关键词：立体图像 质量评价 深度学习 极限学习机 

摘要：极限学习机（Extreme Learning Machine,ELM）较其它神经网络具有训练速度快、泛化能力强的特点.然而对于高维的立体图像数据,无论ELM还是传统神经网络均需经过特征提取的预处理,但是传统特征提取的方式是否真正符合人的感知特性有待进一步研究.深度学习是一种模拟人脑深层次学习的神经网络,因此提出基于深度结构的极限学习机算法（Deep Extreme Learning M achine,D-ELM）,该方法通过深度学习预训练来逐层表达输入数据的分布式特征,从而实现原始数据的特征提取.实验结果表明,深度结构下的ELM网络更加稳定高效,对于250幅不同等级的立体图像样本进行测试后的准确率达到了96.11%.此外,本文还分析了隐节点数对网络的影响,而且将D-ELM与ELM、支持向量机等在立体图像质量评价上的性能进行了比较.

小型微型计算机系统杂志要求:

{1}正文内容应简洁明了，层级不宜过多，层级序号为一、（一）、1、（1）、①。

{2}投稿者若抄袭、模仿他人作品等侵犯他人知识产权的；或者稿件内容侵犯他人名誉权、隐私权、人格权的，由投稿者承担相应法律责任，自负文责。

{3}稿件中文主题名不超过20个汉字，副题名前须有破折号并且不超过25个汉字。题名要简明、确切，能够表达文章的中心思想、概括文章的主要内容。

{4}参考文献按正文中出现的顺序排列编号，置于文后。参照国标《信息与文献参考文献著录规则》(GB7714-2015)著录。

{5}务必提供第一作者的情况简介。作者简介一般包括工作单位、专业职称、邮政编码和联系方式（电子信箱和电话）等。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社