专利汇可以提供一种自动识别人体染色体模式的动态神经元模糊计算模型专利检索,专利查询,专利分析的服务。并且一种自动识别人体 染色 体模 式的动态神经元模糊计算模型属 模式识别 与信息处理技术领域,其主要特征在于:(1)神经元Nd(k)(k=1,2,…,N)构成N阶动态模糊聚类网络DFCN(N) ,Nd(k)对应染色体样本模式X(k)(k=1,2,…,N);添加对应待识别染色体模式X(O)的神经元Nd(O),将DFCN(N) 扩展为(N+1)阶动态模糊聚类网络DFCN(N+1) ;(2)DFCN(N) 对X={X(k)=1,2,…,N}进行动态模糊 聚类分析 ,实现理想划分S={S(k)丨k=1,2,…,C}(S(k)X);(3)DFCN(N+1) ,对X={K(k)丨k=0,1,2,…,N}进行动态模糊聚类运算,在理想划分S={S(k)丨k=1,2,…,C}约束下识别X(O)。动态神经元模糊计算模型对染色体有较高的识别率且误识率为零。,下面是一种自动识别人体染色体模式的动态神经元模糊计算模型专利的具体信息内容。
1、一种自动识别人体染色体模式的动态神经元模糊计算模型,作为一种智能计算方法, 以人工神经信息处理的方式实现模糊聚类分析运算,特征在于:其动态神经元模糊计算 模型的结构具有人工神经元网络的基本结构,构成包括三部分:
(1)相似关系计算网络:计算X(0)与X(k)(k=1,2,…,N)相似关系 1°n个输入节点:接收X(0)=(x1(0),x2(0),…,xn(0))T; 2°N个输出节点:输出计算结果u=(r01,r02,…,r0N)T; 3°输入节点与输出节点联结模式:每一个输入节点联结至所有的输出节点;第i个输入 节点与第j个输出节点的联结强度记为xi(j);n个输入节点与第j个输出节点联结强度 xi(j)(i=1,2,…,n)形成第j个输出节点的中心向量X(j)=(x1(j),x2(j),…,xn(j))T; 其中:
X={X(k)|k=1,2,…,N}:N个染色体样本经计算机数字图象预处理和特征选取后形 成的n维模糊特征向量集合,其中,n维模糊特征向量X(k)=(x1(k),x2(k),…,xn(k))T;
X(0)=(x1(0),x2(0),…,xn(0))T:待识别染色体经过计算机数字图象预处理和特征选取后形 成的n维模糊特征向量,
(2)动态模糊聚类网络:对染色体进行动态模糊聚类分析运算 1°神经元集合{Nd(k)|k=0,1,2,…,N}:神经元Nd(k)对应染色体模糊特征向量X(k) (k∈{0,1,2,…,N}); 2°N阶动态模糊聚类网络DFCN(N)
S={S(k)|k=1,2,…,C}(S(k)X):X={X(k)|k=1,2,…,N}的理想划分;
αk∈(0,1](k=0,1,2,…,N):Nd(k)的阈值;
A=(α1,α2,…,αN)T:DFCN(N)
A=(α0,α1,α2,…,αN)T:DFCN(N+1)< R, A, O>阈值向量;
R={rij}N×N∈[0,1]N×N:DFCN(N)
R={rij}0≤i,j≤N∈[0,1](N+1)×(N+1):DFCN(N+1)< R, A, O>的联结强度矩阵,当rij (i,j∈{0,1,2,…,N})为X(i)与X(j)的相似关系时, R为 X× X上的模糊相似关系;
oi(t)∈{0,1}(k=0,1,2,…,N):Nd(k)在t时刻的状态;
O(t)=(o1(t),o2(t),…,oN(t))T:DFCN(N)
O(t)=(o0(t),o1(t),o2(t),…,oN(t))T:DFCN(N+1)< R, A, O>在t时刻的状态;
(3)布尔逻辑运算电路: 1°布尔运算(a):实现理想划分S={S(k)|k=1,2,…,C}; 2°布尔运算(b):判定DFCN(N+1)< R, A, O>模糊聚类分析结论的有效性; 3°布尔运算(c):输出识别结果Y=(y0,y1,y2,…,yC)T∈{0,1}(C+1)×1,其中,yk(k=1,2,…,N) 分别代表染色体各类别,特别地,y0代表非染色体类。
