一种基于模块化组合神经网络的机器嗅觉气味识别方法

摘要

本发明是一种基于模块化组合神经网络的机器嗅觉气味识别方法。其特点是组合神经网络分类器由前向单隐层感知器模块和RBF神经网络模块所组成；各个分类器模块均由若干个子模块所组成，其结构经过增长和修剪两个阶段最终确定，中心、宽度、权值等参数通过误差反传算法确定。本发明提出的模块化组合神经网络分类器通过以下三个途径：(1)将一个很复杂的多气味识别问题转化为多个较简单的两气味识别问题；(2)将气味强度估计问题按一定分辨率转化为识别问题；(3)仅让与分类区域有关的部分类别的样本来训练每个子模块，从而快速有效地解决了高维多类别海量样本集的学问题。利用本发明，机器嗅觉装置就能识别成千上万种气味，并同时具有估计气味强度的能力。

主权项

1.一种基于模块化组合神经网络的机器嗅觉气味识别方法，采用机器嗅觉装置对多种气味进行识别，其特征在于机器嗅觉装置通过对大量气味的测量，得到大量学习样本，模块化组合神经网络分类器通过记忆这些学习样本，确定其最优结构和参数，在识别气味时，将通过机器嗅觉装置得到的气味的特征，与模块化组合神经网络分类器记忆的气味特征比较，确定该气味的类别或强度；所述的模块化组合神经网络分类器是由前向单隐层感知器模块和RBF神经网络模块所组成；所述的前向单隐层感知器模块通过学习大量学习样本确定其结构和参数，包括步骤如下：a.将一个复杂的n类问题转化为n个较简单的两类问题；b.将气味强度估计问题依拟合精度转化为多个分类问题；c.前向单隐层感知器模块的特征分量的大小成比例变化到[0，5]范围内；d.各感知器模块的初始结构由经验公式确定，优化结构通过对隐层输出矩阵进行奇异值分解而确定；e.各个前向单隐层感知器模块的初始训练子集仅由其对应类别自身和与之最近类别的样本组成，训练集其余部分作为交叉有效集；只有在该感知器模块对交叉有效集中某一类别产生较大的推广误差的情况下，该交叉有效集才被加入到训练子集；这时，训练子集增大，交叉有效集变小；如此反复，直到该模块对整个训练集的误差在允许范围内为止；所述的RBF神经网络模块通过学习大量学习样本确定其结构和参数，包括下列步骤：a.将一个复杂的n类问题转化为n个较简单的两类问题；b.将气味强度估计问题依拟合精度转化为多个分类问题；c.RBF神经网络模块的特征分量不变化；d.各个RBF神经网络模块的初始训练子集为对应的感知器模块学习完毕产生的训练子集，若一轮学习结束后，对交叉有效集中某一类别产生较大的推广误差的情况下，这个被错分类别的样本被加入到训练子集，这时，训练子集增大，交叉有效集变小，如此反复，直到该模块对整个训练集的误差在允许范围内为止；所述的各个RBF神经网络模块由单层RBF网络和单层感知器串联组成；所述的RBF神经网络模块中的单层RBF网络开始学习时只有一个核，对应类别所有样本的目标输出均为1，其余类别样本的目标输出为0，若由此产生较大的训练子集推广误差，则废弃该核，依次产生一个个新核，每个核应尽可能多地包含对应类别的样本，由此产生的多个核将对应类别所有样本全部包含；若一个核的所有样本已经被同类别的一个或多个核包含，则删除该核；在单层RBF网络结构已确定的条件下，所述的RBF网络模块中的单层感知器结构已知，其权值与阈值由误差反传算法确定。