CN109993182B - 一种基于Fuzzy ART的模式识别方法及装置 - Google Patents

一种基于Fuzzy ART的模式识别方法及装置 Download PDF

Info

Publication number
CN109993182B
CN109993182B CN201711486760.8A CN201711486760A CN109993182B CN 109993182 B CN109993182 B CN 109993182B CN 201711486760 A CN201711486760 A CN 201711486760A CN 109993182 B CN109993182 B CN 109993182B
Authority
CN
China
Prior art keywords
determining
characteristic parameters
parameters
normalized
similarity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711486760.8A
Other languages
English (en)
Other versions
CN109993182A (zh
Inventor
孙焕文
李应锋
史俊峰
胡舜峰
马姗姗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Hangzhou Information Technology Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Hangzhou Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Hangzhou Information Technology Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201711486760.8A priority Critical patent/CN109993182B/zh
Publication of CN109993182A publication Critical patent/CN109993182A/zh
Application granted granted Critical
Publication of CN109993182B publication Critical patent/CN109993182B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于Fuzzy ART的模式识别方法及装置，其中，所述方法应用于终端设备，包括：获得当前环境的m个特征参数，其中，m为正整数；基于所述m个特征参数和m个波动阈值，确定所述m个特征参数的相似度，其中，所述m个波动阈值与所述m个特征参数一一对应，波动阈值用于表征对应的特征参数的变化区间；若所述相似度满足预设条件，确定所述m个特征参数的模式类型。用于解决现有Fuzzy ART存在模式识别效率低的技术问题，提高了模式识别效率。

Description

一种基于Fuzzy ART的模式识别方法及装置
技术领域
本发明涉及电子技术领域，特别涉及一种基于Fuzzy ART的模式识别方法及装置。
背景技术
基于模糊自适应共振理论(fuzzy adaptive resonance theory,Fuzzy ART)神经网络是一种模式识别聚类算法，广泛应用在图像识别、故障检测等领域。
Fuzzy ART神经网络模型是Carpenter构造的一种采用非监督学习的竞争型神经网络模型，其不仅能进行在线学习，还能随着环境变化而动态学习，具有良好的自适应性。但该算法针对输入进行归一化、补码等处理，并没有给予输入中各特性在整体算法相似度比较中所占的权重(敏感度)。即不同特征参数的差异经过Fuzzy ART相似性判定可能匹配到相同的模式上。比如，智能家居中根据环境参数识别空调的模式，输入参数可以是温度和湿度两个特征参数，已有模式1对应的特性值为(温度35、湿度90％),当输入两组数据分别是(温度37、湿度90％)和(温度35、湿度70％)。此时根据Fuzzy ART模型相似度算法得到结果，两组数据都匹配到模式1，但实际上模式1应该是温度敏感的，即相同波动幅度下温度波动权重大于湿度波动。
可见，现有Fuzzy ART存在模式识别效率低的技术问题。
发明内容
本发明实施例提供一种Fuzzy ART的模式识别方法及装置，用于解决现有FuzzyART存在模式识别效率低的技术问题，提高了模式识别效率。
一方面，本发明实施例提供了一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法，应用于终端设备，包括：