2、一种自动识别人体染色体模式的动态神经元模糊计算模型,其以自组织的方式学习染 色体数据结构知识的方法,特征在于:
染色体样本集合X={X(k)|k=1,2,…,N}的理想划分S={S(k)|k=1,2,…,C}由 DFCN(N)
Step1.为理想划分选择可实现的子划分S′={S′(k)|k=1,2,…,C′}(C≤C′≤N),使 其中,0=m0<m1≤m2≤…≤mC,∑i=1Cmi=C′,(C≤C′≤N);
Step2.对X={X(k)|k=1,2,…,N}进行适当排序,使子划分S′满足 其中,0=n0<n1≤n2≤…≤nC′,∑i=1C′ni=N;
Step3.计算X×X上染色体样本特征向量的模糊相似关系R={rij}N×N 并将其作为DFCN(N)
Step4.调节DFCN(N)
O(ts+1)=O(ts); (6)
Step5.当DFCN(N)
Θ=(θ1,θ2,…,θC)T
3、一种自动识别人体染色体模式的动态神经元模糊计算模型,用于识别染色体模式时, 其特征在于:采用如下步骤完成:
Step1.输入X(0)=(x1(0)x2(0)…,xn(0))T;
Step2.相似关系计算网络计算X(0)与X(k)(k=1,2,…,N)的相似关系
Step3.相似关系计算网络输出计算结果u=(r01,r02,…,r0N)T,并将其递给 DFCN(N+1)< R, A, O>,形成DFCN(N+1)< R, A, O>的联结强度矩阵
Step4.初始化DFCN(N+1)< R, A, O>:令t=0,设置DFCN(N+1)< R, A, O>的初始状态 O(0)=(1,0,0,…,0)T∈{0,1}(N+1)×1;
Step5.DFCN(N+1)< R, A, O>按(11)式所示的动态并行算法运行 其中,DFCN(N+1)< R, A, O>的阈值向量
Step6.若 O(t+1)≠ O(t),则令t=t+1,并转向Step5;
Step7.令ts=t+1,记录稳定状态 O(ts)= O(t+1);
Step8.布尔运算(a)按(13)式开始工作
Step9.布尔运算(b)按(14a-c)式判别DFCN(N+1)< R, A, O>动态模糊聚类分析结论的有 效性
α=θ1∨θ2∨…∨θC (14a)
βij=θi∧θj(1≤i<j≤C) (14b) 其中,α测试θi(i=1,2,…,C)中是否存在取值为1的输出,βij(1≤i<j≤C)测试 θi(i=1,2,…,C)中是否存在两个或两个以上取值为1的输出,σ用于判定 DFCN(N+1)< R, A, O>模糊聚类分析结论的有效性,σ=1表示有效,σ=0表示无效;
Step10.布尔运算(c)按(15a-b)式输出动态神经元模糊计算模型对X(0)的识别结果
y0=o0(ts)∧σ (15a)
yk=θk∧σ(k=1,2,…,C) (15b) Y中只有1个元素取值为1,其余取值为0,若yk=1(k∈{1,2,…,C}),则X(0)描述的染色 体属于第k染色体类,特别的,y0=1意味着X(0)属于非染色体类。
据调查,人类55%的胎儿死亡,以及20%的先天缺陷与人体染色体有关。因此,染色 体分析是检测遗传疾病的基本途径。染色体的人工识别与分类是一项繁重的劳动,应用 计算机技术实现染色体的自动识别与分类是染色体分析领域内重要的研究课题。目前, 染色体自动识别与分类方法以传统的模式识别技术为主,如:贝叶斯分段线性化处理技 术,分级聚类方法,最小距离分类器,极大似然法等。运用模糊逻辑的染色体分类器的 研究也有报道。(L.Vanderheydt,A.Oosterlinck and H.Van den Berghe,An application of fuzzy subset theory to the classification of human chromosome,Proceedings of IEEE Conference on Pattern Recognition and Image Processing,Chicago,II,August 6-8(1979)466- 472(美国))近年来,随着神经计算学的发展,基于人工神经网络设计染色体分类器成为 这一领域内新的研究方向。