[发明专利]一种新的神经网络模式识别方法

说明书

技术领域

本发明属于计算机技术领域，其提供一种基于同源的同类事物连通本性的新神经网络模式识别方法。

背景技术

模式识别方法的研究已有数十年的历史，取得了许多成果。例如，Fisher提出利用已知的两类样本的概率密度分布函数来设计将两类样本分开的决策方法；Vapnik提出类“最优分类超平面”的概念，并在此基础上发展了支撑向量机(SVM)的方法。这些理论和方法都是建立在统计理论的基础来寻找能够将两类样本划分开来的决策规则，在这些理论中，模式识别实际上就是模式分类。大家知道，随着模式识别的发展很多模式分类的正确识别率越来越高，然而这些正确识别率似乎有一个极限，很难突破。一般地，解决大规模超多类模式识别问题的方法要有增量学习功能，以利于在原有学习结果基础上继续学习、在原有模型基础上不断改进模型的效能，提高模式识别模型的正确识别率和泛化推广能力。大规模超多类模式识别问题有很高的空间复杂度和时间复杂度，传统的Fisher法、线性分类法、分段线性分类法、近邻法、BP神经网络分类方法、RBF网络分类方法、SVM分类方法都不直接适用于大规模超多类模式识别器的设计。

发明内容

本发明的任务在于解决现有技术存在的上述技术缺陷，提供一种基于对同源的同类事物连通本性的认知、能够利用同源的同类事物连通本性的新神经网络模式识别方法。

其技术解决方案是：

一种新神经网络模式识别方法，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。

在上述学习步骤中：