[发明专利]一种基于神经节分化的增量式目标识别系统

权利要求书

1.一种基于神经节分化的增量式目标识别系统，其特征在于，由低隐藏层、神经节层、高隐藏层和分类器构成，神经节层位于低隐藏层和高隐藏层之间；神经节层的神经节提取样本特征规律，通过神经节的激活和分化，在高隐藏层形成对应的独立的特征集，形成对样本的特征记忆；高隐藏层的特征集的数量可变，特征集的数量与神经层中分化的神经节数量相对应；新增神经节能对新样本形成新的记忆，自适应地更新高隐藏层的特征集，实现增量式的目标识别；

所述的神经节是指用于表征一组分布规律相似的样本的神经网络结点，当输入样本特征参数大于激活阈值时，神经节被激活，该神经节在高隐藏层形成独立的特征集；被激活的神经节的活性小于阈值时，该神经节将凋亡，不在高隐藏层形成特征集；特征不同的样本激活不同的神经节，并新增神经节，自适应地更新高隐藏层的特征集；

神经节的激活是指样本的分布状态符合神经节的内在特征，参与神经节对应的特征集的训练；所述的分化是指自适应新增神经节的过程，若干样本融入神经节，增加了该神经节的活性；

神经节的凋亡是指在一定的范围内没有新的样本激活该神经节，该样本的相对活性下降，在神经节层被去除；神经节被激活不一定分化，也可能会凋亡；

所述神经节层以压缩编码后的特征图数据代替原始数据为输入：

在数据集上训练若干层低隐藏层以获取局部滤波器，并将通用局部特征作用于样本，编码得到每个样本的特征图，输入神经节层；记低隐藏层共计L层，参数分别为W₁、W₂、…W_L，记预处理后的可操作数据为V，则V经由第一隐藏层W₁编码后得到H₁，H₁通过空间池化得到pH₁,pH₁经由第二隐藏层W₂编码后得到H₂，直至得到pH_L作为神经节层的输入数据。

2.根据权利要求1所述的一种基于神经节分化的增量式目标识别系统，其特征在于，确定神经节个数的方法如下步骤：

记神经节G_e表征一组分布规律相似的样本集，其中下标e∈[1,2,…，|G|]，|G|表示神经节个数；计算每个样本点的显著度γ_i，其中i∈[1,2,…，|V|]，|V|表示样本个数，并按升序排序，寻找显著度远高于其他样本点的边界值τ，显著度高于边界值τ的样本点为神经节点，并记神经节的个数为N。

3.根据权利要求1所述的一种基于神经节分化的增量式目标识别系统，其特征在于，所述神经节层活动具体包括：

提取样本特征图分布规律，使输入样本刺激不同神经节并分别处理；如果新样本激活某任意已知神经节，则仅更新该已知神经节参数，而不需要更新所有网络参数；如果是噪声，则新样本在神经节层被标记为噪点而不会进入任何神经节，以保护已有网络；如果属于未知神经节，则分化新神经节并使该样本参与该神经节对应的特征集的训练。

4.根据权利要求3所述的一种基于神经节分化的增量式目标识别系统，其特征在于，判断样本点是否激活已知神经节的方法包括如下步骤：

记L_g表示神经节g的标号,g∈[G₁,G₂,…,G_N]，N为神经节个数；如果存在至少一个神经节g，使得当前样本点v到它的距离小于截断距离d_c，则样本点v属于已知神经节，且神经节标签L_v为:

其中运算符表示使函数f(x)取得最小值时自变量x的取值，d_vg表示样本点v与神经节g之间的距离，d_c为截断距离。

5.根据权利要求3所述的一种基于神经节分化的增量式目标识别系统，其特征在于，判断样本点是否为噪声的方法包括如下步骤：

如果当前样本点到任何已知神经节中心点的距离均大于截断距离d_c，则判断当前样本点为噪点。