(B.Lerner,Toward a completely automatic neural network based human chromosome analysis,IEEE Transactions on Systems,Man and Cybernetic,28(1998) 544-552(美国))。当前国内外,染色体自动识别与分类技术存在一下主要缺陷:
(1)错误识别:错误识别是染色体自动识别与分类系统的致命缺陷,它使自动识别与 分类系统的可信度、可采纳性和可应用性受到质疑。
(2)识别率低:染色体分析专家相比,染色体自动识别与分类系统对染色体的识别率 有待进一步提高。
(3)获取染色体数据结构知识的能力弱:染色体自动识别与分类系统常以染色体样本 组作为染色体数据结构的知识源,然而,染色体自动识别与分类系统却难以识别所有的 样本,特别是样本数较大时。
本发明意在设计一种能有效实现染色体模式自动识别与分类的动态神经元模糊计算 模型,作为一种智能计算方法,使其能将模糊逻辑处理不确定性问题的功能与人工神经 网络自适应自组织自学习功能相结合,以人工神经信息处理的方式实现模糊聚类分析运 算,能以自组织的方式获取人体染色体数据结构知识,消除染色体自动识别系统的错误 识别现象,提高其对染色体的识别率。
本发明的自动识别人体染色体模式的动态神经元模糊计算模型,作为一种智能计算 方法,以人工神经信息处理的方式实现模糊聚类分析运算,其动态神经元模糊计算模型 结构与构成参见图1-图4,该自动识别人体染色体模式的动态神经元模糊计算模型具有 人工神经元网络的基本结构特征(见图1),其构成包括三部分:
(1)相似关系计算网络(见图2):计算X(0)与X(k)(k=1,2,…,N)相似关系 1°n个输入节点:接收X(0)=(x1(0),x2(0),…,xn(0))T; 2°N个输出节点:输出计算结果u=(r01,r02,…,r0N)T; 3°输入节点与输出节点联结模式:每一个输入节点联结至所有的输出节点;第i个输入 节点与第j个输出节点的联结强度记为xi(j);n个输入节点与第j个输出节点联结强度 xi(j)(i=1,2,…,n)形成第j个输出节点的中心向量X(j)=(x1(j),x2(j)…,xn(j))T; 其中:
X={X(k)|k=1,2,…,N}:N个染色体样本经计算机数字图象预处理和特征选取后形 成的n维模糊特征向量集合,其中,n维模糊特征向量X(k)=(x1(k),x2(k),…,xn(k))T;
X(0)=(x1(0),x2(0),…,xn(0))T:待识别染色体经过计算机数字图象预处理和特征选取后形 成的n维模糊特征向量,
(2)动态模糊聚类网络(见图3):对染色体进行动态模糊聚类分析运算 1°神经元集合{Nd(k)|k=0,1,2,…,N}:神经元Nd(k)对应染色体模糊特征向量X(k) (k∈{0,1,2,…,N}); 2°N阶动态模糊聚类网络DFCN(N)
S={S(k)|k=1,2,…,C}(S(k)X):X={X(k)|k=1,2,…,N}的理想划分;
αk∈(0,1](k=0,1,2,…,N):Nd(k)的阈值;
A=(α1,α2,…,αN)T:DFCN(N)
A=(α0,α1,α2,…,αN)T:DFCN(N+1)< R, A, O>阈值向量;
R={rij}N×N∈[0,1]N×N:DFCN(N)
R={rij}0≤i,j≤N∈[0,1](N+1)×(N+1):DFCN(N+1)< R, A, O>的联结强度矩阵,当rij (i,j∈{0,1,2,…,N})为X(i)与X(j)的相似关系时, R为 X× X上的模糊相似关系;
oi(t)∈{0,1}(k=0,1,2,…,N):Nd(k)在t时刻的状态;
