基于仿生模式识别的超曲面研究.docVIP

基于仿生模式识别的超曲面研究 　　摘 要：仿生模式识别的研究有非常重要的应用价值。论文对基于仿生模式识别的分类方法进行了深入的研究，提出了利用仿生模式识别中的多权值神经网络的高维封闭曲面进行分类界面的识别技术。仿生模式识别技术的基础是同类事物的相通性基础上的，它克服了原有分类界面过于粗糙的不足，可以找到同类事物的最佳覆盖面 关键词：仿生；模式识别；神经网络；分类器 中图分类号： F224-39 文献标识码： A 文章编号： 1673-1069（2017）02-154-2 1 仿生模式识别的引入 为了适应现实需要，人们开始希望机器能够代替人类完成某些繁重的识别工作。我们通常所说的模式识别就是指运用机器进行分类识别。以往的识别方法，多数是建立在“分类划分”的基础上，根据给定的分类准则来找寻“最优的分类界面”，具体的实现算法也都是注重于不同类样本的区别，即，一类样本与有限种类已知样本之间的区分。基于此出发点的局限性，识别当中出现的问题是显而易见的：首先，如果遇见未学习过的新事物，常常会牵强地认为它是某一类已学过的旧事物；其次是对未学习过的新事物进行学习时，往往会破坏掉原来的规矩，打乱旧事物的识别。针对以上的缺陷，才有了仿生模式识别的概念。仿生模式的目标是找到同类事物的最佳覆盖面 2 仿生模式识别在神经网络中的超曲面划分 2.1 多权值神经网络的高维封闭曲面 （5）式中Wji和W′ji是方向权值，它们决定了曲面的方向，W′ji是核心权值，它决定了曲面的几何中心。Xj为第j个输入端的输入；n是输入空间维数；p为幂参数，用以控制曲面的弯曲程度；s表示单项正负号方法的参数，若S=0单项符号只能为正，若S=1时单项的符号和Wji的符号相同；若设置了S=0，则该式就变成了一个封闭超曲面的神经元。f函数的基设置为一个定值时，输入点的轨迹是一个封闭的超曲面，其核心位置由决定 用p值来改变封闭超曲面的形状，如图1～图8所示。若使权值取不同的值，就相当于将封闭曲面在不同方向进行拉伸或压缩，θ取值不同，则偏离核心位置的程度也不同 2.2 通用超曲面神经网络的计算式 上式中，Ymi（t+1）是输入空间的第i个神经元在输入第m个对象，在t+1时间的输出状态值。i是神经元数量，最大是1024。Wji与W′ji是第j个输入节点至第i个神经元的“方向”权值和“核心”权值；fki是第i个神经元的输出非线性函数，下标ki是第i个神经元的非线性函数在函数库中的序号；Imj表示的是第m个输入对象中的第j个输入值；W′cgi和是Wcgi第cg个（取值范围[1，256]）神经元输出到第i个（取值范围[1，1024]）神经元的权值“核心”和“方向”权值；p表示的是幂参数；而S是单项正负符号规则；（t）为当输入为第m个对象时第cg个神经元在时间t的输出状态值，θ（[1，1024]）是第i个神经元的阈值；λi是神经元非线性函数坐标比例因子；Ci是神经元输入规模比例因子 由传统的BP神经网络和经向基RBF神经网络及超曲面神经网络对图9中三类事物的分类边界分别为折线和圆环及椭圆的并，可见超曲面神经网络具有更准确的分类效果 3 总结 仿生模式识别是对事物逐类分别训练“认识”的过程。它的显著优点是对于没有经过训练的对象会拒识，而新增加样本的训练不会影响到原有的识别。因此，仿生模式识别，较之原有的识别模式识别效果更佳，可以广泛应用在人脸识别，语音识别等众多领域 参 考 文 献 [1] 覃鸿，王守觉.多权值神经元网络仿生模式识别方法在低训练样本数量非特定人语音识别中与HMM及DTW的比较研究[J].电子学报，2005（5）. [2] 王守觉，曲延峰，李卫军，覃鸿.基于仿生模式识别与传统模式识别的人脸识别效果比较研究[J].电子学报，2004（7）. [3] 周红，吴炜，等.流形学习中的算法研究[J].计算机应用研究，2007，24（7）：214-215.