[发明专利]基于自适应修正神经网络的模式识别方法

权利要求书

1.一种基于自适应修正神经网络的模式识别方法，其特征在于，包括以下步骤：

第一步，概率神经网络模式分类，即采用概率神经网络模型对输入的训练样本进行分类，得到分类正确的样本和分类错误的样本；

第二步，构建自适应修正神经网络模型结构，即在概率神经网络模型结构的基础上添加输入层、中心层和激励层；

第三步，建立自适应修正神经网络模型，即针对概率神经网络模型分类错误的样本，以自身为中心点，计算与其他类别样本间的允许半径，聚类同类别错误样本，从而实现分类模式的批量修正以及判决分界面的重新规划，最终建立自适应修正神经网络模型；

第四步，模式识别，即利用上述步骤所得自适应修正神经网络模型，对输入的测试样本进行模式识别。

2.根据权利要求1所述的一种基于自适应修正神经网络的模式识别方法，其特征在于概率神经网络模式分类过程如下：每个训练样本包括原始数据和对应的真实模式，采用概率神经网络模型对训练样本的原始数据进行模式分类，将所得分类模式与样本真实模式进行对比，如果模式相同，则样本分类正确，否则，样本分类错误。

3.根据权利要求1所述的一种基于自适应修正神经网络的模式识别方法，其特征在于自适应修正神经网络模型结构如下：所述自适应修正神经网络模型结构是在概率神经网络的基础上添加输入层、中心层和激励层，输入层代表概率神经网络训练过程中分类错误的样本，中心层代表所有错误分类样本的不同聚类，激励层代表样本模式，能够根据中心层的输出直接输出样本模式，或者激活概率神经网络模型进一步识别模式。

4.根据权利要求3所述的一种基于自适应修正神经网络的模式识别方法，其特征在于：所述中心层的聚类由中心矢量和半径表示，其中心矢量为错误分类样本，半径为该中心矢量同所有训练样本中其他类别样本之间的最小距离的一半。

5.根据权利要求1所述的一种基于自适应修正神经网络的模式识别方法，其特征在于建立自适应修正神经网络模型步骤如下：

第一步，使用概率神经网络模型对输入的训练样本进行分类，将训练样本中分类错误的样本全部提出，存储至错误分类集合中；

第二步，判断错误分类集合是否为空，如果是，则训练过程结束，建立自适应修正神经网络模型，如果否，则在错误分类集合中选取一个样本作为中心点，将该样本作为一个中心矢量加入聚类集合中；

第三步，获取该中心矢量所属的真实模式类别，并在错误分类集合中删除该样本；

第四步，计算该中心矢量同所有训练样本中其他类别样本之间的距离，并从中选取最小距离的一半，作为该中心矢量对应的半径加入聚类集合中；

第五步，计算错误分类集合中的所有样本同所选中心矢量之间的距离；

第六步，判断错误分类集合中的一个样本同所选中心矢量的距离是否小于对应半径，如果是，则在错误分类集合中删除该样本，选择错误分类集合中的下一个样本重复该判断，如果否，则选择错误分类集合中的下一个样本重复该判断；

第七步，如果错误分类集合中的所有样本均已进行过上述判断，则错误分类集合的更新过程结束，进一步判断错误分类集合是否为空，重复上述训练过程。

6.根据权利要求1所述的一种基于自适应修正神经网络的模式识别方法，其特征在于模式识别步骤如下：

第一步，使用新的自适应修正神经网络模型对输入的测试样本进行分类，计算新样本同聚类集合中的一个中心矢量之间的距离；

第二步，判断该距离是否小于对应半径，如果是，则新样本的分类与该中心矢量所属类别相同，该新样本的模式识别过程结束，如果否，则说明该新样本不属于该聚类，继续选取聚类集合中的下一个中心矢量重复该分类计算；

第三步，如果聚类集合中的所有中心矢量均已进行过计算，则说明该新样本不在各聚类的范围内，继续使用概率神经网络模型对该样本进行模式识别。