基于仿生模式識(shí)別的構(gòu)造型神經(jīng)網(wǎng)絡(luò)分類方法分析

李靜森

摘要 本文體出了一種將仿生模式識(shí)別理論作為基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)構(gòu)造方法。仿生模式理論認(rèn)為，同類但不完全相等事物之間存在著至少一個(gè)漸變過(guò)程，在這個(gè)過(guò)程當(dāng)中，各種事物都屬于同一類別。利用該理論，能夠從高維空間當(dāng)中神經(jīng)元模型的幾何意義出發(fā)，對(duì)一種全新的神經(jīng)網(wǎng)絡(luò)進(jìn)行構(gòu)造，從而使得高位空間中不同亞你根本形成的不同幾何體覆蓋能夠得到有效的實(shí)現(xiàn)，并對(duì)其進(jìn)行有效的分類。本文的研究利用雙螺旋曲線分類實(shí)驗(yàn)使得這種網(wǎng)絡(luò)的識(shí)別效果得到了證明。

【關(guān)鍵詞】模式識(shí)別 神經(jīng)元 幾何體覆蓋 高維空間

自從提出仿生模式識(shí)別之后，仿生模式識(shí)別在人臉識(shí)別、實(shí)物目標(biāo)識(shí)別等多個(gè)研究領(lǐng)域都得到了應(yīng)用，通過(guò)與傳統(tǒng)模式識(shí)別的比較我們發(fā)現(xiàn)，仿生模式識(shí)別有著更優(yōu)越的識(shí)別效果。本文從仿生模式識(shí)別理論出發(fā)，提出了一種對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行構(gòu)造的全新算法。該算法能夠?qū)γ恳活悩颖緝?nèi)部的關(guān)系特性進(jìn)行充分考慮，利用該算法構(gòu)造的神經(jīng)網(wǎng)絡(luò)能夠?qū)σ活愵悩颖具M(jìn)行最佳覆蓋，算法簡(jiǎn)單且有著十分明確的幾何意義，通過(guò)雙螺旋曲線實(shí)驗(yàn)，也表明本文研究的算法具有訓(xùn)練時(shí)間短且正確率高的優(yōu)點(diǎn)。

1 神經(jīng)網(wǎng)絡(luò)構(gòu)造算法

從仿生模式識(shí)別理論出發(fā)，在高維空間當(dāng)中，同一類樣本的分布呈現(xiàn)拿出一個(gè)復(fù)雜的幾何體，想要覆蓋這個(gè)幾何體十分困難。應(yīng)先實(shí)現(xiàn)覆蓋多個(gè)簡(jiǎn)單幾何體，隨后通過(guò)合并、相交結(jié)合體的方法覆蓋復(fù)雜的幾何體。

首先需要考慮的是，如果在空間當(dāng)中模式樣本點(diǎn)呈現(xiàn)出一維流行分布，在對(duì)其他方向存在噪聲干擾進(jìn)行考慮的情況下，在特征空間當(dāng)中，模式形狀可以看做是一維流行曲線與n維超球的拓?fù)涑朔e。為了對(duì)近似覆蓋進(jìn)行實(shí)現(xiàn)，在實(shí)際的實(shí)驗(yàn)過(guò)程當(dāng)中我們利用若干首尾相連的直線段來(lái)對(duì)該流行曲線進(jìn)行模擬，而n維超球、折線之間的拓?fù)涑朔e就是所求。

2 性能分析

（1）本文的算法屬于一種構(gòu)造方法，網(wǎng)絡(luò)參數(shù)均根據(jù)樣本進(jìn)行計(jì)算，計(jì)算時(shí)間就是訓(xùn)練時(shí)間，因此并不存在收斂性的問(wèn)題。

（2）在網(wǎng)絡(luò)當(dāng)中，樣本個(gè)數(shù)會(huì)決定神經(jīng)元的個(gè)數(shù)，這使得傳統(tǒng)神經(jīng)網(wǎng)絡(luò)選擇隱層節(jié)點(diǎn)數(shù)的問(wèn)題能夠得到避免。

（3）本文的算法充分的對(duì)噪聲情況進(jìn)行考慮，因此具有良好的抗噪特點(diǎn)。

（4）在實(shí)際的構(gòu)造當(dāng)中，為了使得神經(jīng)元的個(gè)數(shù)能夠減少，可以在篩選樣本時(shí)利用某種預(yù)處理方法，對(duì)具有代表性的樣本進(jìn)行選取、訓(xùn)練。

3 實(shí)驗(yàn)與結(jié)果

現(xiàn)如今，雙螺旋曲線的識(shí)別已經(jīng)成為人們對(duì)分類算法進(jìn)行驗(yàn)證的重要標(biāo)準(zhǔn)，但是，在對(duì)新樣本進(jìn)行添加的過(guò)程當(dāng)中，必須重新訓(xùn)練整個(gè)網(wǎng)絡(luò)，而在識(shí)別為訓(xùn)練的模式類時(shí)，結(jié)果的確定性也難以得到有效的保證。由于每一條螺旋曲線都是一維流行曲線，因此本文的算法能夠使其得到有效的實(shí)現(xiàn)。

