[发明专利]用于水质检测的智能分光光度人工神经元网络训练方法

权利要求书

1.用于水质检测的智能分光光度人工神经元网络训练方法，其特征是包括下列步骤：读取数字图像R、G、B三基色的直方图数据，将直方图数据映射到二维平面，即以直方图的第一维变量作为横轴，单位为图像基色的量化单位值，将直方图的第二维变量做为纵轴，单位为经过正规化后的直方图最高数值，映射结果为平面PR(x，y)、平面PG(x，y)和平面PB(x，y)，

对所述每个平面PR(x，y)、平面PG(x，y)和平面PB(x，y)分别提取7维特征向量，即V^R＝(V^R₁，V^R₂，V^R₃，...V^R₇)、V^G＝(V^G₁，V^G₂，V^G₃，...V^G₇)、V^B＝(V^B₁，V^B₂，V^B₃，...V^B₇)，V^R特征向量对应平面PR(x，y)，V^G特征向量对应平面PG(x，y)，V^B特征向量对应平面PB(x，y)，每个7维特征向量的定义如下，式中N＝7：

VR1=Σx=0N-1Σy=0M-1PR(x,y);]]>

VR2=Σx=0N-1Σy=0M-1xPR(x,y)/V1;]]>

VR3=Σx=0N-1Σy=0M-1yPR(x,y)/V1;]]>

VR4=Σx=0N-1Σy=0M-12xyPR(x,y)/V1;]]>

VR5=Σx=0N-1Σy=0M-1x2PR(x,y)/V1;]]>

VR6=Σx=0N-1Σy=0M-1y2PR(x,y)/V1;]]>

V^R₇＝V₄/(V₅-V₆)；

其他G和B的两个基色平面PG(x，y)和平面PB(x，y)上的特征向量V^G、V^B用同样方法定义；

上述式中M为训练人工神经元网络的种子特征向量总数目，M的取值范围由化学试剂比色法中的样本数目所决定，即M为样本数目；总数目为M个的种子特征向量表示为V^RGB₁＝(V^R₁，V^G₁，V^B₁)，V^RGB₂＝(V^R₂，V^G₂，V^B₂)，...V^RGB_M＝(V^R_M，V^G_M，V^B_M)；记为{V^RGB_i|i＝1，2，...M}，M个特征向量一一对应被检测水样中某种物质含量的浓度，并且按照浓度的增加排序，即第1个种子特征向量V^RGB₁表示某种物质含量最低，第2个特征向量V^RGB₂表示某种物质含量次低，依次类推，第M个V^RGB_M表示某种物质含量最高，把M个特征向量表述为在平面PR(x，y)、平面PG(x，y)和平面(x，y)上映射出的N-维空间中的M个点；

根据M个种子特征向量{V^RGB_i|i＝1，2，...M}对人工神经元网络进行训练，包括下列步骤：

(1)从M个的种子特征向量中依次提取每两个特征向量，形成邻居“向量对”，这个向量对记为(V^RGB，i，V^RGB，j)，这里i＝1，2，...M-1；j＝i+1；

(2)选取基色空间R，在此基色空间中，邻居“向量对”(V^RGB，i，V^RGB，j)变为(V^R，i，V^R，j)；

(3)将(V^R，i，V^R，j)依次向N-维空间投影，在每个投影空间上获得投影值，计算在每个投影空间上的中点值，以此中点值为基础定义上、下限值，上限值V^R，ij_k，MAX定义为中点值增加10％的增量后的数值，下限值V^R，ij_k，MIN定义为中点值减少10％的增量后的数值；

从而在第1维空间上有V^R，ij_1，MID，V^R，ij_1，MIN，V^R，ij_1，MAX；在第2维空间上有V^R，ij_2，MID，V^R，ij_2，MIN，V^R，ij_2，MAX；依次类推，整个N-维空间上有{V^R，ij_k，MID，V^R，ij_k，MIN，V^R，ij_k，MAX|k＝1，2，...，M}；于是在N-维空间上形成针对每个邻居“向量对”的一族数据组G^R_ij，这里G^R_ij＝{V^R，ij_k，MID，V^R，ij_k，MIN，V^R，ij_k，MAX|k＝1，2，...，M}；

(4)完成对所有的i，j邻居“向量对”(V^RGB，i，V^RGB，j)的中点值和上、下限值的计算，i＝1，2，...M-1；j＝i+1；在此基础上从而得到在PR(x，y)平面上的人工神经元网络的训练数据组G^R_SUM＝{G^R_ij|i＝1，2，...M-1；j＝i+1}；

(5)选取基色空间G和B，完成相同步骤(3)、(4)，从而得到在PG(x，y)、PB(x，y)平面上的人工神经元网络的训练数据组G^G_SUM＝{G^G_ij|i＝1，2，...M-1；j＝i+1}和G^B_SUM＝{G^B_ij|i＝1，2，...M-1；j＝i+1}，至此数据生成完成，由此完成对人工神经元网络的训练。