基于仿生模式识别的构造型神经网络分类方法分析

李静森

摘要 本文体出了一种将仿生模式识别理论作为基础的神经网络构造方法。仿生模式理论认为，同类但不完全相等事物之间存在着至少一个渐变过程，在这个过程当中，各种事物都属于同一类别。利用该理论，能够从高维空间当中神经元模型的几何意义出发，对一种全新的神经网络进行构造，从而使得高位空间中不同亚你根本形成的不同几何体覆盖能够得到有效的实现，并对其进行有效的分类。本文的研究利用双螺旋曲线分类实验使得这种网络的识别效果得到了证明。

【关键词】模式识别 神经元 几何体覆盖 高维空间

自从提出仿生模式识别之后，仿生模式识别在人脸识别、实物目标识别等多个研究领域都得到了应用，通过与传统模式识别的比较我们发现，仿生模式识别有着更优越的识别效果。本文从仿生模式识别理论出发，提出了一种对神经网络进行构造的全新算法。该算法能够对每一类样本内部的关系特性进行充分考虑，利用该算法构造的神经网络能够对一类类样本进行最佳覆盖，算法简单且有着十分明确的几何意义，通过双螺旋曲线实验，也表明本文研究的算法具有训练时间短且正确率高的优点。

1 神经网络构造算法

从仿生模式识别理论出发，在高维空间当中，同一类样本的分布呈现拿出一个复杂的几何体，想要覆盖这个几何体十分困难。应先实现覆盖多个简单几何体，随后通过合并、相交结合体的方法覆盖复杂的几何体。

首先需要考虑的是，如果在空间当中模式样本点呈现出一维流行分布，在对其他方向存在噪声干扰进行考虑的情况下，在特征空间当中，模式形状可以看做是一维流行曲线与n维超球的拓扑乘积。为了对近似覆盖进行实现，在实际的实验过程当中我们利用若干首尾相连的直线段来对该流行曲线进行模拟，而n维超球、折线之间的拓扑乘积就是所求。

2 性能分析

（1）本文的算法属于一种构造方法，网络参数均根据样本进行计算，计算时间就是训练时间，因此并不存在收敛性的问题。

（2）在网络当中，样本个数会决定神经元的个数，这使得传统神经网络选择隐层节点数的问题能够得到避免。

（3）本文的算法充分的对噪声情况进行考虑，因此具有良好的抗噪特点。

（4）在实际的构造当中，为了使得神经元的个数能够减少，可以在筛选样本时利用某种预处理方法，对具有代表性的样本进行选取、训练。

3 实验与结果

现如今，双螺旋曲线的识别已经成为人们对分类算法进行验证的重要标准，但是，在对新样本进行添加的过程当中，必须重新训练整个网络，而在识别为训练的模式类时，结果的确定性也难以得到有效的保证。由于每一条螺旋曲线都是一维流行曲线，因此本文的算法能够使其得到有效的实现。

双螺旋曲线是由极坐标方程以及两条曲线相互纏绕所形成的，对其中的34个点分别选取，其数值为作为一种训练样本集，在图1当中的“O”与“·”出能够看到其所在的位置。

在曲线当中对10000个点随机选取，作为己知测试样本，为了使得本文算法的性能得到更好的验证，对第三条螺旋曲线进行选取，并在该曲线上对10000个点进行随机选取，将其作为未知类测试样本集。

（1）在两类训练样本集当中，每一类共有34个样本，样本总数为68个，将统一距离参数k在网络当中进行建立，并保证神经元个数2倍与训练样本数。

（2）将己知的20068个样本作为正确识别率测试样本，输出结果都为1，拥有100%的正确识别率。

（3）将10000个未知类测试样本集作为拒绝识别的测试样本，最终得到输出结果为O，拥有100%的正确识别率。

4 讨论与结论

（1）根据先验知识我们能够知道，基于仿生模式识别理论，只需要通过较少的样本就能够对拥有良好性能的识别网络进行构造，该网络能够分别认识样本一类的其他事物，对于新增加的样本训练不会使得原有的识别知识造成影响，也不会误识其他类似的类为训练样本。

（2）本文设计的系统网络当中对两种不同结构的神经元进行了应用，使得传统利用单一结构神经元模型对神经网络进行构造的局限性得到了突破，将更加广阔的途径、方法提供给了神经网络的构造。

（3）从高位空间几何角度来对神经网络以及神经元的问题进行考虑，能够具有更加明确的物理意义，而这也是模式识别等人工智能领域的全新发展方向。

（4）该实验是一种低维空间的实例，比较容易实现神经网络当中的覆盖算法，在高伟凯空间当中覆盖多维流形将更加复杂。

（5）网络判别阈值距离k，实在对多种样本之间的距离关系以及不同模式样本之间的距离关系综合考虑之后得出的数据参数，如果有着过大的k，则会使得网络的误识率得到增加，如果有着过小的k，则会使得网络的拒识率得到提高。

（6）总而言之，使用两种不同结构的神经元，并从仿生模式识别理论的角度出发，能够对拥有良好的性能的神经网络进行构造，而这也使得本文算法的有效性得到了良好的证明。

参考文献

[1]黄国宏，熊志化，邵惠鹤，一种新的基于构造型神经网络分类算法[J]，计算机学报，2015 （09）.

[2]王守觉，曲延锋，李卫军.覃鸿，基于仿生模式识别与传统模式识别的人脸识别效果比较研究[J]，电子学报，2014 （07）.

[3]王守觉，徐健，王宪保，覃鸿.基于仿生模式识别的多镜头人脸身份确认系统研究[J].电子学报，2013 （01）.

[4]王守觉，仿生模式识别（拓扑模式识别）—— 一种模式识别新模型的理论与应用[J].电子学报，2012 （10）.

[5]王守觉，李兆洲，陈向东，王柏南，通用神经网络硬件中神经元基本数学模型的讨论[J].电子学报，2011（05）.