[发明专利]基于感知进化神经网络的传感信道可扩展系统及其方法

摘要

一种基于感知进化神经网络的传感信道可扩展系统及其方法，包括数据采集系统，所述的数据采集系统同控制系统相连接，所述的控制系统中带有基于感知进化神经网络的数据感知接收模块。并结合其方法可有效避免现有技术中的无法对数据采集的通道进行升级或者扩展，应用非常有限并且不具备智能化的采集功能的缺陷。

主权项

一种基于感知进化神经网络的传感信道可扩展系统的方法，其特征在于包括数据采集系统，所述的数据采集系统同控制系统相连接，所述的控制系统中带有基于感知进化神经网络的数据感知接收模块；所述的控制系统根据原始的神经网络的原有的n个感知神经元，经过一段时间的感知后，新增m个新的感知神经元出现的条件下，在控制系统的存储区域内设置对应于原有的n个感知神经元的原始的低维空间，所述的原始的低维空间为Sl＝Rn，而在控制系统的存储区域内设置对应于m个新的感知神经元的新的高维空间，所述的新的高维空间为Sh＝Rn+m，而通过感知和压缩后得到的原型存储在集合P中，用Pi表示P中第i个原型，所述的集合P也是在控制系统的存储区域内设置的一个存储空间，n和m为自然数，Rn表示n维的实数向量空间，Rn+m表示n+m维的实数向量空间；步骤如下：步骤1：首先数据采集系统把采集来的图像或者视频这样的信号样本发送到控制系统中，然后控制系统启动基于感知进化神经网络的传感信道可扩展系统模块先把最先采集到的两个信号样本x1和x2分别构造出各自对应的第一n维原型P1和第二n维原型P2，第一n维原型P1和第二n维原型P2被存储在集合P中，另外基于感知进化神经网络的传感信道可扩展系统模块把发送来的图像或者视频这样的 每一个信号样本构造成信号向量，所述的第一n维原型P1＝(x1,1,x1,2,...,x1,n)，第二n维原型P2＝(x2,1,x2,2,...,x2,n)，如果在最先采集到的两个信号样本之后来的信号样本为n维信号向量，则所述的信号向量的形式为xj＝(xj,1,xj,2,...,xj,n)∈Sl，执行基于感知进化神经网络的传感信道可扩展系统的方法的第一阶段，所述的第一阶段从步骤8开始执行，如果出现了m个新的感知神经元，则所述的信号向量的形式为xj＝(xj,1,xj,2,...,xj,n,...,xj,n+m)∈Sh，xj表示第j个信号样本的信号向量，j是自然数，xj,1表示第一个感知神经元对第j个信号样本的一维向量的输入数据,xj,2表示第二个感知神经元对第j个信号样本的一维向量的输入数据,xj,n表示第n个感知神经元对第j个信号样本的一维向量的输入数据,xj,n+m表示第n+m个感知神经元对第j个信号样本的一维向量的输入数据，Sh表示所采集到的信号样本对应的信号向量共同组成的向量空间，h、l均为自然数，然后执行步骤2到步骤7的操作来实现第二阶段，第二阶段执行后完成基于感知进化神经网络的传感信道可扩展系统的方法；步骤2:获得信号样本xj＝(xj,1,xj,2,...,xj,n,...,xj,n+m)∈Sh，对于每一个Pi∈P，如果Pi∈Sl，即Pi在空间Sl中，凭借Pi和输入的信号样本xj的前n维属性计算欧氏距离，所述的n维属性即为Sl的属性，如果Pi∈Sh，即Pi在空间Sh中，凭借Pi和输入的信号样本xj的(n+m)维属性计算欧氏距离，所述的(n+m)维属性即为Sh的属性，由公式(1)获得Sl中的获胜原型其中，j表示自然数，代表Pi的权值向量，表示在Sl中的欧氏距离，再由公式(2)和公式(3)分别获得Sh中的获胜原型和第二获胜原型其中，Ph表示属于Sh的原型的集合，即所有的属于Sh的原型的集合，表示在Sh中的欧氏距离，以下简记为Pc，和简记为Pa和Pb；步骤3：如果dim(Pc)＝n，即Pc∈Sl，然后检查是否满足如公式(4)所示的判别条件：其中，表示Pc在Sl中的相似性阈值,如果公式(4)满足，原型Pc被激活，随后做如公式(5)、公式(6)、公式(7)和公式(8)所表示的更新：其中，表示原型Pc在Sl中的激活次数，表示原型Pc的权值向量，表示Sl的向量属性，即xh‑l表示m个新的感知神经元的属性，即另外初始化和其中，表示原型Pc在Sh中的激活次数，表示Pc在Sh中的相似性阈值，如果条件(4)不满足，建立一个如公式(9)、公式(10)、公式(11)、公式(12)和公式(13)新的原型：Wnew＝xj      (9)其中Wnew表示新建的原型的权值向量，表示在Sl中的新建的原型的激活次数，表示在Sh中的新建的原型的激活次数，表示在 