專(zhuān)利名稱(chēng)：用于水質(zhì)檢測(cè)的智能分光光度人工神經(jīng)元網(wǎng)絡(luò)訓(xùn)練方法
技術(shù)領(lǐng)域：
本發(fā)明屬于水質(zhì)檢測(cè)智能分光光度人工神經(jīng)元網(wǎng)絡(luò)訓(xùn)練方法領(lǐng)域，尤其是一種能夠自動(dòng)生成訓(xùn)練數(shù)據(jù)、自動(dòng)訓(xùn)練人工神經(jīng)元網(wǎng)絡(luò)的用于水質(zhì)檢測(cè)的人工神經(jīng)元網(wǎng)絡(luò)訓(xùn)練方法。
背景技術(shù)：
人工神經(jīng)元網(wǎng)絡(luò)訓(xùn)練方法用于色彩識(shí)別，雖然在國(guó)外研究中有報(bào)到，但是其訓(xùn)練 結(jié)果不夠準(zhǔn)確，數(shù)據(jù)采樣方式缺乏精細(xì)刻畫(huà)色彩變量的能力，訓(xùn)練效果不佳，而且收斂慢、 結(jié)果誤差大，不能很好地用于分光光度法的自動(dòng)比色。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種能夠自動(dòng)生成訓(xùn)練數(shù)據(jù)、自動(dòng)訓(xùn)練人工神經(jīng)元網(wǎng)絡(luò)的用 于水質(zhì)檢測(cè)的人工神經(jīng)元網(wǎng)絡(luò)訓(xùn)練方法。本發(fā)明的技術(shù)方案是用于水質(zhì)檢測(cè)的智能分光光度人工神經(jīng)元網(wǎng)絡(luò)訓(xùn)練方法， 其特征是包括下列步驟讀取數(shù)字圖像R、G、B三基色的直方圖數(shù)據(jù)，將直方圖數(shù)據(jù)映射到 二維平面，即以直方圖的第一維變量作為橫軸，單位為圖像基色的量化單位值，將直方圖的 第二維變量做為縱軸，單位為經(jīng)過(guò)正規(guī)化后的直方圖最高數(shù)值，映射結(jié)果為平面I3R(X，y)、 平面PG(x，y)和平面PB(x，y)，對(duì)所述每個(gè)平面ra(x，y)、平面PG(x，y)和平面PB(x，y)分別提取7維特征向量， 即 f = (Ve1, Ve2, Ve3, · · · Ve7)、Vg = (Vg1, Vg2, Vg3, · · · Vg7)、Vb = (Vb1, Vb2, Vb3, · · · Vb7)，Ve 特征 向量對(duì)應(yīng)平面I3R (X，y)，Vg特征向量對(duì)應(yīng)平面PG (X，y)，Vb特征向量對(duì)應(yīng)平面PB (X，y)，每 個(gè)7維特征向量的定義如下，式中N = 7 <formula>formula see original document page 4</formula><formula>formula see original document page 4</formula><formula>formula see original document page 4</formula><formula>formula see original document page 4</formula>
<formula>formula see original document page 5</formula>…(5)
<formula>formula see original document page 5</formula>…(6)
<formula>formula see original document page 5</formula>(7)其他G和B的兩個(gè)基色平面PG(x，y)和平面PB(x，y)上的特征向量VG、VB用同樣 方法定義；上述式中M為訓(xùn)練人工神經(jīng)元網(wǎng)絡(luò)的種子特征向量總數(shù)目，M的取值范圍由化 學(xué)試劑比色法中的樣本數(shù)目所決定(M為樣本數(shù)目)，總數(shù)目為M個(gè)的種子特征向量表示 為 = (vV vV VBi)，Vegb2 = (Ve2, Vg2, Vb2)，…Vegbm = (Vem, Vgm, Vbm)；記為{V, I i = 1， 2，. . . M)，M個(gè)特征向量一一對(duì)應(yīng)被檢測(cè)水樣中某種物質(zhì)含量的濃度，并且按照濃度的增加 排序，即第1個(gè)種子特征向量表示某種物質(zhì)含量最低，第2個(gè)特征向量VK(:b2表示某種 物質(zhì)含量次低，依次類(lèi)推，第M個(gè)表示某種物質(zhì)含量最高，把M個(gè)特征向量表述為在平 面ra(x，y)、平面PG(x，y)和平面(x, y)上映射出的N_維空間中的M個(gè)點(diǎn)；根據(jù)M個(gè)種子特征向量{V^Mi = 1,2, ...M}對(duì)人工神經(jīng)元網(wǎng)絡(luò)進(jìn)行訓(xùn)練，包括 下列步驟(1)從M個(gè)的種子特征向量中依次提取每?jī)蓚€(gè)特征向量，形成鄰居“向量對(duì)”，這個(gè) 向量對(duì)記為(yRGB'\ VKGB,J)，這里 i = 1，2， M-1 ；j = i+1 ；(2)選取基色空間R，在此基色空間中，鄰居“向量對(duì)” (V^'S VEGB'J)變?yōu)?VK’i，VE' J)；(3)將(滬“，VM)依次向N-維空間投影，在每個(gè)投影空間上獲得投影值，計(jì)算在每 個(gè)投影空間上的中點(diǎn)值，以此中點(diǎn)值為基礎(chǔ)定義上、下限值，上限值VK’\MX定義為中點(diǎn)值 增加10%的增量后的數(shù)值，下限值VK’\MIN定義為中點(diǎn)值減少10%的增量后的數(shù)值；從而在第1維空間上有■，，；在第2維空間上有VK’ij2,MID，VK’ iJ2,翻，VE' iJ2, MX ；依次類(lèi)推，整個(gè) N-維空間上有{VK’ iJk, MID, VE' iJk,翻，VE' iJk,體 I k = 1，2， ， M}；于是在N-維空間上形成針對(duì)每個(gè)鄰居“向量對(duì)”的一族數(shù)據(jù)組這里G、= {VE' iJk,
MID，V Jk, MIN' V MX I ^ 一 1，2， ，Mj";(4)完成對(duì)所有的i，j鄰居“向量對(duì)”(vS VK(;B力的中點(diǎn)值和上、下限值的計(jì)算， i = 1,2,...M-1 ； j = i+1 ；在此基礎(chǔ)上從而得到在PR (x，y)平面上的人工神經(jīng)元網(wǎng)絡(luò)的訓(xùn) 練數(shù)據(jù)組 Gesum = {G^. i = 1,2, ...M-1 ； j = i+1}；(5)選取基色空間G和B，完成相同步驟(3)、(4)，從而得到在PG(x，y)、PB(x，y) 平面上的人工神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)組。
= {G^j i = 1,2,...M-1 ；j = i+1}和Gbsum = {G^-li = 1,2,...M-1 ；j = i+1}，至此數(shù)據(jù)生成完成，由此完成對(duì)人工神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練。本發(fā)明的效果是本發(fā)明為一種對(duì)人工神經(jīng)元網(wǎng)絡(luò)在智能分光光度應(yīng)用中的訓(xùn)練 數(shù)據(jù)生成技術(shù)。本技術(shù)根據(jù)從數(shù)字圖像處理中提取的N維特征向量，生成對(duì)人工神經(jīng)元網(wǎng) 絡(luò)的訓(xùn)練矩陣數(shù)據(jù)組，經(jīng)此訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)模式識(shí)別功能，完成對(duì)水樣的自動(dòng)比色檢測(cè)，在分光光度下辨認(rèn)出水樣中的相關(guān)污染物。該訓(xùn)練數(shù)據(jù)生成技術(shù)和人工神經(jīng) 元網(wǎng)絡(luò)適用于便攜式廣譜分光光度液體微量元素檢測(cè)無(wú)線(xiàn)傳感儀，便于在嵌入式系統(tǒng)上實(shí) 現(xiàn)，具有自動(dòng)生成訓(xùn)練數(shù)據(jù)，自動(dòng)訓(xùn)練人工神經(jīng)元網(wǎng)絡(luò)，快速校正便攜式檢測(cè)儀的特點(diǎn)，適 于廣譜水質(zhì)檢測(cè)應(yīng)用。下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步的說(shuō)明。


圖1是本發(fā)明的程序圖；圖2是本發(fā)明的原理圖。
