[发明专利]基于先验知识的可拓神经网络模式识别方法

权利要求书

1.一种基于先验知识的可拓神经网络模式识别方法，其特征在于：包括以下步骤：（1）、准备训练样本集和知识库，训练样本集是已经获取的观测数据，假设训练样本集为其中N_p是样本集的样本总个数，第i个样本表示为 其中n是样本特征向量包含的特征总个数，第i个样本类别标签是p；知识库是存储关于面对具体对象而已经知道的信息；针对可拓神经网络权值所体现的知识特点，选择对象特征向量各个特征值的经典域极值，即L_kj表示第k种模式关于第j个特征属性的定量范围； 

（2）、根据训练样本和先验知识，确定可拓神经网络的初始权值； 

（3）、利用训练样本对可拓神经网络进行训练；如果训练过程收敛或总误差率到达预设值，则停止训练，保存训练后的可拓神经网络的权值向量；否则继续训练； 

（4）、利用训练好的可拓神经网络进行模式识别，直至所有识别对象全部识别完毕。 

2.根据权利要求1所述的基于先验知识的可拓神经网络模式识别方法，其特征在于：所述的步骤（2）具体如下：首先确定可拓神经网络的输入层的神经元个数n和输出层的神经元个数n_c，输入层的神经元个数n等于特征训练特征值的个数，输出层的神经元个数n_c等于模式状态的个数；输入层和输出层之间采用双权连接的方式，其中一个权值代表某一特征经典域的下限值，另外一个权值代表着相应特 征经典域的上限值，连接输入层第j个节点和输出层第k个节点的两个权值分别用和表示，则可拓神经网络的初始权值可按照公式（2）～（3）获得： 

。

3.根据权利要求1所述的基于先验知识的可拓神经网络模式识别方法，其特征在于：所述步骤（3）具体包括以下步骤： 

其中每一种模式的初始中心点如下所述： 

Z_k={z_k1,z_k2,...,z_kn}   (4) 

（31）、读入第i个样本以及该样本对应的安全状态模式类标签p，i=1,2，...，N_p； 

（32）、利用公式(6)计算样本与第k类安全状态模式的可拓距离： 

（33）、求取k^*，使得如果k^*=p，则进入步骤（35）；否则进入步骤（34），即进行网络权值的调整； 

（34）、根据公式(7)～(10)，调整第p类和第k^*类模式对应的权值：(a)、第p类模式类中心的调整如式(7)所示；第k^*类模式类中心的调整如式(8)所示： 

(b)、第p类模式权值的调整如式(9)所示；第k^*类模式权值的调整如式(10)所示： 

分别代表第k^*类模式调整后的类中心和调整前的类中心，分别代表第p类模式调整后的类中心和调整前的类中心； 

代表第p类模式调整后的权值，代表第p类模式调整前的权值； 

代表第k^*类模式调整后的权值，代表第k^*类模式调整前的权值； 

η代表学习速率； 

（35）:循环执行步骤（31）到（34）；如果所有样本都被归类，则一个学习步长结束，进入步骤（36）； 

（36）、如果训练过程收敛，或者总误差率到达预设值，则停止训练，否则返回执行步骤（31）。 

根据权利要求3所述的基于先验知识的可拓神经网络模式识别方法，其特征在于：所述的步骤（3）中的总误差率E_T=N_m/N_p，N_m是误分类的个数，N_p是样本个数。