一种距离映射模式分类方法技术

本发明专利技术涉及一种距离映射模式分类方法，所建立的距离映射分类器包括四部分组成，分别是输入层、隐层1、隐层2以及输出层：输入层包含d个神经元节点，每个节点代表一个训练或测试样本的特征向量；将提取得到的多个样本的特征向量组作为距离映射分类器的输入层；隐层1包含N个神经元节点，N代表全部训练样本个数；计算输入的特征向量与N个训练样本特征向量的欧式距离作为隐层1；隐层2包含L个神经元节点，通过线性激活函数可以将隐层1与隐层2连接起来；线性激活函数的两个参数矩阵分别是隐层1和隐层2的连接权重及偏置；分类器模型用于测试样本分类时，直接应用训练得到的转换矩阵，计算出输出矩阵。

【技术实现步骤摘要】
一种距离映射模式分类方法
本专利技术涉及一种(人工智能)模式识别分类方法。
技术介绍
目前，模式分类广泛应用于医学，智能交通，天气预报，白酒识别等各行各业。为此，呈现了许多模式分类方法。一般的，模式分类方法可以归总为两种，即简单分类器和复杂分类器。简单分类器，如k近邻、贝叶斯、Fisher、极限学习机等适用于快速分类要求；而复杂分类器，如支持向量机、神经网络及深度学习等分类器实时性比较差。不同的分类器具有不同的特点。以两种简单的分类器为例，即k近邻{B.K.Samanthula,Y.Elmehdwi,andJ.Wei,“k-nearestneighborclassificationoversemanticallysecureencryptedrelationaldata,”IEEETransactionsonKnowledgeandDataEngineering,vol.27,pp.1261–1273,2015}和极限学习机{G.B.Huang,Q.Y.Zhu,andC.K.Siew,“Extremelearningmachine:anewlearningschemeoffeedforwardneuralnetworks,”IEEEInternationalJointConferenceonNeuralNetworks,vol.2,pp.985–990,2004}，k近邻分类器的思路是寻找与测试样本相近数目最多的训练样本，并以此训练的类别作为该测试样本的分类类别。极限学习机的分类思路是，以最少的网络层数建立样本与类别的数学关系。传统的k近邻是在全部训练样本中选择k个与测试样本临近的样本，此法有两点不足：一是只考虑了部分与测试样本临近的训练样本的作用，而忽视了其他训练样本的价值；二是不同的k值对分类准确率影响比较大，需要通过不断的训练才能确定较为理想的k值。
技术实现思路
本专利技术提供一种可以提高分类准确率的新的模式分类方法，技术方案如下；一种距离映射模式分类方法，所建立的距离映射分类器包括四部分组成，分别是输入层、隐层1、隐层2以及输出层：[1]输入层输入层包含d个神经元节点，每个节点代表一个训练或测试样本的特征向量；将提取得到的多个样本的特征向量组作为距离映射分类器的输入层；[2]隐层1隐层1包含N个神经元节点，N代表全部训练样本个数；计算输入的特征向量与N个训练样本特征向量的欧式距离作为隐层1；[3]隐层2隐层2包含L个神经元节点，通过线性激活函数可以将隐层1与隐层2连接起来；线性激活函数的两个参数矩阵分别是隐层1和隐层2的连接权重及偏置；[4]输出层输出层包含m个神经元节点，m为样本(标签)类别总数；分类器隐层2的参数矩阵与输出层的参数矩阵通过一个转换矩阵进行连接；分类器模型进行训练时，输出层是已知的，从而可以通过计算确定转换矩阵；分类器模型用于测试样本分类时，直接应用训练得到的转换矩阵，计算出输出矩阵。本专利技术主要优点及特色体现在如下两个方面：1.该方法针对k近邻分类器的不足，提出求取待求样本与全部训练样本的欧氏距离，不需要通过反复训练确定参数k，实时性好。2.本专利技术将得到的欧式距离直接映射为分类结果，是一种新的分类的思路，分类准确率高。附图说明图1为本专利技术提出的距离映射分类器的网络结构。图2为本专利技术所提出的分类器与k近邻和极限学习机的关系图。图3展示了白酒样本获取过程。图4为白酒样本采样信号曲线(以42°牛栏山白酒为例，包含10条曲线，代表10个传感器(TGS2602、TGS2611、TGS2620、TGS880、MiCS-5121、MiCS-5521、MiCS-5524、MiCS-5526、MP502、WSP2110)的响应电压值)。具体实施方式考虑到传统k近邻方法存在的问题，本专利技术利用提取的样本特征计算待分类样本与全部训练样本的欧式距离，省略k值确定环节，并通过函数映射直接确定此欧氏距离与分类结果的数学关系，进而提出距离映射分类器，即将待分类样本与全部训练样本的欧式距离(自变量)通过数学计算(函数映射)得到待分类样本的分类结果(因变量)。本专利技术提供了一种距离映射分类方法。距离映射基本原理是将不同类别的样本特征映射到不同的类别标签。距离映射分类器由四部分组成，分别是输入层、隐层1、隐层2以及输出层。以白酒分类为例(但不局限于白酒分类)，本专利技术呈现的分类方法的具体内容如下：(1)前期准备(数据获取)图3展示了白酒样本获取过程。图4为白酒样本采样信号曲线(以42°牛栏山白酒为例，包含10条曲线，代表10个传感器(TGS2602、TGS2611、TGS2620、TGS880、MiCS-5121、MiCS-5521、MiCS-5524、MiCS-5526、MP502、WSP2110)的响应电压值)。(2)分类过程[1]输入层如图1所示，输入层包含d个神经元节点，每个节点代表一个样本的特征向量。针对每条传感器采样曲线，均采用主成分分析+线性判别方法提取样本特征，将提取得到的多个样本的特征向量组x作为距离映射分类器的输入层。当图1模型作为训练模型时，d＝N，N为训练样本总数；当作为测试模型时，d为测试样本的个数。n为单个样本的特征维数。[2]隐层1计算输入特征向量与训练样本特征向量的欧式距离如下。公式(3)中，xk为第k个输入样本特征向量，yj为第j个训练样本特征向量，Hkj为第k个输入样本特征向量与第j个训练样本特征向量的欧式距离。[3]隐层2隐层2包含L个神经元，其与隐层1的连接关系如式(4)所示。w和b分别是隐层1和隐层2的连接权重及偏置。[4]输出层输出层包含m个神经元节点，m为样本类别总数。分类器隐层2与输出层的连接关系如式(5)所示。Gβ＝T(5)其中，上式中，β为隐层2与分类结果的转换矩阵，T为目标分类结果过渡矩阵。当此模型用于训练时，T为已知矩阵，可由训练样本类别矩阵得到：tjl为矩阵T中第j个训练样本第l个位置的类别标签。当此模型用于测试时，T为待求矩阵。矩阵T与分类结果矩阵O的关系如下所示：本专利技术呈现的距离映射方法是一种学习算法。因此需要通过训练样本获取映射模型，基于训练模型，可以得到测试样本的分类结果。以上分类过程以白酒样本为例，但不局限于白酒分类。本文档来自技高网...