具體實(shí)施例方式本技術(shù)有三大部分組成一、從低維空間，經(jīng)復(fù)合映射方 法，定義N維特征向量。首 先由直方圖向二維幾何空間轉(zhuǎn)換，并在此基礎(chǔ)上達(dá)到特征向量的N維空間實(shí)現(xiàn)。二、計(jì)算任 意兩個(gè)特征向量向k-th空間投影后的中點(diǎn)值，并在此中點(diǎn)值的基礎(chǔ)上設(shè)置k-th空間的邊 界上限值和下限值，以k-th空間中點(diǎn)值為參考的上限值和下限值之間形成k維特征數(shù)據(jù) 區(qū)，作為在k-th空間上的培訓(xùn)數(shù)據(jù)點(diǎn)集合。三、將k-th空間上的取數(shù)據(jù)方法推廣至N維空 間中，形成一組包含RGB三基色平面的、對(duì)人工神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練矩陣數(shù)據(jù)組，從而完成自 動(dòng)生成訓(xùn)練數(shù)據(jù)工作。本發(fā)明的算法描述如圖一所示。圖一中A為算法的第一步，即獲取數(shù)字圖像R、G、 B三基色的直方圖，三基色的直方圖如圖二所示。圖一中算法B為判斷是否每個(gè)直方圖已 經(jīng)處理完畢，假若已經(jīng)處理完畢，則完成了訓(xùn)練數(shù)據(jù)的生成工作，進(jìn)入C，結(jié)束數(shù)據(jù)生成的運(yùn) 算；否則進(jìn)入D，將直方圖映射到2-維平面，映射結(jié)果為PR(X，y)，PG(X，y)和PB (x, y) ’為 三個(gè)2-維平面。將直方圖數(shù)據(jù)映射到二維平面的方法是以直方圖的第一維變量作為橫軸，單位 為圖像基色的量化單位值(quantization level)。如基色為8比特，則第一維變量橫軸有 256個(gè)值，即2的8次方。將直方圖的第二維變量做為縱軸，單位為經(jīng)過(guò)正規(guī)化后的直方圖 最高數(shù)值。如圖像解析度是NxN，則直方圖最高數(shù)值為N2，將其除以N使其正規(guī)化，則正規(guī) 化后的直方圖最高數(shù)值為N。這樣形成的二維平面含有正規(guī)化后的直方圖，成為在二維平面 映射后的結(jié)果。在此2-維空間的基礎(chǔ)上，對(duì)每個(gè)平面I3R(X，y)、PG (x, y)和PB (x，y)分別提取N 維特征向量(N = 7)，如圖中E所示，即有Vk = (VeijVe2jVe3ji--Ve7)特征向量對(duì)應(yīng)ra(x，y) 平面，Vg = (Vg1, Vg2, Vg3, . . . Vg7)特征向量對(duì)應(yīng) PG(x，y)平面，Vb = (Vb1, Vb2, Vb3, . . . Vb7)特 征向量對(duì)應(yīng)PB(x，y)平面。每個(gè)N-維特征向量的定義如下
N-I M-IVlil = Σ Σ PR (χ, y) ； ... (1)
χ=0 y=0
<formula>formula see original document page 7</formula> ； ... (2)<formula>formula see original document page 7</formula> ； (3)<formula>formula see original document page 7</formula>；…(4)<formula>formula see original document page 7</formula>…(5)<formula>formula see original document page 7</formula>…(6)<formula>formula see original document page 7</formula>... (7)其他G和B的兩個(gè)基色平面PG(x，y)和PB(x，y)上的特征向量VG、VB用同樣方法定義。訓(xùn)練人工神經(jīng)元網(wǎng)絡(luò)的種子特征向量總數(shù)目為M個(gè)，表示為V-i =， Vegb2 = (Ve2, Vg2, Vb2) , . . . Vegbm = (Vem, Vgm, Vbm)；記為{VJi = 1，2，...M}，這 M 個(gè)特征向 量一一對(duì)應(yīng)被檢測(cè)水樣中某種物質(zhì)含量的濃度，并且按照濃度的增加排序，也即，第1個(gè)種 子特征向量表示某種物質(zhì)含量最低，第2個(gè)特征向量VK(:b2表示某種物質(zhì)含量次低，依 次類(lèi)推，于是第M個(gè)VK(;bm表示某種物質(zhì)含量最高?？梢园袽個(gè)特征向量表述為在每個(gè)平面 PR(x, y),PG(x,y)和PB(x，y)上映射出的N_維空間中的M個(gè)點(diǎn)。根據(jù)M個(gè)種子特征向量{V^Mi = 1，2，... M}，我們建立人工神經(jīng)元網(wǎng)絡(luò)數(shù)據(jù)生成 方法，用于對(duì)人工神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練。