[发明专利]基于自适应修正神经网络的模式识别方法

说明书

技术领域

本发明属于模式识别领域，特别是一种基于自适应修正神经网络的模式识别方法。

背景技术

神经网络作为一种模式识别技术，不需要预先给出有关模式的经验知识和判别函数，通过自身的学习机制即可自动形成所需要的决策区域，因此，近年来神经网络在模式识别领域得到越来越广泛的应用，文献成果报道最多的主要包括以下几种：

标准反向传播神经网络（Back Propagation Neural Network，BPNN）采用基于误差代价函数的最速梯度下降静态寻优法进行模式识别，其固定的学习率、学习过程瘫痪现象易导致收敛速度慢、局部极小值、网络结构和规模难以确定等问题。采用变学习速率和附加动量项的改进BPNN诊断方法在一定程度上改善了标准BPNN的收敛速度，避免网络限于较浅的局部极小值，但没有彻底避免不收敛的情况，且仍采用类似于标准BPNN的算法结构，训练精度不高，不适合大规模数据并行处理，难以实现诊断模型的快速在线构建与自动更新。

径向基函数神经网络(Radial Basis Function Neural Network，RBFNN)基于多变量插值径向基函数，能够以任意精度逼近任意连续函数，具有最佳的局部逼近特性和全局近似性能，无论在逼近能力、分类能力和学习速度等方面均优于BPNN，能够实现大规模数据并行处理，支持在线、离线建模。但是RBFNN需要依靠误差代价函数控制进行反复训练从而形成各类别模式间的判别表面，且输出层采用连接权线性叠加，可能发生样本“拒识”的情况。

概率神经网络(Probabilistic Neural Network，PNN)是RBFNN的一种变化形式，采用基于模式样本后验概率估计方法进行分类，当获得足够多的有代表性的样本后可直接学习，无需反复训练，收敛速度很快，分类能力理想，且输出层采用竞争机制，避免了样本“拒识”。因此，PNN被广泛应用于大规模数据分类、模式识别、故障诊断、非线性滤波等领域。但是PNN没有考虑不同类别模式间的交错影响，形成的判决分界面是有偏的，整体分类性能是受限的。

径向基概率神经网络（Radial Basis Probabilistic Neural Networks，RBPNN）是在RBFNN和PNN基础上发展而来的，具有RBFNN和PNN的优点，如快速的收敛性能，降低的计算复杂度等，在保证网络性能前提下，进一步降低了网络规模，减少了训练强度，增强了分类准确性。同RBFNN类似，RBPNN输出层仍采用连接权线性叠加，可能发生样本“拒识”的情况。

发明内容

本发明的目的在于提供一种分类准确率高、模型泛化能力强、分类实时性能好、应用前景广阔的基于自适应修正神经网络的模式识别方法。

实现本发明目的的技术解决方案为：

一种基于自适应修正神经网络的模式识别方法，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。

本发明与现有技术相比，其显著优点：

（1）分类准确率高。本发明方法针对模式间交错影响造成判决界面有偏的问题，提出一种自适应修正神经网络模型。该模型针对概率神经网络方法分类错误的样本，以自身为中心点，自行计算与其他类别样本间的允许半径，聚类同类别错误样本，从而实现批量模式修正，因此分类准确率高。

（2）模型泛化能力强。本发明方法采用自适应修正神经网络模型，能够在低信噪比情况下避免样本“拒识”现象的发生、保证较高的分类准确率，因此模型泛化能力强。

（3）分类实时性能好。本发明方法中模型的训练时间随训练样本个数的增加而平缓上升，耗时较少，模型的分类时间受模型复杂程度影响较小，波动不大，耗时为毫秒级，因此分类实时性能好，适用于实时分类领域。

（4）应用前景广阔。本发明方法所需先验知识少，并且采用小波分析技术提取数据的特征向量进行建模，对原始数据要求低，得到的模型更加精确，因此应用前景广阔。