获得当前环境的m个特征参数，其中，m为正整数；
基于所述m个特征参数和m个波动阈值，确定所述m个特征参数的相似度，其中，所述m个波动阈值与所述m个特征参数一一对应，波动阈值用于表征对应的特征参数的变化区间；
若所述相似度满足预设条件，确定所述m个特征参数的模式类型。
可选地，所述确定所述m个特征参数的相似度，包括：
对所述m个特征参数中每个特征参数和所述m个波动阈值中的每个波动阈值均进行归一化处理，共获得m个经归一化的特征参数和m个经归一化的波动阈值；
确定m个经归一化后的特征参数的m个补码，以及n个已记忆模式类型，其中，所述n个已记忆模式类型具体为所述终端设备经学习得到的模式，n为正整数；
基于所述n个已记忆模式类型、m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值，确定所述m个特征参数的相似度。
可选地，所述确定所述m个特征参数的相似度，包括：
确定所述m个特征参数的激活度和/或匹配度。
可选地，所述确定所述m个特征参数的激活度，包括：
确定包括所述m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值的参数集合与所述n个已记忆模式类型中最小值之和，与所述n个已记忆模式类型之和的第一比值；
确定所述第一比值与所述m个经归一化的波动阈值乘积，与m的第二比值为所述激活度。
可选地，所述确定所述m个特征参数的匹配度，包括：
确定包括所述m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值的参数集合与所述n个已记忆模式类型中最小值之和，与所述参数集合之和的第三比值；
确定所述第三比值与所述m个经归一化的波动阈值的乘积，与m对应的数值的第四比值为所述匹配度。
可选地，在所述确定所述m个特征参数的激活度和匹配度之后，所述方法还包括：
检测所述激活度和所述匹配度是否均大于一预设阈值；
若大于，表明所述相似度满足所述预设条件。
另一方面，本发明实施例还提供了一种基于模糊自适应共振理论神经网络FuzzyART的模式识别装置，应用于终端设备，包括：
获得单元，用于获得当前环境的m个特征参数，其中，m为正整数；
第一确定单元，基于所述m个特征参数和m个波动阈值，确定所述m个特征参数的相似度，其中，所述m个波动阈值与所述m个特征参数一一对应，波动阈值用于表征对应的特征参数的变化区间；
第二确定单元，若所述相似度满足预设条件，确定所述m个特征参数的模式类型。
可选地，所述第一确定单元用于：
对所述m个特征参数中每个特征参数和所述m个波动阈值中的每个波动阈值均进行归一化处理，共获得m个经归一化的特征参数和m个经归一化的波动阈值；
确定m个经归一化后的特征参数的m个补码，以及n个已记忆模式类型，其中，所述n个已记忆模式类型具体为所述终端设备经学习得到的模式，n为正整数；
基于所述n个已记忆模式类型、m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值，确定所述m个特征参数的相似度。
可选地，所述第一确定单元用于：
确定所述m个特征参数的激活度和/或匹配度。
可选地，所述第一确定单元在确定所述m个特征参数的激活度时，具体用于：
确定包括所述m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值的参数集合与所述n个已记忆模式类型中最小值之和，与所述n个已记忆模式类型之和的第一比值；
确定所述第一比值与所述m个经归一化的波动阈值乘积，与m的第二比值为所述激活度。
可选地，所述第一确定单元在确定所述m个特征参数的匹配度时，具体用于：
确定包括所述m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值的参数集合与所述n个已记忆模式类型中最小值之和，与所述参数集合之和的第三比值；
确定所述第三比值与所述m个经归一化的波动阈值的乘积，与m对应的数值的第四比值为所述匹配度。
可选地，在所述确定所述m个特征参数的激活度和匹配度之后，所述装置还包括处理单元，具体用于：
检测所述激活度和所述匹配度是否均大于一预设阈值；
若大于，表明所述相似度满足所述预设条件。
另一方面，本发明实施例还提供了一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上所述的基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法的步骤。
另一方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法的步骤。
本发明实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
