[发明专利]融合自组织映射与概率神经网络的增量式学习方法无效

专利信息
申请号: 201310451473.9 申请日: 2013-09-27
公开(公告)号: CN103489033A 公开(公告)日: 2014-01-01
发明(设计)人: 於东军;胡俊;戚湧;唐振民;杨静宇 申请(专利权)人: 南京理工大学
主分类号: G06N3/08 分类号: G06N3/08
代理公司: 南京理工大学专利中心 32203 代理人: 朱显国
地址: 210094 *** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 融合 组织 映射 概率 神经网络 增量 学习方法
【权利要求书】:

1.一种融合自组织映射与概率神经网络的增量式学习方法,适于对不同类型新可用数据的增量学习,其特征在于,该方法包括以下步骤:

初始学习:利用自组织映射从原始样本中提取样本分布规律,将原始样本依据样本所属的类别,划分为多个训练数据集;然后使用每一类别的训练数据集训练得到一个独立的自组织映射;

构建概率神经网络:使用训练后自组织映射的原型向量作为模式神经元来构建概率神经网络;以及

新数据集的学习,包括:

1)如果新数据集为已知类别的数据集,则查找该已知类别的自组织映射并进行局部的调整学习得到新的自组织映射,再用新的自组织映射替换原有的该已知类别的自组织映射;以及

2)如果新数据集不是已知类别的数据集,则新训练一个独立的自组织映射,并使用其原型向量作为该类别的模式神经元,用于概率神经网络的构建。

2.根据权利要求1所述的融合自组织映射与概率神经网络的增量式学习方法,其特征在于,所述初始学习的过程如下:

令原始样本X=X1∪X1∪…Xm…∪XM为初始训练集,其中Xm为类别m的训练数据集,首先,使用每个Xm训练一个自组织映射,表示为SOMm;用Km表示SOMm,中原型向量的个数,cm,k表示第k个输出节点对应的原型向量,1≤k≤Km;I(cm,k,Xm)表示训练样本集Xm中被映射到输出节点cm,k的样本个数,I(cm,k,Xm)用下式来表达:

I(cm,k,Xm)={x|x∈Xm,BMU(x)=cm,k},

SOMm第k个原型向量的重要程度,可以用下式来度量:

ρ(cm,k)=I(cm,k,Xm),

使用SOMm中的原型向量,来估计类别m的概率密度表达为:

fmSOM(x)=1(2π)d/2σdKmΣk=1Kmexp(-(x-cm,k)T(x-cm,k)2σ2),]]>

其中,对于即类别m的训练数据集,其中Sm为Xm中样本的个数,利用下述函数式来对类别m的概率密度进行估计:

fm(x)=1(2π)d/2σdSmΣk=1Smexp(-(x-xm,k)T(x-xm,k)2σ2),]]>

其中,d为训练样本的维数即自组织映射的输入节点个数d,σ为平滑因子,该平滑因子表达如下:

σ=1MΣm=1MΣi=1Km-1Σj=i+1Km||xm,i-xm,j||(Km-1)(Km-2);]]>

再结合每个原型向量的重要程度,进一步描述为:

fmSOM(x)=1(2π)d/2σdKmΣk=1Kmwm,k·exp(-(x-cm,k)T(x-cm,k)2σ2),]]>

其中,为SOMm中第k个原型向量的权重;

最终的概率神经网络表达为:

PNN={(pm,fmSOM(x))}m=1M,]]>

其中,M为初始训练集的类别总数,pm为第m类训练数据集的先验概率,其取值范围为:0~1;

在决策阶段,新样本x按照式下式被分类到类别m*

m*=argmaxm{pm·fmSOM(x)}m=1M.]]>

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京理工大学,未经南京理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201310451473.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top