概率神经网络在物质浓度辨识中的应用

王 洋，王 咏

（四川交通职业技术学院公共课教学部，四川成都611130）

物质浓度辨识可以抽象成一种分类问题，1989年，施佩希特博士提出一个简单的、广泛应用的神经网络。概率神经网络可以用线性学习算法完成非线性学习算法的功能，在模式分类问题中得到了广泛应用[1-2]。

概率神经网络的理论基础是贝叶斯最小风险准则[3]，概率神经网络由输入层、隐含层、求和层和输出层组成，构造如图1所示[4-5]。

图1 PNN网络的结构

1 概率神经网络建模

首先定义二氧化硫浓度（ppm）类型，分别为水、20、30、50、80、100、150共7种分类模式，编号如表1所示。

表1 二氧化硫浓度分类模式

采集二氧化硫五种浓度下的颜色值，得到红色颜色值、绿色颜色值、蓝色颜色值、饱和度、色调，形成一个5维向量。收集3份每种分类模式的样本，共计21份训练样本，如表2所示。

表2 辨识训练样本

因此，用于物质浓度辨识的概率神经网络模型包括21份输入样本，每一个样本为5维向量，分类模式为7种，创建的概率神经网络构造如图2所示。

图2 概率神经网络模型

概率神经网络模型的输入层包括5个神经元，与输入特征向量的维数一致。径向基由21个神经节点组成，每个节点对应于输入训练样本。神经网络的隐含层包括7个神经元，故对应了7种分类模式。径向基训练样本的相应节点与它们相连，不属于模型的节点没有连接。隐含层在输入的总和之后找出隐含层神经元的最大值，并输出相应的序列号。

用5维向量表示二氧化硫的颜色读数，对该向量进行处理，进而实现辨识分类。选取25份测试样本，如表3所示。

辨识的过程包含样本定义、样本归一化、建立网络模型、测试及结果的显示，如图3所示。

图3 浓度辨识的流程

通过计算，得出二氧化硫25个测试样本的辨识结果，如表4所示。

表4 二氧化硫测试样本的辨识结果

（续表）

通过概率神经网络所做的二氧化硫浓度辨识准确率达到88%。由于概率神经网络采用的是一种自监督的前馈网络分类方法，它拥有很强的识别训练样本的能力，但对新的样本识别能力稍弱。因此，该方法是一种有效的物质浓度辨识方法，具有良好的应用前景。