步驟一，從總數(shù)目為M個(gè)的種子特征向量中依次提取每?jī)蓚€(gè)特征向量，形成鄰居 “向量對(duì)”，即圖一中F所示，這個(gè)向量對(duì)記為(V■’ SV■’巧，這里i = 1,2,...M-l ；j = i+1 ；步驟二，選取基色空間R，在此基色空間中，鄰居“向量對(duì)”(VS VEGB'J)變?yōu)?VK' ””；步驟三，在此基礎(chǔ)上，將(VK’i，VK’j)依次向N-維空間投影，在每個(gè)投影空間上獲得 投影值，如圖一中G所示；并計(jì)算在每個(gè)投影空間上的中點(diǎn)值。由此中點(diǎn)值為基礎(chǔ)定義上、 下限值，如圖一中H所示。上限值VK’\MX定義為中點(diǎn)值增加10%的增量后，接近滬人的數(shù) 值，下限值VK’ iJk,MIN定義為中點(diǎn)值減少10%的增量后，接近VK’ \的數(shù)值。從而在第1維空間上有VR.ij1MID, VR.ijkMIN,VR.ijk,max在第2維空間上有Vr.ijzMTD,Vr,ijz,min,Vr.ijz,MAX；依次類(lèi)推，整個(gè) N-維空間上有{VR.ijk,MID,VR.ijk,MIN,VR,ijk,max k=1,2,...,M}；于是在N-維空間上形成針對(duì)每個(gè)鄰居“向量對(duì)”的一族數(shù)據(jù)組這里Grij={vr.ijk,MID，VMIN' VMAX I ^ 一 1，2，· · ·，Mj"。步驟四，完成對(duì)所有的i，j鄰居“向量對(duì)”(νΚ(;ΒΛ Vegb'J)的中點(diǎn)值和上、下限值的 計(jì)算，i = 1,2, . . . M-I ； j = i+1 ；在此基礎(chǔ)上從而得到在ra(x，y)平面上的人工神經(jīng)元網(wǎng) 絡(luò)的訓(xùn)練數(shù)據(jù) 組Gksum= (GeijI i = 1,2,...M-I ；j = i+1}，如圖一中I所示。步驟五，選取基色空間6和隊(duì)完成相同步驟三，四；從而得到在？6 0^，7)、？8 0^，又) 平面上的人工神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)組GeSUM = (Gcij I i = 1，2，. . . M-I ； j = i+1}和Gbsum = (GeijIi = 1,2, . . . M-I ；j = i+1}，如圖一中J所示，至此數(shù)據(jù)生成完成，由此完成對(duì)人工神 經(jīng)元網(wǎng)絡(luò)的訓(xùn)練。
權(quán)利要求
用于水質(zhì)檢測(cè)的智能分光光度人工神經(jīng)元網(wǎng)絡(luò)訓(xùn)練方法，其特征是包括下列步驟讀取數(shù)字圖像R、G、B三基色的直方圖數(shù)據(jù)，將直方圖數(shù)據(jù)映射到二維平面，即以直方圖的第一維變量作為橫軸，單位為圖像基色的量化單位值，將直方圖的第二維變量做為縱軸，單位為經(jīng)過(guò)正規(guī)化后的直方圖最高數(shù)值，映射結(jié)果為平面PR(x，y)、平面PG(x，y)和平面PB(x，y)，對(duì)所述每個(gè)平面PR(x，y)、平面PG(x，y)和平面PB(x，y)分別提取7維特征向量，即VR＝(VR1，VR2，VR3，...VR7)、VG＝(VG1，VG2，VG3，...VG7)、VB＝(VB1，VB2，VB3，...VB7)，VR特征向量對(duì)應(yīng)平面PR(x，y)，VG特征向量對(duì)應(yīng)平面PG(x，y)，VB特征向量對(duì)應(yīng)平面PB(x，y)，每個(gè)7維特征向量的定義如下，式中N＝7 <mrow><msub> <msup><mi>V</mi><mi>R</mi> </msup> <mn>1</mn></msub><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>x</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>y</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>M</mi><mo>-</mo><mn>1</mn> </mrow></munderover><mi>PR</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mo>;</mo> </mrow> <mrow><msub> <msup><mi>V</mi><mi>R</mi> </msup> <mn>2</mn></msub><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>x</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>y</