一種神經(jīng)網(wǎng)絡(luò)及該神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及模式識別技術(shù)領(lǐng)域，特別設(shè)及一種神經(jīng)網(wǎng)絡(luò)及該神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方 法。
【背景技術(shù)】
[0002] 在模式分類領(lǐng)域中，監(jiān)督與非監(jiān)督學(xué)習(xí)一直扮演著相當(dāng)重要的角色，所謂監(jiān)督 學(xué)習(xí)，即作為訓(xùn)練樣本的輸入數(shù)據(jù)都有著類別信息，被稱之為已標(biāo)識樣本（1油eled)。模 式分類的主要任務(wù)就是探索某個類與類之間的判定邊界，使得類別的誤分率最小化。而 非監(jiān)督學(xué)習(xí)方式正相反，作為訓(xùn)練樣本的輸入數(shù)據(jù)沒有類別信息，被稱之為未標(biāo)識樣本 (uni油eled)。模式分類（Classification),又稱為模式聚類（Clustering),它的主要任務(wù) 是根據(jù)某種相似性準(zhǔn)則，將輸入模式劃分成若干個組（class)或者類（cluster)。
[0003] 通常，該兩種學(xué)習(xí)方式被分開來研究與應(yīng)用，可是，在現(xiàn)實生活中，人類已能夠?qū)?已標(biāo)識樣本與非標(biāo)識樣本集成在一個識別系統(tǒng)中，將監(jiān)督與非監(jiān)督該兩種學(xué)習(xí)方式集成在 一起，該是人類對未知世界進行認知的一個重要特征。此外，人類在進行認知世界過程中， 還具有另一種非常重要的特征，就是處理模糊，不確定信息的能力，該種能力加上前面所提 的綜合樣本學(xué)習(xí)能力，使得人類對自然界的探索進程大大提高。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種神經(jīng)網(wǎng)絡(luò)及該神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，W解決技術(shù)將已 標(biāo)識樣本與非標(biāo)識樣本分開研究的問題。
[0005] 為解決上述技術(shù)問題，本發(fā)明提供一種神經(jīng)網(wǎng)絡(luò)，包括：
[0006] 輸入層，其包括2*n個輸入節(jié)點，所述輸入節(jié)點W對呈現(xiàn)，每對節(jié)點表示輸入模式 的最小-最大點，n為正整數(shù)；
[0007] 超盒模糊集合，其與所述輸入層的輸入節(jié)點包含了超盒的最小點信息和最大點信 息；
[000引類別節(jié)點，其表示所述超盒模糊集合的類型信息。
[0009] 進一步的，在所述的神經(jīng)網(wǎng)絡(luò)中，所述超盒模糊集合和類別節(jié)點的連接是一個二 進制值，用如下公式表示：
[0010]
:其中，b庫示超盒模糊集合中的第j個 節(jié)點，Ck表示類別節(jié)點的第k個節(jié)點；并通過如下公式轉(zhuǎn)換：
；其中，在類別 節(jié)點中，C。表示輸出所有來自超盒模糊集合的未標(biāo)識樣本集。
[0011] 相應(yīng)的，本發(fā)明還提供一種神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，包括：
[0012] 初始化輸入樣本集和樣本的標(biāo)識集，其中，所述輸入樣本集是全部已標(biāo)識樣本、全 部未標(biāo)識樣本及已標(biāo)識和未標(biāo)識混合樣本中的一種或多種；
[0013] 隨機抽取一個輸入樣本，重新訓(xùn)練網(wǎng)絡(luò)，直至樣本集中的樣本全部取完。
[0014] 進一步的，在所述的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法中，初始化輸入樣本集和樣本的標(biāo)識集 的步驟包括：
[0015] 對給定的樣本集XG找h|h= 1，2,. . .，m}，Xh表示第h個輸入模式，m取正整數(shù)， 第h個輸入模式的最小點Vj.及第h個輸入模式的最大點W j.的初始值設(shè)為；V j.= 0, W j.= 0 ;
[0016] 加入第j個超盒，所述Vj被修改為所述Wj被修改為乂;^ ;
[0017] 初始化樣本的標(biāo)識集 class (Bk) = dk for all k = 0, 1, ... P。
[0018] 進一步的，在所述的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法中，在初始化樣本的標(biāo)識集中，當(dāng)dk= 0 時，所述輸入樣本集是全部未標(biāo)識樣本。
