[发明专利]一种新的神经网络模式识别方法

权利要求书

1.一种新神经网络模式识别方法，特征在于其包括如下步骤：

(1)学习步骤，建立有限样本集，设定在有限样本集中同类事物中任意两相互直接连通样本之间的距离小于或等于δ，而不同类两事物样本之间的距离大于2δ，0＜δ≤0.1，将有限样本集中训练样本划分成若干块，建立学习前向掩蔽SLAM模型，利用模型中的RBF神经元获取各块上基于同源的同类事物连通本性的优先度排序神经网络的训练样本子集，对训练样本子集进行优先度排序，将按照包含同类训练样本由多至少的规则按先后次序选取划分出的神经元作为神经网络的学成神经元，并将先学成的学成神经元与后学成的学成神经元按从小到大顺序排列，建立起训练好的基于同源的同类事物连通本性的PORBF网络；

(2)识别步骤，将测试样本输入至上述PORBF网络中，检测每一个RBF神经元的输出，找出序号最小且为激活输出的神经元，将该神经元的类别作为网络的判决输出。

2.根据权利要求1所述的新神经网络模式识别方法，其特征在于：在所述学习步骤中包括：有限样本集表示为{X_i＝X_{i，j，…，l}|i＝1，2，…，h，j＜…＜l}，其中h是训练样本总数，j，…，l是至多n个至少1个自然数的升序排列，n是样本空间的维数，设定同类事物中任意两相互直接连通样本X_i，X_j的距离小于或等于δ；在设定||X_i||＝||X_{i，j，…，l}||≤1的前提下，确定{X_i＝X_{i，j，…，l}|i＝1，2，…，h，j＜…＜l}的主分量W＝{w₁，w₂，…，w_n}，||W||＝1，把{X_i＝X_{i，j，…，l}|i＝1，2，…，h，j＜…＜l}中点向量分别代入WX＝(w₁，w₂，…，w_n)，计算出WX的h个值，并按降序排列，插入m个数，即θ₁，…，θ_m，且θ₁＞θ₂＞…＞θ_m；定义块为field₁＝{X|θ₁≤WX}，field_i＝{X|θ_i≤WX＜θ_i-1}，i＝2，…，m-1，建立上述SLAM模型，把特征空间划分为field₁＝{X|θ₁≤WX}，field_i＝{X|θ_i≤WX＜θ_i-1＜θ_i-1}，i＝2，…，m-1不同块，其中模型设置有m个神经元，神经元的运算式为sign(WX-θ_i)，θ_i为神经元域值，其中类别标示就取为块标示field_i；获取第k块上基于同源的同类事物连通本性的优先度排序神经网络的训练样本集合，即T(field₁)＝({X|θ₁≤WX}∩{X_i＝X_i，j，…，l|i＝1，2，…，h，j＜…＜l})∪({X|X在({X|θ₁≤WX}∩{X_i＝X_{i，j，…，l}|i＝1，2，…，h，j＜…＜l}))；及T(field_k)＝({X|θ_k≤WX＜θ_k-1}∩{X_i＝X_{i，j，…，l}|i＝1，2，…，h，j＜…＜l})∪({X|X在({X|θ_k≤WX＜θ_k-1}∩{X_i＝X_i，j，…，l|i＝1，2，…，h，j＜…＜l}))U({X|X到平面θ_k-1＝WX的距离小于δ}∩T(field_k-1))，k＝2，…，m-1，以T(field_k)作为训练样本子集，对其进行优先度排序，即：1)选取一个RBF神经元的中心c_j，并标记该神经元的所属类别l_j，如果中心来自于样本矢量，则类别l_j就是该样本的所属类别；2)将训练样本子集中的矢量依次通过输入节点送往该神经元计算与中心c_j的距离，将计算结果按升序排列，排序后将样本序列的编号记为O_i(i＝0，1，…，n-1)；3)从小到大找到与中心c_j距离最近的异类样本，假设它在O_i中的位置为d，则计算O_d和O_d-1之间的某点到中心c_j的距离作为当前神经元的半径r_j，

rj=(1-α)||XOd-1-cj||+α||XOd-cj||]]>

其中，0＜α≤1，记录该神经元划分出的同类样本的编号O_i(i＝0，1，…，d-1)、半径r_j和数量，划分出边界距离小于δ的训练样本；4)重复进行上述第1)步到第3)步不少于3次，选取划分出同类训练样本最多的那个神经元作为神经网络的学成神经元；5)检查被划分出的训练样本是否还有与其直接连通的其他训练样本在没有被划分出的训练样本子集中，以及检查被划分出的训练样本是否有到边界{X|r_j＝||X-c_j||}的距离小于δ的其他训练样本；6)将所划分出的且与其没有直接连通的训练样本在没有被划分出的样本子集中的，或到划分曲面{X|r_j＝||X-c_j||}距离不小于δ的训练样本从训练样本子集中删除，剩余训练样本被保留，并将被删除的训练样本建立起新训练样本子集；7)选取新训练样本子集重复上述1)-6)的划分过程，直至上述有限样本集中只剩下一类训练样本；8)再构造一个RBF神经元划分上述步骤7)的最后一类训练样本；9)将上述所有学成神经元按顺序编号，先学成的学成神经元的序号小，后学成的学成神经元序号大，同时将RBF神经元的激活函数改为硬限幅函数，建立起上述PORBF网络。

3.根据权利要求2所述的新神经网络模式识别方法，其特征在于：所述步骤3)中，当时，α＝1/2；当时，取α＝0；当时，中心c_j重选。