买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京理工大学申请的专利一种基于循环迭代最小二乘的极限学习机的图像识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115410001B 。

龙图腾网通过国家知识产权局官网在2026-02-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211060058.6，技术领域涉及：G06V10/44；该发明授权一种基于循环迭代最小二乘的极限学习机的图像识别方法是由邹伟东;夏元清;李慧芳;张金会;翟弟华;戴荔;刘坤;闫莉萍设计研发完成，并于2022-08-30向国家知识产权局提交的专利申请。

本一种基于循环迭代最小二乘的极限学习机的图像识别方法在说明书摘要公布了：本发明公开了一种基于循环迭代最小二乘的极限学习机的图像识别方法，利用卷积运算随机提取图像特征与利用循环迭代最小二乘求取隐含层节点的输出权值矩阵，实现对极限学习机模型的训练，能够在降低计算负担过重和提高计算效率的情况下提高算法的泛化性能，在一定程度上能够满足图像识别的需要，同时为更准确地进行图像识别提供了新思路和新途径。

本发明授权一种基于循环迭代最小二乘的极限学习机的图像识别方法在权利要求书中公布了：1.一种基于循环迭代最小二乘的极限学习机的图像识别方法，其特征在于，包括以下步骤： 步骤1、依次对采集到的图像样本进行卷积、非线性映射和池化处理提取特征，由所有图像样本的特征与标记构建训练样本集；所述图像样本表示为{Xi,Yi|Xi∈Rp×q×3,Yi∈R,i＝1,2,...,N}，其中，Xi表示第i张图像作为模型的输入，Yi表示第i张图像对应的标记作为模型的输出，p为每张图像的高度，q为每张图像的宽度，3表示RGB三个颜色通道，N为样本总数；所述特征表示为其中，n、b、m、s均表示卷积核的大小； 步骤2、建立极限学习机模型，使用所述训练样本集利用循环迭代最小二乘求解隐含层节点的输出权值矩阵，完成对极限学习机模型的训练，所述极限学习机模型如公式5所示： Y1×N＝β1×k·Jk×N5 其中，Y1×N∈R1×N表示极限学习机模型的输出矩阵，N为样本个数，k为隐含层节点的个数，Jk×N为隐含层节点输出矩阵，且满足Sp-n-m+1+q-b-s+1×N∈Rp-n-m+1+q-b-s+1×N为极限学习机模型的输入数据，p-n-m+1+q-b-s+1为每个输入样本向量的特征维数，αk×p-n-m+1+q-b-s+1为输入到隐含层节点之间的输入权值矩阵，λk×N为隐含层节点的偏置矩阵，为可选择的非线性激活函数；αk×p-n-m+1+q-b-s+1和λk×N均为随机生成，且生成后保持不变； 步骤3、在实际使用中，采用步骤1的方式提取待识别图像的特征，将特征输入步骤2训练得到的极限学习机模型中即可得到图像的类型； 所述步骤2中使用所述训练样本集利用循环迭代最小二乘求解隐含层节点的输出权值矩阵，完成对极限学习机模型的训练，包括以下步骤： 步骤1.1、采用公式6计算逆矩阵中第i行第j列元素在第t次迭代时的值： 其中，UN×k表示隐含层节点输出矩阵Jk×N的逆矩阵，且满足Jk×N*UN×k＝Ik×k；Ik×k为单位矩阵；为向量和向量做内积运算；为向量Jik×1的2-范数的平方；迭代次数t的最大值为T； 步骤1.2、采用公式7计算在第t次迭代时的余差： 其中，余差的初始值为 步骤1.3、令i自加1，当i≤N时，执行步骤1.1；当i＞N时，执行步骤1.4； 步骤1.4、令j自加1，当j≤k，执行步骤1.1；当j＞k时，执行步骤1.5； 步骤1.5、采用公式8计算逆矩阵的第t次迭代误差： 其中，Ek×k为逆矩阵的迭代误差，其初始值为E0k×k＝Ik×k； 步骤1.6、令t自加1，当t≤T，执行步骤1.1；当t＞T时，执行步骤1.7； 步骤1.7、采用公式9计算并输出隐含层节点的输出权值矩阵结束本流程：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。