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>M</mi><mo>-</mo><mn>1</mn> </mrow></munderover><mi>xPR</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mo>/</mo><msub> <mi>V</mi> <mn>1</mn></msub><mo>;</mo> </mrow> <mrow><msub> <msup><mi>V</mi><mi>R</mi> </msup> <mn>3</mn></msub><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>x</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>y</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>M</mi><mo>-</mo><mn>1</mn> </mrow></munderover><mi>yPR</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mo>/</mo><msub> <mi>V</mi> <mn>1</mn></msub><mo>;</mo> </mrow> <mrow><msub> <msup><mi>V</mi><mi>R</mi> </msup> <mn>4</mn></msub><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>x</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>y</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>M</mi><mo>-</mo><mn>1</mn> </mrow></munderover><mn>2</mn><mi>xyPR</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mo>/</mo><msub> <mi>V</mi> <mn>1</mn></msub><mo>;</mo> </mrow> <mrow><msub> <msup><mi>V</mi><mi>R</mi> </msup> <mn>5</mn></msub><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>x</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>y</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>M</mi><mo>-</mo><mn>1</mn> </mrow></munderover><msup> <mi>x</mi> <mn>2</mn></msup><mi>PR</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mo>/</mo><msub> <mi>V</mi> <mn>1</mn></msub><mo>;</mo> </mrow> <mrow><msub> <msup><mi>V</mi><mi>R</mi> </msup> <mn>6</mn></msub><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>x</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>y</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>M</mi><mo>-</mo><mn>1</mn> </mrow></munderover><msup> <mi>y</mi> <mn>2</mn></msup><mi>PR</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mo>/</mo><msub> <mi>V</mi> <mn>1</mn></msub><mo>;</mo> </mrow>VR7＝V4/(V5-V6)；其他G和B的兩個(gè)基色平面PG(x，y)和平面PB(x，y)上的特征向量VG、VB用同樣方法定義；上述式中M為訓(xùn)練人工神經(jīng)元網(wǎng)絡(luò)的種子特征向量總數(shù)目，M的取值范圍由化學(xué)試劑比色法中的樣本數(shù)目所決定，即M為樣本數(shù)目；總數(shù)目為M個(