O(t)=(o1(t),o2(t),…,oN(t))T:DFCN(N)
O(t)=(o0(t),o1(t),o2(t),…,oN(t))T:DFCN(N+1)< R, A, O>在t时刻的状态, (3)布尔逻辑运算电路(见图4): 1°布尔运算(a):实现理想划分S={S(k)|k=1,2,…,C}; 2°布尔运算(b):判定DFCN(N+1)< R, A, O>模糊聚类分析结论的有效性; 3°布尔运算(c):输出识别结果Y=(y0,y1,y2,…,yC)T∈{0,1}(C+1)×1,其中,yk(k=1,2,…,N) 分别代表染色体各类别,特别地,y0代表非染色体类。
本发明的一种自动识别人体染色体模式的动态神经元模糊计算模型,其以自组织的 方式学习染色体数据结构知识的方法过程,参见图1和图5。
作为染色体样本模式的模糊特征向量集合,X={X(k)|k=1,2,…,N}及其理想划分 S={S(c)|c=1,2,…,C}内含染色体数据结构知识。当DFCN(N)<(R,A,O>对染色体样本集合 X={X(k)|k=1,2,…,N}的模糊聚类分析结论与理想划分S={S(c)|c=1,2,…,C}一致时, DFCN(N)
染色体样本集合X=(X(k)|k=1,2,…,N}的理想划分S={S(k)|k=1,2,…,C}由 DFCN(N)
Step1.为理想划分选择可实现的子划分S'={S'(k)|k=l,2,…,C’}(C≤C'≤N),使 其中,0=m0<m1≤m2≤…≤mC,∑i=1Cmi=C',(C≤C'≤N);
Step2.对X={X(k)|k=1,2,…,N}进行适当排序,使子划分S'满足 其中,0=n0<n1≤n2≤…≤nC',∑i=1C'ni=N;
Step3.计算X×X上染色体样本特征向量的模糊相似关系R={rij}N×N 并将其作为DFCN(N)
Step4.调节DFCN(N)
O(ts+1)=O(ts); (6)
Step5.当DFCN(N)
Θ=(θ1,θ2,…,θC)T
实际上,染色体样本集合X={X(k)|k=1,2,…,N}理想划分S={S(k)|k=1,2,…,C}划 分的实现使模糊模糊聚类网络DFCN(N)
DFCN(N)
本发明的一种自动识别人体染色体模式的动态神经元模糊计算模型,用于识别染色 体模式的过程,参见图1-4和图6,其特征在于采用如下步骤完成:
动态神经元模糊计算模型识别染色体模式的过程按如下步骤进行(见图6):
Step1.输入X(0)=(x1(0),x2(0)…,xn(0))T;
Step2.相似关系计算网络计算X(0)与X(k)(k=1,2,…,N)的相似关系
Step3.相似关系计算网络输出计算结果u=(r01,r02,…,r0N)T,并将其递给 DFCN(N+1)< R, A, O>,形成DFCN(N+1)< R, A, O>的联结强度矩阵
Step4.初始化DFCN(N+1)< R, A, O>:令t=0,设置DFCN(N+1)< R, A, O>的初始状态 O(0)=(1,0,0,…,0)T∈{0,1}(N+1)×1;
Step5.DFCN(N+1)< R, A, O>按(11)式所示的动态并行算法运行 其中,DFCN(N+1)< R, A, O>的阈值向量
Step6.若 O(t+1)≠ O(t),则令t=t+1,并转向Step5;
Step7.令ts=t+1,记录稳定状态 O(ts)= O(t+1);
Step8.布尔运算(a)按(13)式开始工作
Step9.布尔运算(b)按(14a-c)式判别DFCN(N+1)< R, A, O>动态模糊聚类分析结论的有 效性
α=θ1∨θ2∨…∨θC (14a)
βij=θi∧θj(1≤i<j≤C) (14b) 其中,α测试θi(i=1,2,…,C)中是否存在取值为1的输出,βij(1≤i<j≤C)测试 θi(i=1,2,…,C)中是否存在两个或两个以上取值为1的输出,σ用于判定 DFCN(N+1)< R, A, O>模糊聚类分析结论的有效性,σ=1表示有效,σ=0表示无效;
