[发明专利]一种基于改进NBA算法的BPNN特征识别方法

说明书

本发明涉及一种基于改进NBA算法的BPNN特征识别方法，对面边邻接图进行预处理，提取特征因子最小子图，将属于同一特征的特征因子聚合为复合特征，对聚合完毕后的每一个特征因子进行特征编码，得到特征编码序列，采用二阶振荡机制和差分算法对NBA算法进行改进，并以改进的NBA算法优化BP神经网络、进行特征识别。本发明最大限度地识别出具有工程意义的特征，由于神经网络有优良的学习性能，极大提高特征识别的准确性和效率，而利用改进的NBA算法对BP神经网络进行优化，可以实现控制局部搜索和全局搜索间的相互转换，避免陷入局部最优缺陷，具有更好的收敛性。本发明在训练后进行特征识别，有效提高了特征识别的准确率和效率。

技术领域

本发明涉及用于阅读或识别印刷或书写字符或者用于识别图形的技术领域，特别涉及一种采用复合加工特征提取、最大限度地识别出具有工程意义特征的基于改进NBA算法的BPNN特征识别方法。

背景技术

特征识别技术随着科技的发展不断更新换代，科学界的专家学者通过不断的研究、更新算法，经过多年的努力，使得特征识别技术取得了很大进展，各种方法层出不穷。

然而，现有的特征识别技术仍然存在很多难以解决或者解决效果难尽人意的问题。其中，基于图的方法是使用最广泛的方法，但是此方法的运算量大，并且由于图上若干元素的相交特征，可能产生多种具有可能性的组合、重构，并不能有效的识别组合特征。而亦有方法采用图和神经网络组合的方式进行特征识别，BP神经网络(BPNN,BackPropagation Neural Network)是最基础的神经网络，其输出结果采用前向传播，误差采用反向传播方式进行，基于图和神经网络的方法在一定程度上虽然可以解决相交特征的识别，但其存在BP神经网络容易使搜索过程陷入局部最优，而无法搜索全局最优解，导致特征识别的误差大、收敛误差大。

NBA算法(Novel Bat Algorithm，NBA)是蝙蝠算法(Bat Algorithm，BA)的革新，其主要原理是模拟蝙蝠利用声呐来探测猎物、避免障碍物的随机搜索算法，与传统的粒子群算法、遗传算法等仿生算法相比具有所需参数少、全局寻优能力较好且计算效率高等优点，但是算法仍然存在着寻优精度不高、迭代后期容易入粒子早熟等缺点。

发明内容

本发明解决了现有技术中，特征识别方法不能有效的识别组合特征，或特征识别的误差大、收敛误差大，或寻优精度不高、迭代后期容易入粒子早熟的问题，本发明提供了一种优化的基于改进NBA算法的BPNN特征识别方法。

本发明所采用的技术方案是，一种基于改进NBA算法的BPNN特征识别方法，所述方法包括以下步骤：

步骤1：对面边邻接图进行预处理，提取特征因子最小子图，将属于同一特征的特征因子聚合为复合特征；

步骤2：对聚合完毕后的每一个特征因子进行特征编码，得到特征编码序列；

步骤3：采用二阶振荡机制和差分算法对NBA算法进行改进；

步骤4：以改进的NBA算法优化BP神经网络，并以优化后的BP神经网络进行特征识别。

优选地，所述步骤1包括以下步骤：

步骤1.1：遍历面边邻接图中的任一个面，对应每个面创建一属性邻接图的顶点，提取每个面的属性作为对应属性邻接图顶点的属性；

步骤1.2：对于面边邻接图中的每两个面，识别两者之间的邻接关系，以邻接关系作为所述两个面的对应边的属性；

步骤1.3：基于步骤1.1和步骤1.2，形成属性邻接图AAG(V，E)，其中，V＝{V₁,V₂…V_i…V_n}为面边邻接图的顶点集合，面边邻接图中的每一个面都与V中的一个元素对应，E为面边邻接图中两个相交的面之间的边的集合；