Sl中的新建的原型的相似性阈值，表示在Sh中的新建的原型的相似性阈值；如果dim(Pc)≠n，即Pc已经是Sh中的原型，如果满足公式(14)的条件：其中表示原型Pa的权值向量，即xj与Pa相同，Pa被激活，相应的作如公式(15)和公式(16)的更新：其中表示原型Pa在Sl中的激活次数，表示原型Pa在Sh中的激活次数；如果公式(14)的条件不满足，检查是否满足公式(17)的条件：其中表示原型Pa的权值向量，表示Pa在Sh中的相似性阈值，表示原型Pb的权值向量，表示Pb在Sh中的相似性阈值,如果公式(17)的条件被满足，对Pa进行如公式(18)、公式(19)、公式(20)和公式(21)下的更新：其中，表示原型Pa在Sl中的权值向量，表示原型Pa在新增的m个感知神经元的权值向量；如果公式(17)的条件不满足，则利用公式(9)、公式(10)、公式(11)、公式(12)和公式(13)建立新的原型；步骤4：如果条件(17)的条件被满足，并且在原型Pa和原型Pb之间不存在连接，那么建立Pa和Pb之间的连接，并置所述的表示原型Pa和原型Pb之间的连接的年龄变量，所述的年龄变量表示连接的连接寿命的度量，如果Pa和Pb之间的连接已经存在，只要置如果一个原型Pi被提升到高维空间或者权重向量被更新，就如公式(22)对Pi和Pj之间的年龄变量进行更新：其中，表示Pi的相连的原型的集合，如果一个连接的年龄变量大于预定的阈值Agemax，该连接就被删除；步骤5：如果一个原型没有邻居，那么该原型的相似性阈值定 义如公式(23)所示：如果一个原型存在邻居，那么该原型的相似性阈值定义如公式(24)所示：每当输入一个新信号样本xj时，按照公式(23)和公式(24)更新Pa，Pb和Pc的相似性阈值；步骤6：每当λ个样本信号被步骤1‑步骤5处理后，原型裁剪被执行，而在m个新增的感知神经元出现之前就存在的原型不属于裁剪的目标，在m个感知神经元出现之后新增的原型属于裁剪的目标，把这些新增的原型组织成集合Q，首先按照公式(24)计算所有的均值其中Ph表示属于空间Sh的原型，|Ph|表示集合Ph的元素个数，表示原型Pi的在Sh中的激活次数,对于每个原型Qi∈Q，如果如公式(25)或者公式(26)的条件被满足，原型Qi将被删除，其中Qi∈Q，表示Qi的邻居数，λ为自然数，c为预定义的参数，取值范围[0,1]；步骤7：当所有的原型都被映射到Sh以后，将参数和进行如公式(27)所述的合并，得到合并后的激活次数把公式(20)和公式(21)所述的权值更新公式变为公式(28)的更新公式：公式(9)、公式(10)、公式(11)、公式(12)和公式(13)简化为公式(29)、公式(30)和公式(31)所示：Wnew＝xj       (29)然后参数将被删去，对于后续信号样本xj＝(xj,1,xj,2,...,xj,n,...,xj,n+m)∈Sh的处理可参照基于感知进化神经网络的传感信道可扩展系统的方法的第一阶段，步骤8：由公式(32)获得Sl中的获胜原型其中，j表示自然数，代表Pi的权值向量，表示在Sl中的欧氏距离，如果满足公式(33)的条件：其中表示原型Pa的权值向量，即xj与Pa相同，Pa被激活，相应的作如公式(34)的更新：其中表示原型Pa在Sl中的激活次数，如果公式(33)的条件不满足，检查是否满足公式(35)的条件：其中表示原型Pa的权值向量，表示Pa在Sl中的相似性阈值，表示原型Pb的权值向量，表示Pb在Sl中的相似性阈值，如果公式(35)的条件被满足，对Pa进行如公式(36)、公式(37)下的更新：其中，表示原型Pb在Sl中的权值向量，如果公式(35)的条件不满足，利用如公式(38)、公式(39)和公式(40)Wnew＝xj         (38)建立新的原型；步骤9：如果条件(35)的条件被满足，并且在原型Pa和原型Pb之间不存在连接，那么建立Pa和Pb之间的连接，并置所述的表示原型Pa和原型Pb之间的年龄变量，所述的年龄变量表示连接的连接寿命的度量；如果Pa和Pb之间的连接已经存在，只要置如果一个原型Pi的权重向量被更新，就如公式(41)对Pi和Pj之间的年龄变量进行更新，其中，表示Pi的相连的原型的集合，如果一个连接的年龄变量大于预定的阈值Agemax，该连接就被删除；步骤10：如果一个原型没有邻居，那么该原型的相似性阈值定义如公式(42)所示：如果一个原型存在邻居，那么该原型的相似性阈值定义如公式(43)所示：每当输入一个新信号样本xj时，按照公式(42)和公式(43)更新Pa和Pb的相似性阈值；步骤11：每当λ个样本信号被步骤8‑步骤10处理后，原型裁剪被执行，首先按照公式(44)计算所有的均值对于每个原型Pi∈P，如果如公式(45)或者公式(46)的条件被满足，原型Pi将被删除，其中表示Pi的邻居数，λ为自然数，c为预定义的参数，取值范围[0,1]。