雙螺旋曲線是由極坐標(biāo)方程以及兩條曲線相互纏繞所形成的，對(duì)其中的34個(gè)點(diǎn)分別選取，其數(shù)值為作為一種訓(xùn)練樣本集，在圖1當(dāng)中的“O”與“·”出能夠看到其所在的位置。

在曲線當(dāng)中對(duì)10000個(gè)點(diǎn)隨機(jī)選取，作為己知測(cè)試樣本，為了使得本文算法的性能得到更好的驗(yàn)證，對(duì)第三條螺旋曲線進(jìn)行選取，并在該曲線上對(duì)10000個(gè)點(diǎn)進(jìn)行隨機(jī)選取，將其作為未知類測(cè)試樣本集。

（1）在兩類訓(xùn)練樣本集當(dāng)中，每一類共有34個(gè)樣本，樣本總數(shù)為68個(gè)，將統(tǒng)一距離參數(shù)k在網(wǎng)絡(luò)當(dāng)中進(jìn)行建立，并保證神經(jīng)元個(gè)數(shù)2倍與訓(xùn)練樣本數(shù)。

（2）將己知的20068個(gè)樣本作為正確識(shí)別率測(cè)試樣本，輸出結(jié)果都為1，擁有100%的正確識(shí)別率。

（3）將10000個(gè)未知類測(cè)試樣本集作為拒絕識(shí)別的測(cè)試樣本，最終得到輸出結(jié)果為O，擁有100%的正確識(shí)別率。

4 討論與結(jié)論

（1）根據(jù)先驗(yàn)知識(shí)我們能夠知道，基于仿生模式識(shí)別理論，只需要通過(guò)較少的樣本就能夠?qū)碛辛己眯阅艿淖R(shí)別網(wǎng)絡(luò)進(jìn)行構(gòu)造，該網(wǎng)絡(luò)能夠分別認(rèn)識(shí)樣本一類的其他事物，對(duì)于新增加的樣本訓(xùn)練不會(huì)使得原有的識(shí)別知識(shí)造成影響，也不會(huì)誤識(shí)其他類似的類為訓(xùn)練樣本。

（2）本文設(shè)計(jì)的系統(tǒng)網(wǎng)絡(luò)當(dāng)中對(duì)兩種不同結(jié)構(gòu)的神經(jīng)元進(jìn)行了應(yīng)用，使得傳統(tǒng)利用單一結(jié)構(gòu)神經(jīng)元模型對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行構(gòu)造的局限性得到了突破，將更加廣闊的途徑、方法提供給了神經(jīng)網(wǎng)絡(luò)的構(gòu)造。

（3）從高位空間幾何角度來(lái)對(duì)神經(jīng)網(wǎng)絡(luò)以及神經(jīng)元的問(wèn)題進(jìn)行考慮，能夠具有更加明確的物理意義，而這也是模式識(shí)別等人工智能領(lǐng)域的全新發(fā)展方向。

（4）該實(shí)驗(yàn)是一種低維空間的實(shí)例，比較容易實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)當(dāng)中的覆蓋算法，在高偉凱空間當(dāng)中覆蓋多維流形將更加復(fù)雜。

（5）網(wǎng)絡(luò)判別閾值距離k，實(shí)在對(duì)多種樣本之間的距離關(guān)系以及不同模式樣本之間的距離關(guān)系綜合考慮之后得出的數(shù)據(jù)參數(shù)，如果有著過(guò)大的k，則會(huì)使得網(wǎng)絡(luò)的誤識(shí)率得到增加，如果有著過(guò)小的k，則會(huì)使得網(wǎng)絡(luò)的拒識(shí)率得到提高。

（6）總而言之，使用兩種不同結(jié)構(gòu)的神經(jīng)元，并從仿生模式識(shí)別理論的角度出發(fā)，能夠?qū)碛辛己玫男阅艿纳窠?jīng)網(wǎng)絡(luò)進(jìn)行構(gòu)造，而這也使得本文算法的有效性得到了良好的證明。

參考文獻(xiàn)

[1]黃國(guó)宏，熊志化，邵惠鶴，一種新的基于構(gòu)造型神經(jīng)網(wǎng)絡(luò)分類算法[J]，計(jì)算機(jī)學(xué)報(bào)，2015 （09）.

[2]王守覺(jué)，曲延鋒，李衛(wèi)軍.覃鴻，基于仿生模式識(shí)別與傳統(tǒng)模式識(shí)別的人臉識(shí)別效果比較研究[J]，電子學(xué)報(bào)，2014 （07）.

[3]王守覺(jué)，徐健，王憲保，覃鴻.基于仿生模式識(shí)別的多鏡頭人臉身份確認(rèn)系統(tǒng)研究[J].電子學(xué)報(bào)，2013 （01）.

[4]王守覺(jué)，仿生模式識(shí)別（拓?fù)淠Ｊ阶R(shí)別）—— 一種模式識(shí)別新模型的理論與應(yīng)用[J].電子學(xué)報(bào)，2012 （10）.

[5]王守覺(jué)，李兆洲，陳向東，王柏南，通用神經(jīng)網(wǎng)絡(luò)硬件中神經(jīng)元基本數(shù)學(xué)模型的討論[J].電子學(xué)報(bào)，2011（05）.