一种基于神经网络的模式识别系统及识别方法技术方案

本发明专利技术属于识别技术领域，公开了一种基于神经网络的模式识别系统及识别方法，利用信号采集芯片采集故障信号数据；利用输入设备输入样本数据；通过神经网络模型构建模块利用神经网络构建程序构建神经网络模型；利用感知器判别函数程序对产品的信号特征进行模式判定处理；利用识别程序对判定的数据进行识别；利用证据融合程序对信息进行融合；利用存储器存储采集的故障信号数据、输入样本数据；利用显示器显示输出的神经网络模式识别结果。本发明专利技术能够有效地提高故障模式识别的精度；通过神经网络模型构建模块能够破解随机相位加密的解密模型，解决了缺少能破解随机相位加密的算法模型的技术问题。

A Pattern Recognition System and Method Based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的模式识别系统及识别方法
本专利技术属于识别
，尤其涉及一种基于神经网络的模式识别系统及识别方法。
技术介绍
现有的网络模式识别的方法如统计模式识别法、模糊模式识别法、神经网络法模式识别法、专家系统法等，都有自己的优缺点和适应范围。尤其是神经网络模型，由于具有自学习、自组织和自处理的特点，在故障模式识别和分类方面得到了极大的研究和应用。然而，神经网络模型基于大量样本以及精度的局限性，在一定程度上影响了在产品的故障识别上的应用。证据理论作为认知不确定信息的重要量化工具，能够量化样本量不足的信息，并且能有效融合各类证据信息，在可靠性领域得到了广泛的研究和应用；同时，缺少能破解随机相位加密的算法模型。综上所述，现有技术存在的问题是：现有模式识别收敛效果差和识别准确率低的问题；同时，缺少能破解随机相位加密的算法模型。现有技术中，没有基于该神经网络模型对产品的信号特征进行模式判定，进行网络模式的识别；没有利用证据融合法则进行信息的融合，不能证有效地提高故障模式识别的精度。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于神经网络的模式识别系统及识别方法。本专利技术是这样实现的，一种基于神经网络的模式识别系统的识别方法包括以下步骤：步骤一，通过信号采集模块利用信号采集芯片采集故障信号数据；通过数据输入模块利用输入设备输入样本数据；步骤二，主控模块通过神经网络模型构建模块利用神经网络构建程序构建神经网络模型；构建神经网络模型中，对多组原始数据进行随机相位加密得到训练数据；利用所述训练数据训练第i-1深度神经网络模型，得到第i深度神经网络模型，及所述训练数据输入所述第i深度神经网络模型后的第i输出结果，并将所述第i输出结果与所述训练数据对应的原始数据进行比对，得到第i比对结果，所述i的初始值为1，且第0深度神经网络模型为初始模型；当所述第i比对结果满足预设收敛条件时，确定所述第i深度神经网络模型为构建的深度神经网络模型；当所述第i比对结果不满足所述预设收敛条件时，令i＝i+1，返回执行所述利用所述训练数据训练第i-1深度神经网络模型步骤；步骤三，通过神经元数据处理模块利用感知器判别函数程序对产品的信号特征进行模式判定处理；步骤四，通过识别模块利用识别程序对判定的数据进行识别；识别中，对输入的训练数据进行特征提取，通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型并保存至参考模型数据库；对输入的测试数据进行相同特征提取后得到测试特征向量，将测试特征向量与所述参考模型数据库中各参考模型模式匹配，得到模式识别结果；通过信息融合模块利用证据融合程序对信息进行融合；步骤五，通过数据存储模块利用存储器存储采集的故障信号数据、输入样本数据；步骤六，通过输出显示模块利用显示器显示输出的神经网络模式识别结果。进一步，利用所述训练数据训练第i-1深度神经网络模型，得到第i深度神经网络模型，及所述训练数据输入所述第i深度神经网络模型后的第i输出结果，并将所述第i输出结果与所述训练数据对应的原始数据进行比对，得到第i比对结果，所述i的初始值为1，且第0深度神经网络模型为初始模型，具体包括以下步骤：A、将所述训练数据输入第i-1深度神经网络模型中，使所述训练数据在第一重塑层进行数组重塑，输出第一重塑数据，所述第i-1深度神经网络模型包括所述第一重塑层、三层隐藏层、输出层和第二重塑层；B、所述第一重塑数据输入由若干神经元组成的三层所述隐藏层，并输入所述输出层输出处理数据，所述处理数据输入所述第二重塑层进行数组重塑，输出第二重塑数据，所述神经元的激活函数为线性整流函数，且所述隐藏层中的神经元个数与所述第一重塑数据的格式对应，所述第二重塑数据为所述训练数据输入所述第i-1深度神经网络模型后的第i-1输出结果，且所述第二重塑数据的格式与所述训练数据的格式相同；C、基于均方差函数与随机梯度下降函数，对所述第二重塑数据与所述训练数据对应的原始数据进行比对，得到比对结果，利用所述比对结果优化更新所述第i-1深度神经网络模型，得到第i深度神经网络模型。进一步，当所述第i比对结果满足预设收敛条件时，确定所述第i深度神经网络模型为构建的深度神经网络模型后还包括以下步骤：对多组原始数据进行随机相位加密得到测试数据；所述测试数据输入构建的所述深度神经网络模型，得到测试输出结果，并计算所述测试输出结果与所述测试数据对应的原始数据之间的相关度；当所述相关度大于等于预设相关系数时，确定所述深度神经网络模型为正确的解密模型；当所述相关度小于所述预设相关系数时，返回执行所述对多组原始数据进行随机相位加密得到训练数据步骤。进一步，所述通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型包括：将得到的包含N个训练特征向量的集合{xk}划分为C个子集，其中，k＝1,…,N，xk为M维向量，1＜C＜N，求出每个子集的聚类中心，使得下列目标函数最小：且满足下列约束条件一和二：条件一，条件二，其中，uik∈U表示第k个特征向量对第i类的隶属度；tik∈T表示集合xk属于第i类的典型值；m,η＞1为模糊加权指数；a,b＞0为权重系数；vi∈V为聚类中心；系数γi＞0。进一步，所述通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型具体包括：步骤A，计算初始聚类中心V0；步骤B，根据公式(2)和(3)计算高斯核函数的带宽参数σ：步骤C，根据预定公式计算γi；步骤D，令t＝1；步骤E，根据公式(4)和(5)，计算在第t次迭代时高斯核函数的带宽参数σt：步骤F，根据第t-1次的聚类中心Vt-1和下列公式(6)计算第t次第k个特征向量对第i类的隶属度Ut：根据第t-1次的聚类中心Vt-1和下列公式(7)计算第t次集合xk属于第i类的典型值Tt：根据第t-1次的聚类中心Vt-1和Ut、Tt、下列公式(8)计算第t次的聚类中心Vt：步骤G，判断当||Ut-Ut-1||≤ε或者||Vt-Vt-1||≤ε时，终止迭代并输出对应的Ut、Tt、Vt；其中，ε为预设的最大误差；步骤H，令t＝t+1，步骤I，判断当赋值后的t大于最大迭代次数时，终止迭代并输出对应的Ut、Tt、Vt；否则，返回步骤D继续执行直至终止迭代。本专利技术的另一目的在于提供一种基于神经网络的模式识别系统的识别程序实现所述的基于神经网络的模式识别系统的识别方法。本专利技术的另一目的在于提供一种终端，所述终端搭载实现所述基于神经网络的模式识别系统的识别方法的处理器。本专利技术的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于神经网络的模式识别系统的识别方法。本专利技术的另一目的在于提供一种基于神经网络的模式识别系统，包括：信号采集模块，与主控模块连接，用于通过信号采集芯片采集故障信号数据；数据输入模块，与主控模块连接，用于通过输入设备输入样本数据；主控模块，与信号采集模块、数据输入模块、神经网络模型构建模块、神经元数据处理模块、识别模块、信息融合模块、数据存储模块、输出显示模块连接，用于通过单片机控制各个模块正常工作；神经网络模型构建模块，与主控模块连接，用于通过神经网络构建程序构建神经网络模型；神经元数据处理模块，与主控模块连接，用于通过感知器判本文档来自技高网...