[0019] 進一步的，在所述的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法中，所述重新訓(xùn)練網(wǎng)絡(luò)包括步驟：
[0020] 計算第h個輸入模式Bh與超盒模糊集合B j.模糊隸屬度函數(shù)值，取最大值，判斷其 是否滿足擴張準(zhǔn)則；如果滿足則按照下列公式進行擴張，并調(diào)整超盒Bj.;如果不滿足擴張準(zhǔn) 貝1J，則將該超盒從超盒集合中去除；
[0021] 按照下列公式進行超盒重疊測試，完成之后進行超盒壓縮。
[0022]
[0023] 進一步的，在所述的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法中，在判斷是否滿足擴張準(zhǔn)則的步驟中， 如果滿足則按照下列公式進行擴張，并調(diào)整超盒Bj.:
[0024] if class (Bj =0 then adjust Bj [002引 else
[0026]
[0027] 本發(fā)明提供的神經(jīng)網(wǎng)絡(luò)及該神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，具有W下有益效果；本方法從 一個新的角度上探索了模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍問題，分析了模糊神經(jīng)網(wǎng)絡(luò)分類器在選擇 訓(xùn)練樣本時，可采用的更加實際和廣泛的學(xué)習(xí)方法。該學(xué)習(xí)方法相對于原有的學(xué)習(xí)方法而 言，所需選擇的樣本范圍更加擴大，實用性也大大增強，更加接近人類的學(xué)習(xí)方法，并且有 效的提高了模糊神經(jīng)網(wǎng)絡(luò)的分類效果，填補了模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本學(xué)習(xí)方法的空白。
【附圖說明】
[002引圖1是本發(fā)明實施例的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法流程圖。
【具體實施方式】
[0029] W下結(jié)合附圖和具體實施例對本發(fā)明提出的神經(jīng)網(wǎng)絡(luò)及該神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法 作進一步詳細說明。根據(jù)下面說明和權(quán)利要求書，本發(fā)明的優(yōu)點和特征將更清楚。需說明 的是，附圖均采用非常簡化的形式且均使用非精準(zhǔn)的比例，僅用w方便、明晰地輔助說明本 發(fā)明實施例的目的。
[0030] 本發(fā)明提供一種神經(jīng)網(wǎng)絡(luò)，包括；輸入層、超盒模糊集合和類別節(jié)點。其中，第一 層為輸入層，其包括2*n個輸入節(jié)點，所述輸入節(jié)點W對呈現(xiàn)，每對節(jié)點表示輸入模式的最 小-最大點，n為0正整數(shù)；第二層為超盒模糊集合，其與所述輸入層的輸入節(jié)點包含了超 盒的最小點信息和最大點信息；第=層為類別節(jié)點，其表示所述超盒模糊集合的類型信息。 第二層與第=層的連接是一個二進制值，存儲在一個U矩陣?yán)?，其公式如下所示?br>[0031]
:其中，bj.表示超盒模糊集合中的第j個 節(jié)點，Ck表示類別節(jié)點的第k個節(jié)點；并通過如下公式轉(zhuǎn)換
其中，在類別節(jié) 點中，C。表示輸出所有來自超盒模糊集合的未標(biāo)識樣本集。
[0032] 進一步的，請參考圖1，其是本發(fā)明實施例的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法流程圖。如圖1 所示，本發(fā)明提供一種神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，包括W下步驟：
[003引（一）初始化；
[0034] 初始化輸入樣本集和樣本的標(biāo)識集，其中，所述輸入樣本集是全部已標(biāo)識樣本、全 部未標(biāo)識樣本及已標(biāo)識和未標(biāo)識混合樣本中的一種或多種。
[0035] 具體來說，初始化輸入樣本集和樣本的標(biāo)識集的步驟包括：
[0036] 對給定的樣本集X G找h|h = 1，2,. . .，m}，Xh表示第h個輸入模式，m取正整數(shù)， 第h個輸入模式的最小點Vj.及第h個輸入模式的最大點W j.的初始值設(shè)為；V j.= 0, W j.= 0 ;
[0037] 加入第j個超盒，所述Vj被修改為乂j，所述Wj被修改為;
[003引 初始化樣本的標(biāo)識集class(Bk) = dk for allk= 0, 1, . . .P ;當(dāng)dk= 0時，所述 輸入樣本集是全部未標(biāo)識樣本。
[0039] 接下來，隨機抽取一個輸入樣本，重新