在本发明实施例的技术方案中，通过一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法，应用于终端设备，包括：获得当前环境的m个特征参数，其中，m为正整数；基于所述m个特征参数和m个波动阈值，确定所述m个特征参数的相似度，其中，所述m个波动阈值与所述m个特征参数一一对应，波动阈值用于表征对应的特征参数的变化区间；若所述相似度满足预设条件，确定所述m个特征参数的模式类型。也就是说，为每个特征参数增加波动阈值(敏感度)，进一步地来确定当前环境的m个特征参数的相似度，从而能够处理不同特征参数敏感度不同的情况。有效解决了现有Fuzzy ART存在模式识别效率低的技术问题，提高了模式识别效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
图1为终端设备获得一维特征参数时，现有的模式识别过程示意图；
图2为本发明实施例一提供的一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法的方法流程图；
图3为本发明实施例一提供的一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法中步骤S102的方法流程图；
图4为本发明实施例一提供的一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法中步骤：确定所述m个特征参数的相似度的第一种实现方式的方法流程图；
图5为本发明实施例一提供的一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法中步骤：确定所述m个特征参数的相似度的第二种实现方式的方法流程图；
图6为本发明实施例一提供的一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法中在步骤：确定所述m个特征参数的激活度和匹配度之后的方法流程图；
图7为本发明实施例一提供的一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法中终端设备获得一维特征参数时，本发明实施例所提供的改进后的模式识别过程示意图；
图8为本发明实施例二提供的一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别装置的结构示意图。
具体实施方式
本发明实施例提供一种Fuzzy ART的模式识别方法及装置，用于解决现有FuzzyART存在模式识别效率低的技术问题，提高了模式识别效率。
本发明实施例中的技术方案为解决上述的技术问题，总体思路如下：
一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法，应用于终端设备，包括：
获得当前环境的m个特征参数，其中，m为正整数；
基于所述m个特征参数和m个波动阈值，确定所述m个特征参数的相似度，其中，所述m个波动阈值与所述m个特征参数一一对应，波动阈值用于表征对应的特征参数的变化区间；
若所述相似度满足预设条件，确定所述m个特征参数的模式类型。
在本发明实施例的技术方案中，通过一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法，应用于终端设备，包括：获得当前环境的m个特征参数，其中，m为正整数；基于所述m个特征参数和m个波动阈值，确定所述m个特征参数的相似度，其中，所述m个波动阈值与所述m个特征参数一一对应，波动阈值用于表征对应的特征参数的变化区间；若所述相似度满足预设条件，确定所述m个特征参数的模式类型。也就是说，为每个特征参数增加波动阈值(敏感度)，进一步地来确定当前环境的m个特征参数的相似度，从而能够处理不同特征参数敏感度不同的情况。有效解决了现有Fuzzy ART存在模式识别效率低的技术问题，提高了模式识别效率。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
在具体实施过程中，所述Fuzzy ART的模式识别方法可应用于终端设备，其中，所述终端设备包括但不限于：智能手机(如Android手机、IOS手机)、平板电脑、笔记本电脑、掌上电脑、穿戴式智能设备等电子设备，也可以是别的电子设备，在此就不一一举例了。
在详细介绍本发明实施例中的技术方案前，就现有Fuzzy ART的模式识别方法。对所述终端设备获得的当前环境的特征参数，进行模式识别的过程进行以下简要的说明。
首先，输入m维向量(可以是其它智能设备发送过来的，还可以是用户手动输入的，等等)，每个特征参数对应一维向量，m个特征参数则对应m维向量。然后，对m维向量进行归一化处理，即将每一维向量转化为大于0，小于1的正数，经归一化处理后的m维向量为：I＝(I1,……,Im)；
为了提高鲁棒性，对归一化处理后的m维向量做1的补码，获得m个补码：Ic＝1-Ij；