gè)的種子特征向量表示為VRGB1＝(VR1，VG1，VB1)，VRGB2＝(VR2，VG2，VB2)，...VRGBM＝(VRM，VGM，VBM)；記為{VRGBi|i＝1，2，...M}，M個(gè)特征向量一一對(duì)應(yīng)被檢測(cè)水樣中某種物質(zhì)含量的濃度，并且按照濃度的增加排序，即第1個(gè)種子特征向量VRGB1表示某種物質(zhì)含量最低，第2個(gè)特征向量VRGB2表示某種物質(zhì)含量次低，依次類(lèi)推，第M個(gè)VRGBM表示某種物質(zhì)含量最高，把M個(gè)特征向量表述為在平面PR(x，y)、平面PG(x，y)和平面(x，y)上映射出的N-維空間中的M個(gè)點(diǎn)；根據(jù)M個(gè)種子特征向量{VRGBi|i＝1，2，...M}對(duì)人工神經(jīng)元網(wǎng)絡(luò)進(jìn)行訓(xùn)練，包括下列步驟(1)從M個(gè)的種子特征向量中依次提取每?jī)蓚€(gè)特征向量，形成鄰居“向量對(duì)”，這個(gè)向量對(duì)記為(VRGB，i，VRGB，j)，這里i＝1，2，...M-1；j＝i+1；(2)選取基色空間R，在此基色空間中，鄰居“向量對(duì)”(VRGB，i，VRGB，j)變?yōu)?VR，i，VR，j)；(3)將(VR，i，VR，j)依次向N-維空間投影，在每個(gè)投影空間上獲得投影值，計(jì)算在每個(gè)投影空間上的中點(diǎn)值，以此中點(diǎn)值為基礎(chǔ)定義上、下限值，上限值VR，ijk，MAX定義為中點(diǎn)值增加10％的增量后的數(shù)值，下限值VR，ijk，MIN定義為中點(diǎn)值減少10％的增量后的數(shù)值；從而在第1維空間上有VR，ij1，MID，VR，ij1，MIN，VR，ij1，MAX；在第2維空間上有VR，ij2，MID，VR，ij2，MIN，VR，ij2，MAX；依次類(lèi)推，整個(gè)N-維空間上有{VR，ijk，MID，VR，ijk，MIN，VR，ijk，MAX|k＝1，2，...，M}；于是在N-維空間上形成針對(duì)每個(gè)鄰居“向量對(duì)”的一族數(shù)據(jù)組GRij，這里GRij＝{VR，ijk，MID，VR，ijk，MIN，VR，ijk，MAX|k＝1，2，...，M}；(4)完成對(duì)所有的i，j鄰居“向量對(duì)”(VRGB，i，VRGB，j)的中點(diǎn)值和上、下限值的計(jì)算，i＝1，2，...M-1；j＝i+1；在此基礎(chǔ)上從而得到在PR(x，y)平面上的人工神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)組GRSUM＝{GRij|i＝1，2，...M-1；j＝i+1}；(5)選取基色空間G和B，完成相同步驟(3)、(4)，從而得到在PG(x，y)、PB(x，y)平面上的人工神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)組GGSUM＝{GGij|i＝1，2，...M-1；j＝i+1}和GBSUM＝{GBij|i＝1，2，...M-1；j＝i+1}，至此數(shù)據(jù)生成完成，由此完成對(duì)人工神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練。
全文摘要
一種能夠自動(dòng)生成訓(xùn)練數(shù)據(jù)、自動(dòng)訓(xùn)練人工神經(jīng)元網(wǎng)絡(luò)的用于水質(zhì)檢測(cè)的人工神經(jīng)元網(wǎng)絡(luò)訓(xùn)練方法。技術(shù)方案是其特征是包括下列步驟讀取數(shù)字圖像R、G、B三基色的直方圖數(shù)據(jù)，將直方圖數(shù)據(jù)映射到二維平面，映射結(jié)果為平面PR(x，y)、平面PG(x，y)和平面PB(x，y)，對(duì)所述每個(gè)平面PR(x，y)、平面PG(x，y)和平面PB(x，y)分別提取7維特征向量，總數(shù)目為M個(gè)的種子特征向量一一對(duì)應(yīng)被檢測(cè)水樣中某種物質(zhì)含量的濃度，根據(jù)M個(gè)種子特征向量{VRGBi|i＝1，2，...M}對(duì)人工神經(jīng)元網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
文檔編號(hào)G05B13/02GK101819410SQ20101016204
公開(kāi)日2010年9月1日 申請(qǐng)日期2010年4月28日 優(yōu)先權(quán)日2010年4月28日
發(fā)明者李華 申請(qǐng)人:李華