一种基于同源连续性的超香肠神经网络模型及其构建方法技术

本发明专利技术提供了一种基于同源连续性的超香肠神经网络模型及其构建方法，采用前馈式结构，所述超香肠神经网络模型包括：输入层、第一隐藏层和输出层；其中，所述输入层包含M个神经元，所述第一隐藏层包括K组神经元，每组神经元包含L个超香肠神经元，所述输出层为一个神经元，其中M、K和L均为自然数；所述输入层用于接收M维向量x＝(x1,x2...xm)，所述输入层的每个神经元对应接收M维向量中的一个分量，并将该M维向量x＝(x1,x2...xm)映射至所述第一隐层中的各个超香肠神经元。本发明专利技术克服了传统模式识别同类样本在特征空间中的最佳划分作为目标的弊端，并解决了同类对象连通通路被切断的问题。

【技术实现步骤摘要】
一种基于同源连续性的超香肠神经网络模型及其构建方法
本专利技术涉及人工智能
，尤其涉及一种基于同源连续性的超香肠神经网络模型及其构建方法。
技术介绍
机器学习研究的问题是怎么让机器进行学习从而具备智能。由于人工神经网络研究的基础出发点是模仿生物神经网络，所以是实现机器学习的强有力的手段。人工神经网络是由大量神经元互联而成，他们之间的连接非常复杂因而具有极强的非线性映射，并行处理，分布式存储和容错能力，这是实现智能的基础。人工神经网络的优势在于实现非线性映射逼近，正是因为这个特点，在人工智能的很多方面都可以看到神经网络的存在。近些年来，模式识别的研究已有数十年的历史，取得了许多成果。随着模式识别的发展，模式分类的正确识别率越来越高，然而这些方法识别率似乎有一个瓶颈，很难突破。国内有一批学者在神经网络模型方面做出了贡献，如王守觉院士提出基于高维空间几何分析理论的神经网络模型。王守觉院士提出的思想富有启发性，其思想的出发点是要从形象思维的角度考察人工智能问题，特别的，他对于传统模式识别提出质疑，认为应该从认识而不是划分的角度来思考模式识别问题，基于这一思想，王院士提出了仿生模式识别和高维空间信息学理论，该理论认为，造成这种结果的原因是因为这些方法没有充分利用同源的同类事物具有局部直接连通性这个先验知识。因此，一切都只能从特征空间中不同类别样本的划分出发，然而在自然界实际规律中并非如此。自然界中万事万物都是由同类事物渐变发展而来，因此同源的同类事物的特征集有局部直接连通性。若存在两个同类而不完全相等的事物，那么这两个事物的差别是可以渐变或非量子化的，即一定可以找到一个渐变的序列，这个序列从这两个同源样本中的一个变到另外一个，并且这个序列中的所有模式都属于同一类。
技术实现思路
针对上述技术问题，本专利技术的目的在于提供一种基于同源连续性的超香肠神经网络模型及其构建方法，以克服传统模式识别同类样本在特征空间中的最佳划分作为目标的弊端，并解决同类对象连通通路被切断的问题。为了达到上述目的，本专利技术所采用的技术方案如下：根据本专利技术的一个方面，提供了一种基于同源连续性的超香肠神经网络模型，采用前馈式结构，包括：输入层、第一隐藏层和输出层；其中，所述输入层包含M个神经元，所述第一隐藏层包括K组神经元，每组神经元包含L个超香肠神经元，所述输出层为一个神经元，其中M、K和L均为自然数；所述输入层用于接收M维向量x＝(x1,x2...xm)，所述输入层的每个神经元对应接收M维向量中的一个分量，并将该M维向量x＝(x1,x2...xm)映射至所述第一隐层中的各个超香肠神经元。在本专利技术的某些实施例中，所述超香肠神经网络模型采用神经网络的映射逼近，分为两个阶段：第一阶段是实现输入空间的样本的模糊聚类，第二阶段是基于超香肠覆盖的映射求解。在本专利技术的某些实施例中，所述输入层将所述M维向量x＝(x1,x2...xm)映射至所述第一隐层中的各超香肠神经元通过以下运算实现：输入向量与第j聚类的L个代表点距离的r次幂，其中，r≥1。在本专利技术的某些实施例中，所述超香肠神经网络模型采用各聚类第一个主方向上的L个代表点并且由这L个代表点构成一个超香肠几何形体覆盖样本点。在本专利技术的某些实施例中，所述第一阶段通过非监督方法得到，所述第二阶段通过监督学习得到。在本专利技术的某些实施例中，所述第一阶段的模糊聚类采用的是基于欧式距离的K均值聚类，或者以最近距离为相似度度量的分级聚类算法。根据本专利技术的另一个方面，还提供了一种上述的超香肠神经网络模型的构建方法，包括以下步骤：将某一种类的样本进行模糊聚类，将该类样本分成多个小类；在每个小类上建立超香肠神经元；将超香肠神经元用线性神经元连接起来，从而构成超香肠神经网络模型。从上述技术方案可以看出，本专利技术基于同源连续性的超香肠神经网络模型及其构建方法至少具有以下有益效果：本专利技术基于同源连续性规律，具有更好的逼近性和更优的抗噪声性能，以超香肠结构为基本神经元，该网络模型并不以不同类样本在特征空间中的最佳划分作为目标，而是以一类样本在特征空间中的最佳覆盖为宗旨，保证了同源的同类事物连通通路的完整性。附图说明图1为本专利技术实施例超香肠神经元的示意图。图2为本专利技术实施例点到超香肠神经元之间的距离示意图。图3为本专利技术实施例超香肠神经网络的结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。在本专利技术的实施例中，提供了一种基于同源连续性的超香肠神经网络模型。如图3所示，本专利技术基于同源连续性的超香肠神经网络模型采用三层前馈式结构，其包括：输入层、第一隐藏层和输出层。输入层包含M个神经元，第一隐藏层包括K组神经元，每组神经元包含L个超香肠神经元，输出层为一个神经元，其中M、K和L均为自然数。所述输入层用于接收M维向量x＝(x1,x2...xm)，输入层的每个神经元对应接收M维向量中的一个分量，并将该M维向量x＝(x1,x2...xm)映射至第一隐层中的各个超香肠神经元。在某一实施例中，所述输入层将该M维向量x＝(x1,x2...xm)映射至第一隐层中的各超香肠神经元通过以下运算实现：输入向量与第j聚类的L个代表点距离的r次幂，其中，r≥1。进一步地，该超香肠神经网络模型采用各聚类第一个主方向上的L个代表点并且由这L个代表点构成一个超香肠几何形体覆盖样本点。在某一实施例中，该超香肠神经网络模型采用神经网络的映射逼近，具体分为以下两个阶段：第一阶段是实现输入空间的样本的模糊聚类，第二阶段是基于超香肠覆盖的映射求解。其中，上述第一阶段通过非监督方法得到，上述第二阶段通过监督学习得到。优选地，上述第一阶段的模糊聚类采用的是基于欧式距离的K均值聚类，以更好的发掘出样本数据的方向性流形分布结构，以及以最近距离为相似度度量的分级聚类算法等。在聚类的小类上建立超香肠神经元。为基于主方向的超香肠几何形体覆盖做好铺垫。通过上述模型，对输入空间样本的覆盖来实现映射，克服了传统模式识别同类样本在特征空间中的最佳划分作为目标的弊端，并解决了同类对象连通通路被切断的问题。本专利技术提供的这种超香肠神经网络模型，构建在同源连续性规律的基础上。将模型的映射逼近问题分为两个阶段，第一阶段是实现输入空间样本的模糊聚类，第二阶段是基于超香肠覆盖模型的映射求解。第一阶段通过非监督学习得到，第二阶段通过监督学习得到。该神经网络模型不仅结构清晰，而且算法易于理解并具有很好的操作性；该神经网络模型不仅具有很好的非线性比较能力，可以对训练过的类别的样本能够很好的进行分类，而且还具有对未训练过的种类的样本也能很好的拒识。根据同源连续性原理，从一个样本到另一个样本存在一条连续的路径，该路径上经过的点均属于该类的样本点。即采用一个最佳的覆盖，覆盖住本类的样本空间，因而在训练的过程中忽略了类别间的信息；而传统的划分方式的分类器，注重的是类别间的区分，而不重视类别本身的样本空间。这两种方式各有缺陷，又各有优点，本专利技术提出了一种将两者结合起来的方法，构建一种基于同源连续性的超香肠神经网络模型，对训练过的类别的样本能够很好的进行分类，对未训练过的种类的样本也能很好的拒识。下面详细介绍该超香肠神经网络模型的构建方法。首先，将某一本文档来自技高网...

【技术保护点】
1.一种基于同源连续性的超香肠神经网络模型，采用前馈式结构，其特征在于，包括：输入层、第一隐藏层和输出层；其中，所述输入层包含M个神经元，所述第一隐藏层包括K组神经元，每组神经元包含L个超香肠神经元，所述输出层为一个神经元，其中M、K和L均为自然数；所述输入层用于接收M维向量x＝(x1,x2...xm)，所述输入层的每个神经元对应接收M维向量中的一个分量，并将该M维向量x＝(x1,x2...xm)映射至所述第一隐层中的各个超香肠神经元。

【技术特征摘要】
1.一种基于同源连续性的超香肠神经网络模型，采用前馈式结构，其特征在于，包括：输入层、第一隐藏层和输出层；其中，所述输入层包含M个神经元，所述第一隐藏层包括K组神经元，每组神经元包含L个超香肠神经元，所述输出层为一个神经元，其中M、K和L均为自然数；所述输入层用于接收M维向量x＝(x1,x2...xm)，所述输入层的每个神经元对应接收M维向量中的一个分量，并将该M维向量x＝(x1,x2...xm)映射至所述第一隐层中的各个超香肠神经元。2.根据权利要求1所述的超香肠神经网络模型，其特征在于，所述超香肠神经网络模型采用神经网络的映射逼近，分为两个阶段：第一阶段是实现输入空间的样本的模糊聚类，第二阶段是基于超香肠覆盖的映射求解。3.根据权利要求2所述的超香肠神经网络模型，其特征在于，所述输入层将所述M维向量x＝(x1,x2...xm)映射至所述第一隐层中的各...

【专利技术属性】
技术研发人员：宁欣，李卫军，王伟，徐健，
申请(专利权)人：中国科学院半导体研究所，
类型：发明
国别省市：北京,11