补码后，获得mx2维向量：
I＝(I1,Ic1,……,Im,Icm)
此外，所述终端设备中已存储的已记忆模式为：W＝(W1,……,Wn)；
其中，n为已记忆模式个数。
然后，对输入的m维向量进行第一次相似度比较，确定激活度T：
Figure GDA0003034684980000081
其中，
|I^Wj|＝sum(min(I,Wj))
|Wj|＝sum(Wj)
α为极小值
j∈[1,n]
对输入的m维向量进行第二次相似度比较，获得匹配度M:
Figure GDA0003034684980000082
由公式可知激活度T由输入I和已记忆模式W的特性最小值之和除以已记忆模式W的和决定(可见，该激活度T为非特性敏感)。同时可知匹配度M由输入I和已记忆模式W的特性最小值之和除以输入的和决定(可见，该匹配度为非特性敏感)，所述终端设备最终是否识别m个特征参数的模式由激活度T和匹配度M两个值决定。
在确定出激活度T之后，进一步地判断激活度T是否大于预设阈值，比如，预设阈值为百分之六十。若激活度T大于百分之六十，从中确定出最大值激活度。为了进一步地提高模式识别的准确性，进一步地计算匹配度，若匹配度也大于预设阈值，则在激活度和匹配度同时大于预设阈值时，确定出m个特征参数的模式类型。以所述终端设备获得一维特征参数为例，现有的模式识别过程示意图如图1所示。
实施例一
请参考图2，本发明实施例一提供了一种基于模糊自适应共振理论神经网络FuzzyART的模式识别方法，应用于终端设备，包括：
S101：获得当前环境m个特征参数，其中，m为正整数；
S102：基于所述m个特征参数和m个波动阈值，确定所述m个特征参数的相似度，其中，所述m个波动阈值与所述m个特征参数一一对应，波动阈值用于表征对应的特征参数的变化区间；
S103：若所述相似度满足预设条件，确定所述m个特征参数的模式类型。
在具体实施过程中，步骤S101至步骤S103的具体实现过程如下：
首先，获得当前环境的m个特征参数，所述m个特征参数可以是智能家居系统中的其它智能设备发送给所述终端设备的参数，还可以是用户针对所述终端设备输入的特征参数，在具体实施过程中，特征参数可以温度，还可以是湿度，还可以亮度，等等，在此就不一一举例说明了。
然后，基于所述m个特征参数和m个波动阈值，确定所述m个特征参数的相似度，其中，所述m个波动阈值与所述m个特征参数一一对应，波动阈值用于表征对应的特征参数的变化区间。在具体实施过程中，由于用户对不同的特征参数的敏感度不一样，比如，温度在原来的基础上升高了1℃，用户很容易感觉到当前环境温度升高了。再比如，湿度在原来的基础上提高了百分之十，但用户却未明显感觉到湿度增加了。也就是说，实际场景中，不同的特征参数波动阈值不同，比如，温度的波动阈值为0.5℃，湿度的波动阈值为百分之十。举个具体的例子来说，在温度的波动阈值为0.5℃，当前环境温度为27℃时，只有当27℃的变化区间超过0.5℃，才会引起当前温度发生变化。当27℃的变化区间小于0.5℃时，不会引起当前温度发生变化。在本发明实施例中，为每个特征参数增加波动阈值(敏感度)，在增加波动阈值之后，进一步地将多种因素综合起来来确定所述m个特征参数的相似度，从而能够处理不同特征参数敏感度不同的情况。有效解决了现有Fuzzy ART存在模式识别效率低的技术问题，提高了模式识别效率。
在本发明实施例中，请参考图3，步骤S102：基于所述m个特征参数和m个波动阈值，确定所述m个特征参数的相似度，包括：
S201：对所述m个特征参数中每个特征参数和所述m个波动阈值中的每个波动阈值均进行归一化处理，共获得m个经归一化的特征参数和m个经归一化的波动阈值；
S202：确定m个经归一化后的特征参数的m个补码，以及n个已记忆模式类型，其中，所述n个已记忆模式类型具体为所述终端设备经学习得到的模式，n为正整数；
S203：基于所述n个已记忆模式类型、m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值，确定所述m个特征参数的相似度。
在具体实施过程中，步骤S201至步骤S203的具体实现过程如下：
首先，对所述m个特征参数中每个特征参数和所述m个波动阈值中的每个波动阈值均进行归一化处理，共获得m个经归一化的特征参数和m个经归一化的波动阈值。具体过程如下：
所述m个特征参数经归一化处理后为：
I＝(I1,……,Im)
所述m个波动阈值经归一化处理后为：
ρ＝(ρ1,……,ρm)
然后，对m个经归一化的特征参数做1的补码，获得m个补码为：
Ic＝1-Ij
补码后，获得mx2维向量：
I＝(I1,Ic1,……,Im,Icm)
此外，所述终端设备中已存储的已记忆模式为：W＝(W1,……,Wn)，其中，n为已记忆模式个数，其中，所述n个已记忆模式类型具体为所述终端设备经学习得到的模式。
