基于随机配置网络的服装分类方法

为了提高服装图像分类的精度，提出了一种基于特征提取的正余弦算法优化SCN (Stochastic Configu-ration Networks)的服装图像分类预测模型。通过引入多通道并行的卷积、池化、批量标准化操作，提高了模型的特征提取能力。将正余弦算法引入到SCN的节点搜索过程，优化了SCN节点生成规则，进一步提高了SCN的准确性。结果显示，改进后的SCN算法能够寻找到更优的节点，图像分类准确率达到了94.05%，验证了本文模型的稳定性和可靠性。

随着电子商务和在线购物的普及，自动分类服装的准确性和效率变得至关重要。因此，研发高效的服装图像分类算法对从业者和电商平台都至关重要[1]。李启兵等[2]提出基于改进深度残差块的卷积神经网络服装识别分类方法，引入注意力机制，调整网络卷积核结构，并验证了该方法的有效性。曾华福等[3]提出基于改进深度学习的服装图像分类算法，通过优化模块的堆叠次数和网络层通道数，并嵌入空间注意力模块， 最终达到了不错的效果。

Wang 和Li [4]提出的随机配置网络(stochastic configuration network, SCN)通过监督机制，增量式添加隐含层节点。SCN 利用不等式约束保证了模型的通用逼近性，用较少的人工参数，保证了模型的快速有效。南静等[5]提出基于流形正则化和QR 分解的轻量级随机配置网络人体行为识别模型，不仅提高了识别精度，而且降低了计算的复杂度。

基于以上研究，本文提出了一种多通道并行卷积神经网络，通过并行卷积、池化操作、批量标准化和Dropout 等技术手段，增强模型的特征提取能力。通过将启发式正余弦算法引入到SCN 的节点搜索过程，优化了节点的生成规则，进而提升了算法的分类准确率。实现了服装图像的有效预测。

2. 卷积神经网络及其改进 2.1. CNN 网络模型 CNN 网络模型[6]如图1 所示。

通过使用卷积层和池化层等特殊的神经网络层来提取输入数据中的空间特征。

Figure 1. Diagram of the CNN network 图1. CNN 网络模型图