0 引言

    圖像分類是圖像領域的研究熱點之一，研究者對于不同場景的圖像采用不同的算法進行研究。極限學習機(Extreme Learning Machine，ELM)有效避免了傳統前饋神經網絡訓練的劣勢，基于學習速度快、泛化性能好等優勢應用于圖像分類領域。文獻[1]采用改進蝙蝠算法優化極限學習機進行圖像分類，提高分類準確率的基礎上加快了分類速度；文獻[2]采用螢火蟲算法(Firefly Algorithm，FA)優化極限學習機對遙感影響進行分類，FA優化算法高于傳統的遺傳算法(Genetic Algorithm，GA)和粒子群算法(Particle Swarm Optimization，PSO)優化方法；文獻[3]采用魚群算法優化極限學習機，可獲得更好的分類效果；文獻[4]采用局部信息保持極限學習機，在分類性能上優于KELM算法；文獻[5]、[6]采用多核多特征進行重構ELM，提高了準確性和完整性。綜上，較ELM，采用群智能優化算法可獲得更好的分類效果。KELM采用核函數來取代ELM的內積運算，增加了函數逼近能力，提高了非線性分類能力。文獻[7]采用核極限學習機應用于脈象分類問題，較反向傳播算法(Back Propagation，BP)和支持向量機算法(Support Vector Machine，SVM)提高了分類準確性。文獻[8]采用核極限學習機可獲得乳腺良惡性腫塊樣病變數據的分類準確率。

    文獻[9]指出LSO比PSO算法具有收斂速度快、精度高的特點，可獲得全局最優解。文獻[10]、[11]指出獅群算法優化傳統算法，可獲得更高精度。本文在KELM良好的分類性能基礎上，結合LSO的尋優能力，提出LSO優化KELM算法(簡稱LKELM)，并采用UCI數據集進行仿真測試，以檢驗分類精度的提高程度。

本文詳細內容請下載：http://www.cowatch.cn/resource/share/2000003971。

作者信息：

劉新建，孫中華

(武漢烽火信息集成技術有限公司，湖北 武漢430074)