【技术保护点】
1.一种基于神经网络的模式识别系统的识别方法，其特征在于，所述基于神经网络的模式识别系统的识别方法包括以下步骤：步骤一，通过信号采集模块利用信号采集芯片采集故障信号数据；通过数据输入模块利用输入设备输入样本数据；步骤二，主控模块通过神经网络模型构建模块利用神经网络构建程序构建神经网络模型；构建神经网络模型中，对多组原始数据进行随机相位加密得到训练数据；利用所述训练数据训练第i‑1深度神经网络模型，得到第i深度神经网络模型，及所述训练数据输入所述第i深度神经网络模型后的第i输出结果，并将所述第i输出结果与所述训练数据对应的原始数据进行比对，得到第i比对结果，所述i的初始值为1，且第0深度神经网络模型为初始模型；当所述第i比对结果满足预设收敛条件时，确定所述第i深度神经网络模型为构建的深度神经网络模型；当所述第i比对结果不满足所述预设收敛条件时，令i＝i+1，返回执行所述利用所述训练数据训练第i‑1深度神经网络模型步骤；步骤三，通过神经元数据处理模块利用感知器判别函数程序对产品的信号特征进行模式判定处理；步骤四，通过识别模块利用识别程序对判定的数据进行识别；识别中，对输入的训练数据进行特征提取，通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型并保存至参考模型数据库；对输入的测试数据进行相同特征提取后得到测试特征向量，将测试特征向量与所述参考模型数据库中各参考模型模式匹配，得到模式识别结果；通过信息融合模块利用证据融合程序对信息进行融合；步骤五，通过数据存储模块利用存储器存储采集的故障信号数据、输入样本数据；步骤六，通过输出显示模块利用显示器显示输出的神经网络模式识别结果。...