然后，基于所述n个已记忆模式类型、m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值，确定所述m个特征参数的相似度。
在本发明实施例中，步骤：确定所述m个特征参数的相似度，包括：确定所述m个特征参数的激活度和/或匹配度，也就是说，在具体实施过程中，为了确定所述m个特征参数的相似度，可以有以下三种实现方式，但又不仅限于以下三种实现方式。
第一种实现方式
第一种实现方式为确定所述m个特征参数的激活度；在具体实施过程中，如图4所示，第一种实现方式的具体实现过程包括：
S301：确定包括所述m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值的参数集合与所述n个已记忆模式类型中最小值之和，与所述n个已记忆模式类型之和的第一比值；
S302：确定所述第一比值与所述m个经归一化的波动阈值乘积，与m的第二比值为所述激活度。
在具体实施过程中，步骤S301至步骤S302的具体实现过程如下：
首先，确定包括所述m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值的参数集合与所述n个已记忆模式类型中最小值之和，与所述n个已记忆模式类型之和的第一比值；然后，确定所述第一比值与所述m个经归一化的波动阈值乘积，与m的第二比值为所述激活度。
激活度T：
Figure GDA0003034684980000111
Figure GDA0003034684980000112
i∈[1,m]
j∈[1,n]
Figure GDA0003034684980000121
其中，α为极小值
第二种实现方式
第二种实现方式为确定所述m个特征参数的匹配度；在具体实施过程中，如图5所示，第二种实现方式的具体实现过程包括：
S401：确定包括所述m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值的参数集合与所述n个已记忆模式类型中最小值之和，与所述参数集合之和的第三比值；
S402：确定所述第三比值与所述m个经归一化的波动阈值的乘积，与m对应的数值的第四比值为所述匹配度。
在具体实施过程中，步骤S401至步骤S402的具体实现过程如下：
首先，确定包括所述m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值的参数集合与所述n个已记忆模式类型中最小值之和，与所述参数集合之和的第三比值；
然后，确定所述第三比值与所述m个经归一化的波动阈值的乘积，与m对应的数值的第四比值为所述匹配度。
匹配度M：
Figure GDA0003034684980000122
Figure GDA0003034684980000123
i∈[1,m]
j∈[1,n]
Figure GDA0003034684980000131
第三种实现方式
为了进一步提高Fuzzy ART的模式识别的准确率，第三种实现方式为确定所述m个特征参数的激活度和匹配度。也就是说，将所述第一种实现方式和所述第二种实现方式结合起来，进一步地综合起来来确定所述m个特征参数的相似度。
在本发明实施例中，为了进一步提高所述终端设备模式识别的准确率，如图6所示，在步骤：确定所述m个特征参数的激活度和匹配度之后，所述方法还包括：
S501：检测所述激活度和所述匹配度是否均大于一预设阈值；
S502：若大于，表明所述相似度满足所述预设条件。
在具体实施过程中，步骤S501至步骤S502的具体实现过程为，只有当所述m个特征参数的激活度和匹配度均大于一预设阈值的时候，才表明所述相似度满足所述预设条件，进一步地确定所述m个特征参数的模式类型。也就是说，要经过两次的相似度匹配，这样进一步地提高了模式识别的准确率，其中，所述预设阈值具体可以为一经验值，当然，本领域的技术人员还可以根据用户的实际使用习惯来设置所述预设阈值，在此就不一一举例说明了。
在第三种实现方式下，以所述终端设备获得一维特征参数为例，改进后的模式识别过程示意图如图7所示。
基于上述分析可知，通过将特征参数对应的波动阈值加入到相似度算法中，即完成相似度敏感Fuzzy ART的改进，同时提高了模式识别的准确率。
实施例二
基于与本发明实施例一同样的发明构思，请参考图8，本发明实施例还提供了一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别装置，应用于终端设备，包括：
获得单元10，用于获得当前环境的m个特征参数，其中，m为正整数；
第一确定单元20，基于所述m个特征参数和m个波动阈值，确定所述m个特征参数的相似度，其中，所述m个波动阈值与所述m个特征参数一一对应，波动阈值用于表征对应的特征参数的变化区间；
第二确定单元30，若所述相似度满足预设条件，确定所述m个特征参数的模式类型。
在本发明实施例中，第一确定单元20用于：
对所述m个特征参数中每个特征参数和所述m个波动阈值中的每个波动阈值均进行归一化处理，共获得m个经归一化的特征参数和m个经归一化的波动阈值；
