,使得网络可以直接对图像进行特征提取。由于ELM-LRF只有一层卷积池化层,其性能受到浅层结构的限制。因此利用多个卷积池化层增强特征提取能力,以获得更高级的特征表示,如深层卷积极端学习机(deep convolutional extreme learning machine, DC-ELM)[11]。为增强图像特征提取的灵活性,Huang等[12]提出了多尺度局部感受野的极端学习机(extreme learning machine with multi-scale local receptive fields, ELM-MSLRF),将不同尺度的感受野结合以提取图像特征。与单一感受野相比,不同尺度感受野相结合的方法在图像分类中获得了更好的效果。然而以上结构均只考虑了局部细节特征,图像全局轮廓特征未被充分利用到分类中,文献[13]利用极端学习机自编码器(extreme learning machine auto encode, ELM-AE)[14]训练出全局感受野,用于提取图像全局轮廓特征,提取出更全面的图像特征用于后续分类。……