《基于提取权重的概率神经网络算法在陶瓷鉴定中的应用》.pdfVIP

第 43卷第 23期 数学的实践与认识 Vo1．43．NO．23 2013年 12月 M ATHEMATICSIN PRACTICEAND THEORY Dec．．2013 一’ ’’’’·，’，’、 ^工 程-一i¨ ‘． I I ‘l ‘． ． 1 ‘l · 基于提取权重的概率神经网络算法在陶瓷鉴定中的应用 熊庆如 ，詹棠森 z，刘洋2，刘小芳z，张吉楠2余 意z (1．浙江东方职业技术学院基础部，浙江 温州 325011) (2．景德镇陶瓷学院信息工程学院，江西 景德镇 333403) 摘 要：通过提取陶瓷样品对瓷器鉴定的影响因素，采用了基于欧氏距离分析法，得 到了各个因素的权重，从而能够确定影响因素的关键因素．通过关键因素作为神经 网络模型输入变量，建立基于提取权重的概率神经网络算法。实例分析表明：算法 通过提取权重能够提高分类准确度．在大样本实例分析中，算法比其他统计分析和 相似度算法具有更快的收敛速度，并能够应用到其它数据处理中，具有广泛的适用 性． 关键词：鉴定；权重；关键因素；概率神经网络 陶瓷鉴定是一门科学，陶瓷研究可以揭示历史文物的特征．目前，官窑陶瓷与民窑陶瓷鉴 定很多仍然停留在 “只能意会，不能言传’’的感性阶段，因而缺乏理论化．瓷器鉴定主要包括 两方面的内容：一是瓷器鉴定的年代；二是瓷器鉴定的窑口，即烧造地点．由于不同时代，陶瓷 采用的釉面配方不同，原料配比不同，导致釉面元素的组成和含量的不同_lJj因此这些参数包 含了生产年代和窑 口特征信息．那样就可以通过提取陶瓷样品中的元素组成和数据含量与输 入电脑数据库进行对比分析，就可大致得到要鉴定陶瓷年代和产地．但这样通过成分比对还 是精度很低．文献 fl一3]通过数据的统计变换和Bayes判别分析等算法才得到了较高的精度． 虽然上面文章对鉴定结果有很好的结果，但精度不高．本文通过采用欧氏距离分析法，得 到了各个元素对鉴定结果影响的权重，并得到影响分类的关键因素，把关键因素作为输入向 量，结合概率神经网络模型 4[-7】，建立基于提取权重的概率神经网络模型．具体过程如下． 1提取权重算法 符号的说明：n为各类别的样本数 目， 为第一类样品中第 k个样本的特征向量， 为第二类样品中第 m个样本的特征向量，J(X )为第一类样品和第二类样品的相似 度，J(X～k， =0)为去除第 i个因素后第一类样品和第二类样品的相似度． 本文从模式识别的角度出发，对需要进行分类的数据采用欧氏距离最优化进行预处理， 收稿 日期：2012．03．12 资助项目：国家自然科学基金 61202313)；教育部人文社科基金 (13YJA760064)；江西省自然科学基 金 (20122BAB2016，20122BAB211033) 数 学 的 实 践 与 认 识 43卷 使其能够更加适合概率神经网络．下面我们先给出基于欧氏距离最优的模型，即 ~／(zl，Z2，… ，Z)=max{J(X )一J(X ，Zi=0)) J(Xk,=0)=三 ∑(}1)一 )。()一 )，k=1，23一，n；m=1，23一，n J(X )=∑ ∑(}一 )·( 一 )， =1，2，3，…，礼；m=1，2，3，… ，n }=f【—k， ，… ，]T，k=1，2，3，…，n x 1=z【1，}，Z2世，… ，瑚T = [hF， ，… ， ]T，m 1，2，3，·一，n = 【1 ，Z rn，… ，Zn ]T ∑Zi=n一1， i：1，2，3… ，礼 t= 1 其中Z为 0—1变量 对于两个特征向量，可以通过计算其欧氏距离来表征它们的相似度，在分类之前考虑到 提取的特征向量维数过高，这样会降低分类速度；所以在这里通过欧氏距离最优化的原理选 取对分类结果影响较大的因素，模型中的J(X )一J(X ，Zi=0)表述的是去除第 i个因素之 后两类样品相似度的减少量，文中用此来表征每个因素的分类权重；通过提取分类权重较大 的因素可以降低原始数据的维数，使其能够更好地