确定m个经归一化后的特征参数的m个补码，以及n个已记忆模式类型，其中，所述n个已记忆模式类型具体为所述终端设备经学习得到的模式，n为正整数；
基于所述n个已记忆模式类型、m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值，确定所述m个特征参数的相似度。
在本发明实施例中，第一确定单元20用于：
确定所述m个特征参数的激活度和/或匹配度。
在本发明实施例中，第一确定单元20在确定所述m个特征参数的激活度时，具体用于：
确定包括所述m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值的参数集合与所述n个已记忆模式类型中最小值之和，与所述n个已记忆模式类型之和的第一比值；
确定所述第一比值与所述m个经归一化的波动阈值乘积，与m的第二比值为所述激活度。
在本发明实施例中，第一确定单元20在确定所述m个特征参数的匹配度时，具体用于：
确定包括所述m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值的参数集合与所述n个已记忆模式类型中最小值之和，与所述参数集合之和的第三比值；
确定所述第三比值与所述m个经归一化的波动阈值的乘积，与m对应的数值的第四比值为所述匹配度。
在本发明实施例中，在所述确定所述m个特征参数的激活度和匹配度之后，所述装置还包括处理单元，具体用于：
检测所述激活度和所述匹配度是否均大于一预设阈值；
若大于，表明所述相似度满足所述预设条件。
基于本发明实施例一同样的发明构思，本发明实施例中提供了一种计算机装置，所述计算机装置包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法的步骤。
基于本发明实施例一同样的发明构思，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法的步骤。
在本发明实施例的技术方案中，通过一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法，应用于终端设备，包括：获得当前环境的m个特征参数，其中，m为正整数；基于所述m个特征参数和m个波动阈值，确定所述m个特征参数的相似度，其中，所述ms个波动阈值与所述m个特征参数一一对应，波动阈值用于表征对应的特征参数的变化区间；若所述相似度满足预设条件，确定所述m个特征参数的模式类型。也就是说，为每个特征参数增加波动阈值(敏感度)，进一步地来确定当前环境的m个特征参数的相似度，从而能够处理不同特征参数敏感度不同的情况。有效解决了现有Fuzzy ART存在模式识别效率低的技术问题，提高了模式识别效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法，应用于终端设备，其特征在于，包括：
获得当前环境的m个特征参数，其中，所述m个特征参数包括智能家居系统中的其它智能设备发送给所述终端设备的参数，用户针对所述终端设备输入的特征参数，所述m个特征参数包括温度、湿度和亮度，m为正整数；
基于所述m个特征参数和m个波动阈值，确定所述m个特征参数的相似度，其中，所述m个波动阈值与所述m个特征参数一一对应，波动阈值用于表征对应的特征参数的变化区间；
若所述相似度满足预设条件，确定所述m个特征参数的模式类型；
其中，所述确定所述m个特征参数的相似度，包括：
确定所述m个特征参数的激活度和/或匹配度；
所述确定所述m个特征参数的激活度，包括：
确定包括m个经归一化的特征参数、m个补码、m个经归一化的波动阈值的参数集合与n个已记忆模式类型中最小值之和，与所述n个已记忆模式类型之和的第一比值；
确定所述第一比值与所述m个经归一化的波动阈值乘积，与m的第二比值为所述激活度。
2.如权利要求1所述的方法，其特征在于，所述确定所述m个特征参数的相似度，包括：
对所述m个特征参数中每个特征参数和所述m个波动阈值中的每个波动阈值均进行归一化处理，共获得m个经归一化的特征参数和m个经归一化的波动阈值；
确定m个经归一化后的特征参数的m个补码，以及n个已记忆模式类型，其中，所述n个已记忆模式类型具体为所述终端设备经学习得到的模式，n为正整数；
基于所述n个已记忆模式类型、m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值，确定所述m个特征参数的相似度。
3.如权利要求2所述的方法，其特征在于，所述确定所述m个特征参数的匹配度，包括：
确定包括所述m个经归一化的特征参数、所述m个补码、所述m个经归一化的波动阈值的参数集合与所述n个已记忆模式类型中最小值之和，与所述参数集合之和的第三比值；
确定所述第三比值与所述m个经归一化的波动阈值的乘积，与m对应的数值的第四比值为所述匹配度。
