English
Multiclass AdaBoost ELM and Its Application in LBP Based Face Recognition
文件大小：
2363k
资源说明：这篇文章的标题和描述表明了文章研究的领域以及内容的重点，主要涉及以下几个知识点：
1. 多类AdaBoost ELM（极端学习机）集成方法及其在基于局部二值模式（LBP）的人脸识别中的应用。
2. 极端学习机（ELM）的介绍：ELM是一种具有竞争力的机器学习技术，它在理论上简单且易于实现。ELM相较于传统的识别技术如支持向量机（SVM）具有更快的识别速度和精确性。ELM的优势在于有更好的可扩展性、更好的泛化性能以及更快的学习速度。
3. AdaBoost集成方法：这是一种提升学习算法，它结合了多个弱学习器来构建强学习器，可以提高预测结果的稳定性和准确性。
4. 多类分类问题：本文提出了一种新的多类分类集成方法，这使得算法能够直接应用于多类分类问题，而不同于以往只适用于二分类问题的提升ELM算法。
5. 局部二值模式（LBP）：这是一种用于纹理分析的描述符，通过比较每个像素与其局部邻域内的像素值，生成二进制代码来描述图像的局部纹理结构。在人脸识别领域，LBP被广泛应用于纹理特征提取。
6. 人脸识别数据集的实验：文章通过与人脸数据集进行比较实验，验证了所提出的多类AdaBoost ELM算法在稳定性、泛化性能以及准确率方面的优势。
文章中提到的相关研究工作和理论，说明了多类AdaBoost ELM在模式识别和机器学习领域具有重要的研究价值。从具体内容部分可以得知，该文涉及了前馈神经网络的研究，这些网络可以实现复杂非线性映射的逼近，并且可以为一些经典参数技术无法处理的自然和人工问题提供模型。
文章还提到了Huang等人提出的关于极端学习机的研究，而本文则是在此基础上，将ELM集成到了多类AdaBoost框架中，以便更广泛地应用于机器学习和模式识别任务中。通过实现ELM算法的快速和良好性能，文章对现有的提升ELM算法进行了改进，以更好地处理多类分类问题。
这篇文章对于想要了解如何将ELM技术应用于模式识别，尤其是人脸识别的读者来说，是一个值得研究的资料来源。同时，由于文章是开放访问，读者可以通过文章中提供的引用信息，来查找更多相关的研究和技术背景，进一步了解ELM以及基于LBP的人脸识别技术的发展历程和现状。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
