基于仿生模式识别构造型神经网络分类方法.docVIP

基于仿生模式识别构造型神经网络分类方法 　　摘 要:从BP神经元模型和RBF神经元模型几何意义出发,将仿生模式识别理论引入到神经网络分类中,提出了一种基于仿生模式识别的构造型神经网络分类方法,通过构造不同结构神经元结合的神经网络,实现了对不同类样本在高维空间中形成的不同形状几何体的覆盖。实验证明该算法是非常有效的。 　　关键词:仿生模式识别; 神经元; 构造型神经网络; 高维空间; 分类 　　中图分类号:TP391文献标志码:A 　　文章编号:1001-3695(2009)09-3314-04 　　doi:10.3969/j.issn.1001-3695.2009.09.032 　　 　　Constructive neuron networks classification algorithmbased on bionic pattern recognition 　　CHEN Qi-mai, ZHOU Hai-qing 　　(College of Computer Science, South China Normal University, Guangzhou 510631, China) 　　Abstract:This paper introduced the theory of bionic pattern recognition into neural networks classification,Firstly from geometric significance of the BP neuron model and the RBF neuron model , proposed a new constructive neuron networks classification algorithm based on bionic pattern recognition. Then covered high dimensional geometrical distribution of the sample set in the feature space by constructing a new type of ANN. Finally, the test proves that the algorithm is very effective. 　　Key words:bionic pattern recognition; neuron; constructive neural networks; high dimensional; classification 　　 　　0 引言 　　 　　模式识别经历了统计模式识别、结构模式识别、模糊模式识别三个主要发展阶段。针对传统模式识别,王守觉[1]于2002年提出了一种新的模式识别,它基于认识事物而不是区分事物,与传统以最佳划分为目标的统计模式识别相比,更接近于人类认识事物的特性,故称为仿生模式识别。传统模式识别与分类算法都是基于假定同类样本点相互之间没有任何关系,但是客观世界一切事物均有联系,仿生模式识别就在于引入了同类样本存在某些普遍规律性,在特征空间中必然会形成某种多维几何图形,从而建立一种多维空间中非超球复杂几何形体覆盖的识别原理。 人工神经网络是模拟生物神经网络进行信息处理的一种数学模型,由大量神经元通过不同的拓扑结构组成,具有极强的自学习能力和分类能力,在模式识别领域中得到了广泛应用。但由于每个神经元的数学描述都是一个多变量的非线性函数方程,组成网络后,整个网络的数学描述就是一个复杂的多变量非线性方程组,这对于认识与研究来说是非常困难的。为了改善对神经网络行为的认识和研究中的黑匣子式的难以处理的状态,许多学者从几何角度对不同神经元以及神经网络的行为进行了新的分析和研究[2~4],通过构造一个球领域模型将神经网络的训练问题转换为点集覆盖问题。因此,人工神经网络是实现仿生模式识别的有效手段[1,5,6]。 　　本文首先从仿生模式识别理论出发,通过研究不同神经元模型几何意义,提出了一种新的基于仿生模式识别理论的构造型神经网络分类算法。该算法考虑同类样本在特征空间中形成的拓扑结构,构造出一种能够对每类样本进行最佳覆盖的神经网络。与传统神经网络分类算法相比,该算法几何意义明确,理解简单,实现容易。 　　 　　1 仿生模式识别 　　 　　1.1 仿生模式识别理论基础 　　仿生模式识别理论认为:同类而不完全相等的事物之间,必至少存在一个渐变过程,在这个渐变过程中间的各事物都属于同一类,即特征空间中同类样本全体的连续性规律。其数学描述如下: 　　在特征空间??R??n??中,设所有属于A类事物的对象所构成的集合为A,若集合A