4.如权利要求2所述的方法，其特征在于，在所述确定所述m个特征参数的激活度和匹配度之后，所述方法还包括：
检测所述激活度和所述匹配度是否均大于一预设阈值；
若大于，表明所述相似度满足所述预设条件。
5.一种基于模糊自适应共振理论神经网络Fuzzy ART的模式识别装置，应用于终端设备，其特征在于，包括：
获得单元，用于获得当前环境的m个特征参数，其中，所述m个特征参数包括智能家居系统中的其它智能设备发送给所述终端设备的参数，用户针对所述终端设备输入的特征参数，所述m个特征参数包括温度、湿度和亮度，m为正整数；
第一确定单元，基于所述m个特征参数和m个波动阈值，确定所述m个特征参数的相似度，其中，所述m个波动阈值与所述m个特征参数一一对应，波动阈值用于表征对应的特征参数的变化区间；
第二确定单元，若所述相似度满足预设条件，确定所述m个特征参数的模式类型；
其中，所述第一确定单元用于：
确定所述m个特征参数的激活度和/或匹配度；
所述第一确定单元在确定所述m个特征参数的激活度时，具体用于：
确定包括m个经归一化的特征参数、m个补码、m个经归一化的波动阈值的参数集合与n个已记忆模式类型中最小值之和，与所述n个已记忆模式类型之和的第一比值；
确定所述第一比值与所述m个经归一化的波动阈值乘积，与m的第二比值为所述激活度。
6.一种计算机装置，其特征在于，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-4中任意一项所述的基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-4中任意一项所述的基于模糊自适应共振理论神经网络Fuzzy ART的模式识别方法的步骤。
CN201711486760.8A 2017-12-29 2017-12-29 一种基于Fuzzy ART的模式识别方法及装置 Active CN109993182B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711486760.8A CN109993182B (zh) 2017-12-29 2017-12-29 一种基于Fuzzy ART的模式识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711486760.8A CN109993182B (zh) 2017-12-29 2017-12-29 一种基于Fuzzy ART的模式识别方法及装置

Publications (2)

Publication Number Publication Date
CN109993182A CN109993182A (zh) 2019-07-09
CN109993182B true CN109993182B (zh) 2021-08-17

Family

ID=67110770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711486760.8A Active CN109993182B (zh) 2017-12-29 2017-12-29 一种基于Fuzzy ART的模式识别方法及装置

Country Status (1)

Country Link
CN (1) CN109993182B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114567512B (zh) * 2022-04-26 2022-08-23 深圳市永达电子信息股份有限公司 基于改进art2的网络入侵检测方法、装置及终端

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1731693A (zh) * 2005-09-02 2006-02-08 东南大学 一种多模式移动通信终端及其信号处理方法
CN101477374A (zh) * 2009-01-20 2009-07-08 东北大学 基于模糊神经网络的连铸漏钢时序空间组合诊断预报方法
CN105894111A (zh) * 2016-03-30 2016-08-24 天鸿泰（北京）科技有限公司 一种基于互补型模糊神经网络的能源用量预测方法和装置
CN106206346A (zh) * 2015-05-27 2016-12-07 郑芳田 具取样率决定机制的量测抽样方法
CN106468751A (zh) * 2016-09-29 2017-03-01 河海大学 一种基于模糊自适应共振神经网络的变压器绕组状态识别方法
CN106599927A (zh) * 2016-12-20 2017-04-26 中国电子科技集团公司第五十四研究所 基于模糊art划分的目标分群方法