【技术特征摘要】
1.一种基于神经网络的模式识别系统的识别方法，其特征在于，所述基于神经网络的模式识别系统的识别方法包括以下步骤：步骤一，通过信号采集模块利用信号采集芯片采集故障信号数据；通过数据输入模块利用输入设备输入样本数据；步骤二，主控模块通过神经网络模型构建模块利用神经网络构建程序构建神经网络模型；构建神经网络模型中，对多组原始数据进行随机相位加密得到训练数据；利用所述训练数据训练第i-1深度神经网络模型，得到第i深度神经网络模型，及所述训练数据输入所述第i深度神经网络模型后的第i输出结果，并将所述第i输出结果与所述训练数据对应的原始数据进行比对，得到第i比对结果，所述i的初始值为1，且第0深度神经网络模型为初始模型；当所述第i比对结果满足预设收敛条件时，确定所述第i深度神经网络模型为构建的深度神经网络模型；当所述第i比对结果不满足所述预设收敛条件时，令i＝i+1，返回执行所述利用所述训练数据训练第i-1深度神经网络模型步骤；步骤三，通过神经元数据处理模块利用感知器判别函数程序对产品的信号特征进行模式判定处理；步骤四，通过识别模块利用识别程序对判定的数据进行识别；识别中，对输入的训练数据进行特征提取，通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型并保存至参考模型数据库；对输入的测试数据进行相同特征提取后得到测试特征向量，将测试特征向量与所述参考模型数据库中各参考模型模式匹配，得到模式识别结果；通过信息融合模块利用证据融合程序对信息进行融合；步骤五，通过数据存储模块利用存储器存储采集的故障信号数据、输入样本数据；步骤六，通过输出显示模块利用显示器显示输出的神经网络模式识别结果。2.如权利要求1所述基于神经网络的模式识别系统的识别方法，其特征在于，利用所述训练数据训练第i-1深度神经网络模型，得到第i深度神经网络模型，及所述训练数据输入所述第i深度神经网络模型后的第i输出结果，并将所述第i输出结果与所述训练数据对应的原始数据进行比对，得到第i比对结果，所述i的初始值为1，且第0深度神经网络模型为初始模型，具体包括以下步骤：A、将所述训练数据输入第i-1深度神经网络模型中，使所述训练数据在第一重塑层进行数组重塑，输出第一重塑数据，所述第i-1深度神经网络模型包括所述第一重塑层、三层隐藏层、输出层和第二重塑层；B、所述第一重塑数据输入由若干神经元组成的三层所述隐藏层，并输入所述输出层输出处理数据，所述处理数据输入所述第二重塑层进行数组重塑，输出第二重塑数据，所述神经元的激活函数为线性整流函数，且所述隐藏层中的神经元个数与所述第一重塑数据的格式对应，所述第二重塑数据为所述训练数据输入所述第i-1深度神经网络模型后的第i-1输出结果，且所述第二重塑数据的格式与所述训练数据的格式相同；C、基于均方差函数与随机梯度下降函数，对所述第二重塑数据与所述训练数据对应的原始数据进行比对，得到比对结果，利用所述比对结果优化更新所述第i-1深度神经网络模型，得到第i深度神经网络模型。3.如权利要求1所述基于神经网络的模式识别系统的识别方法，其特征在于，当所述第i比对结果满足预设收敛条件时，确定所述第i深度神经网络模型为构建的深度神经网络模型后还包括以下步骤：对多组原始数据进行随机相位加密得到测试数据；所述测试数据输入构建的所述深度神经网络模型，得到测试输出结果，并计算所述测试输出结果与所述测试数据对应的原始数据之间的相关度；当所述相关度大于等于预设相关系数时，确定所述深度神经网络模型...

【专利技术属性】
技术研发人员：杨勇，黄淑英，
申请(专利权)人：杨勇，
类型：发明
国别省市：江西,36