[发明专利]一种距离映射模式分类方法

说明书

本发明涉及一种距离映射模式分类方法，所建立的距离映射分类器包括四部分组成，分别是输入层、隐层1、隐层2以及输出层：输入层包含d个神经元节点，每个节点代表一个训练或测试样本的特征向量；将提取得到的多个样本的特征向量组作为距离映射分类器的输入层；隐层1包含N个神经元节点，N代表全部训练样本个数；计算输入的特征向量与N个训练样本特征向量的欧式距离作为隐层1；隐层2包含L个神经元节点，通过线性激活函数可以将隐层1与隐层2连接起来；线性激活函数的两个参数矩阵分别是隐层1和隐层2的连接权重及偏置；分类器模型用于测试样本分类时，直接应用训练得到的转换矩阵，计算出输出矩阵。

技术领域

本发明涉及一种(人工智能)模式识别分类方法。

背景技术

目前，模式分类广泛应用于医学，智能交通，天气预报，白酒识别等各行各业。为此，呈现了许多模式分类方法。一般的，模式分类方法可以归总为两种，即简单分类器和复杂分类器。简单分类器，如k近邻、贝叶斯、Fisher、极限学习机等适用于快速分类要求；而复杂分类器，如支持向量机、神经网络及深度学习等分类器实时性比较差。

不同的分类器具有不同的特点。以两种简单的分类器为例，即k近邻{B.K.Samanthula,Y.Elmehdwi,and J.Wei,“k-nearest neighbor classification oversemantically secure encrypted relational data,”IEEE Transactions on Knowledgeand Data Engineering,vol.27,pp.1261–1273,2015}和极限学习机{G.B.Huang,Q.Y.Zhu,and C.K.Siew,“Extreme learning machine:anew learning scheme of feedforwardneural networks,”IEEE International Joint Conference on Neural Networks,vol.2,pp.985–990,2004}，k近邻分类器的思路是寻找与测试样本相近数目最多的训练样本，并以此训练的类别作为该测试样本的分类类别。极限学习机的分类思路是，以最少的网络层数建立样本与类别的数学关系。

传统的k近邻是在全部训练样本中选择k个与测试样本临近的样本，此法有两点不足：一是只考虑了部分与测试样本临近的训练样本的作用，而忽视了其他训练样本的价值；二是不同的k值对分类准确率影响比较大，需要通过不断的训练才能确定较为理想的k值。

发明内容

本发明提供一种可以提高分类准确率的新的模式分类方法，技术方案如下；

一种距离映射模式分类方法，所建立的距离映射分类器包括四部分组成，分别是输入层、隐层1、隐层2以及输出层：

[1]输入层

输入层包含d个神经元节点，每个节点代表一个训练或测试样本的特征向量；将提取得到的多个样本的特征向量组作为距离映射分类器的输入层；

[2]隐层1

隐层1包含N个神经元节点，N代表全部训练样本个数；计算输入的特征向量与N个训练样本特征向量的欧式距离作为隐层1；

[3]隐层2

隐层2包含L个神经元节点，通过线性激活函数可以将隐层1与隐层2连接起来；线性激活函数的两个参数矩阵分别是隐层1和隐层2的连接权重及偏置；

[4]输出层

输出层包含m个神经元节点，m为样本(标签)类别总数；分类器隐层2的参数矩阵与输出层的参数矩阵通过一个转换矩阵进行连接；分类器模型进行训练时，输出层是已知的，从而可以通过计算确定转换矩阵；分类器模型用于测试样本分类时，直接应用训练得到的转换矩阵，计算出输出矩阵。