CN106872894A (zh) * 2017-03-03 2017-06-20 南方科技大学 一种三相电机的故障检测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1731693A (zh) * 2005-09-02 2006-02-08 东南大学 一种多模式移动通信终端及其信号处理方法
CN101477374A (zh) * 2009-01-20 2009-07-08 东北大学 基于模糊神经网络的连铸漏钢时序空间组合诊断预报方法
CN106206346A (zh) * 2015-05-27 2016-12-07 郑芳田 具取样率决定机制的量测抽样方法
CN105894111A (zh) * 2016-03-30 2016-08-24 天鸿泰（北京）科技有限公司 一种基于互补型模糊神经网络的能源用量预测方法和装置
CN106468751A (zh) * 2016-09-29 2017-03-01 河海大学 一种基于模糊自适应共振神经网络的变压器绕组状态识别方法
CN106599927A (zh) * 2016-12-20 2017-04-26 中国电子科技集团公司第五十四研究所 基于模糊art划分的目标分群方法
CN106872894A (zh) * 2017-03-03 2017-06-20 南方科技大学 一种三相电机的故障检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于特征加权的Category ART 网络及应用";丁智国，刘 悦，吴耿锋;《计算机工程》;20070430;第33卷(第8期);第201-204页 *
Alireza Akhbardeh, and Alpo Värri."Novel Supervised Fuzzy Adaptive Resonance Theory (SF-ART) Neural Network for Pattern Recognition".《IEEE International Workshop on Intelligent Signal Processing》.2005, *

Also Published As

Publication number Publication date
CN109993182A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN110741388B (zh) 对抗样本检测方法、装置、计算设备及计算机存储介质
CN110163300B (zh) 一种图像分类方法、装置、电子设备及存储介质
CN104318259B (zh) 一种识别目标图片的设备、方法以及计算设备
CN111475797B (zh) 一种对抗图像生成方法、装置、设备以及可读存储介质
CN108229297B (zh) 人脸识别方法和装置、电子设备、计算机存储介质
CN107437074B (zh) 一种身份认证方法和装置
CN111639535A (zh) 基于深度学习的人脸识别方法及装置
CN109145926B (zh) 相似图片识别方法及计算机设备
CN110058699B (zh) 一种基于智能移动设备传感器的用户行为识别方法
CN108491872B (zh) 目标再识别方法和装置、电子设备、程序和存储介质
CN111914908B (zh) 一种图像识别模型训练方法、图像识别方法及相关设备
CN110738110A (zh) 基于锚点的人脸关键点检测方法、装置、系统和存储介质
CN110222511A (zh) 恶意软件家族识别方法、装置及电子设备
CN110648289A (zh) 图像的加噪处理方法及装置
CN111814776B (zh) 一种图像处理方法、设备、服务器及存储介质
KR20220098312A (ko) 이미지 내 관련 대상 검출 방법, 장치, 디바이스 및 기록 매체
CN109993182B (zh) 一种基于Fuzzy ART的模式识别方法及装置
CN113128526B (zh) 图像识别方法、装置、电子设备和计算机可读存储介质
CN111783677B (zh) 人脸识别方法、装置、服务器和计算机可读介质
CN109871779B (zh) 掌纹识别的方法及电子设备
CN113221721A (zh) 图像识别方法、装置、设备及介质
CN110110631B (zh) 一种识别打电话的方法及设备
Andreopoulos et al. A theory of active object localization
JP5924735B2 (ja) 画像特徴抽出及び画像処理のためのシステム、方法及びプログラム
CN111275693B (zh) 一种图像中物体的计数方法、计数装置及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant