[发明专利]一种自动识别人体染色体模式的动态神经元模糊计算方法

摘要

一种自动识别人体染色体模式的动态神经元模糊计算模型属模式识别与信息处理技术领域，其主要特征在于：(1)神经元Nd(k)(k＝1，2，…，N)构成N阶动态模糊聚类网络DFCN(n)<R，A，O>，Nd(k)对应染色体样本模式X(k)(k＝1，2，…，N)；添加对应待识别染色体模式X(0)的神经元Nd(0)，将DFCN(N)<R，A，O>扩展为(N+1)阶动态模糊聚类网络；(2)DFCN(N)<R，A，O>对X＝{X(K)|k＝1，2，…，N}进行动态模糊聚类分析，实现理想划分S＝{S(K)|k＝1，2，…，C}(S(k)X)；(3)，对＝{X(k)|k＝0，1，2，…，N}进行动态模糊聚类运算，在理想划分S＝{S(k)|k＝1，2，…，C}约束下识别X(0)。动态神经元模糊计算模型对染色体有较高的识别率且误识率为零。

主权项

1、一种自动识别人体染色体模式的动态神经元模糊计算方法，以人工神经信息处理的方式，利用动态神经元模糊计算模型实现模糊聚类分析运算，其特征在于：所述动态神经元模糊计算模型的构成包括三部分：(1)相似关系计算网络：由n个输入节点与N个输出节点互联构成的网络，用以计算X(0)与X(k)的相似关系，k＝1，2，…，N，其中：X(0)=(x1(0),x2(0),···,xn(0))T：待识别染色体的n维模糊特征向量X(k)=(x1(k),x2(k),···,xn(k))T：染色体样本集合X中第k个样本n：大于或等于1的整数N：大于或等于1的整数1°相似关系计算网络中输入节点与输出节点的联结具有不同的强度，第i个输入节点与第k个输出节点的联结强度设置为xi(k)，n个输入节点与第k个输出节点的联结强度xi(k)，i＝1，2，…，n形成第k个输出节点的中心向量X(k)=(x1(k),x2(k),···,xn(k))T;2°网络的输入向量是X(0)，其第i个分量xi(0)为第i个输入结点的输入量；3°网络的输出向量是u＝(r01，r02，…，r0N)T，其第k个分量r0k为X(0)与X(k)的相似度；(2)动态模糊聚类网络：由N+1个神经元Nd(k)构成，k＝0，1，2，…，N，第k个神经元Nd(k)对应n维染色体模糊特征向量X(k)，以实现染色体动态模糊聚类分析运算：1°DFCN(N)：代表N阶动态模糊聚类网络，由{Nd(k)|k＝1，2，…，N}构成，对X＝{X(k)|k＝1，2，…，N}进行动态模糊聚类分析运算，实现染色体样本理想划分S＝{S(k)|k＝1，2，…，C，S(k)X}，其中S＝{S(k)|k＝1，2，…，C，S(k)X}：X＝{X(k)|k＝1，2，…，N}的理想划分；αk∈(0，1]：Nd(k)的阈值，k＝0，1，2，…，N；A＝(α1，α2，…，αN)T：DFCN(N)阈值向量；R＝{rij}N×N∈[0，1]N×N：DFCN(N)的联结强度矩阵和X×X上的模糊相似关系，其中，rij为X(i)与X(j)的相似度，i，j∈{1，2，…，N}；oi(t)∈{0，1}：Nd(k)在t时刻的状态，k＝0，1，2，…，N；O(t)＝(o1(t)，o2(t)，…，oN(t))T：DFCN(N)在t时刻的状态向量；2°DFCN(N+1)：(N+1)阶动态模糊聚类网络，是DFCN(N)中添加神经元Nd(0)后形成的扩展网络，对扩展集合X＝{X(k)|k＝0，1，2，…，N}进行动态模糊聚类分析运算，并在染色体样本理想划分S＝{S(k)|k＝1，2，…，C}的约束下对X(0)进行识别，其中A＝(α0，α1，α2，…，αN)T：DFCN(N+1)阈值向量；R＝{rij}0≤i，j≤N∈[0，1](N+1)×(N+1)：DFCN(N+1)的联结强度矩阵和X×X上的模糊相似关系，其中，rij为X(i)与X(j)的相似度，i，j∈{0，1，2，…，N}；O(t)＝(o0(t)，o1(t)，o2(t)…，oN(t))T：DFCN(N+1)在t时刻的状态；3°神经元联结模式：任意两个神经元Nd(i)和Nd(j)存在联结，其联结强度设置为rij∈[0，1]，规定：对称性rij＝rij，i，j∈{0，1，2，…，N}，自反性rij＝1，i∈{0，1，2，…，N}；(3)布尔逻辑运算电路：1°布尔运算(a)：实现理想划分S＝{S(k)|k＝1，2，…，C}；2°布尔运算(b)：判定DFCN(N+1)模糊聚类分析结论的有效性；3°布尔运算(c)：输出识别结果Y＝(y0，y1，y2，…，yC)T∈{0，1}(C+1)×1，其中，yk分别代表染色体各类别，k＝1，2，…，N，y0代表非染色体类。