【技术保护点】
1.一种距离映射模式分类方法，所建立的距离映射分类器包括四部分组成，分别是输入层、隐层1、隐层2以及输出层：[1]输入层输入层包含d个神经元节点，每个节点代表一个训练或测试样本的特征向量；将提取得到的多个样本的特征向量组作为距离映射分类器的输入层；[2]隐层1隐层1包含N个神经元节点，N代表全部训练样本个数；计算输入的特征向量与N个训练样本特征向量的欧式距离作为隐层1；[3]隐层2隐层2包含L个神经元节点，通过线性激活函数可以将隐层1与隐层2连接起来；线性激活函数的两个参数矩阵分别是隐层1和隐层2的连接权重及偏置；[4]输出层输出层包含m个神经元节点，m为样本标签类别总数；分类器隐层2的参数矩阵与输出层的参数矩阵通过一个转换矩阵进行连接；进行训练时，输出层是已知的，从而可以通过计算确定转换矩阵；分类器用于测试样本分类时，直接应用训练得到的转换矩阵，计算出输出矩阵。

【技术特征摘要】
1.一种距离映射模式分类方法，所建立的距离映射分类器包括四部分组成，分别是输入层、隐层1、隐层2以及输出层：[1]输入层输入层包含d个神经元节点，每个节点代表一个训练或测试样本的特征向量；将提取得到的多个样本的特征向量组作为距离映射分类器的输入层；[2]隐层1隐层1包含N个神经元节点，N代表全部训练样本个数；计算输入的特征向量与N个训练样本特征向量的欧式距离作为隐层1；[3]隐层2隐...

【专利技术属性】
技术研发人员：孟庆浩，侯惠让，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12