Step10.布尔运算(c)按(15a-b)式输出动态神经元模糊计算模型对X(0)的识别结果
y0=o0(ts)∧σ (15a)
yk=θk∧σ(k=1,2,…,C) (15b) Y中只有1个元素取值为1,其余取值为0,若yk=1(k∈{1,2,…,C}),则X(0)描述的染色 体属于第k染色体类,特别的,y0=1意味着X(0)属于非染色体类,或系统不识别X(0), 或拒绝识别X(0)。
作为动态系统,动态神经元模糊计算模型具有良好的稳定性和收敛性,以及良好的 适于染色体识别与分类的动态模糊聚类功能。本发明能以自组织的方式学习并获取染色 体样本数据结构知识,正确识别作为知识源的染色体样本,并能在记忆和保护业已形成 的模型结构和数据的前提下扩展模型,获取新增样本内含的新的染色体数据结构知识; 对染色体模式具有较高的识别率,其识别能力随模型神经元数N的扩展而提高;通过对 阈值向量A的控制,有效地解决了错误识别问题,使误识率为0。误识率为0对染色体自 动识别与分类系统有着特别的意义,它意味着染色体自动识别与分类系统具有高可信度, 因而具有可采纳性和可应用性。
附图说明:
图1:动态神经元模糊计算模型结构
其中:
X(0)=(x1(0),x2(0)…,xn(0))T:n维待识别染色体模糊特征向量
X(k)(k=1,2,…,N):相似计算网络第k个输出节点中心向量
rij(i,j∈{0,1,2,…,N}):X(i)与X(j)的模糊相似关系
Nd(k)(k∈{0,1,2,…,N}):动态模糊聚类网络的神经元
ok(k∈{0,1,2,…,N}):神经元Nd(k)的状态
θk′(k∈{1,2,…,C′}):布尔运算(a)中的与逻辑门及其输出值
θk(k∈{1,2,…,C}):布尔运算(a)中的或逻辑门及其输出值
βij(1≤i<j≤C):布尔运算(b)中的与非逻辑门及其输出值
α:布尔运算(b)中的或逻辑门及其输出值
σ:布尔运算(b)中的与逻辑门及其输出值
ζk(k∈{0,1,2,…,C}):布尔运算(c)中的与逻辑门及其输出值
yk(≡ζk)(k∈{0,1,2,…,C}):动态神经元模糊计算模型输出 图2:相似关系计算网络 图3:动态模糊聚类网络 其中:
DFCN(N)
R,A,O分别为DFCN(N)
量和状态
DFCN(N+1)< R, A, O>:{Nd(k)|k=0,1,2,…,N}构成的(N+1)阶动态模糊聚类网
络,即DFCN(N)
为DFCN(N+1)< R, A, O>的联结强度矩阵、阈值向量和状态 图4:布尔逻辑运算电路 其中:
(a):布尔逻辑运算(a)
(b):布尔逻辑运算(b)
(c):布尔逻辑运算(c) 图5:理想划分的实现 图6:动态神经元模糊计算模型自动识别染色体流程图 其中:
R:DFCN(N+1)< R, A, O>联结强度矩阵
t(=0,1,…,ts):DFCN(N+1)< R, A, O>动态运算时刻,ts为DFCN(N+1)< R, A, O>达
到稳定状态的时刻
O(t)=(o0(t),o1(t),o2(t),…,oN(t))T:DFCN(N+1)< R, A, O>在t时刻的状态
Θ=(θ1,θ2,…,θC)T:布尔逻辑运算(a)输出向量
Y=(y0,y1,y2,…,yC)T:动态神经元模糊计算模型输出向量 图7:人体染色体计算机自动识别系统示意图 其中:
(d):显微镜
(e):数字摄像头
(f):视频接口
(g):图形卡
(h):计算机主机
(i):驻留在计算机内的人体染色体动数字图象预处理及特征选取程序
(j):以计算机算法程序的形式驻留在计算机内的自动识别人体染色体的动态神
经元模糊计算模型
(k):显示器
(l):打印机
(m):图形扫描仪 图8:人体染色体G带图象预处理
其中:
(n):染色体G带图象
(o):边缘
(p):中轴线
(q):着丝点Cntr,短臂Sht和长臂Lng
表1(a):动态神经元模糊计算模型(N=24)识别样本组
表1(b):动态神经元模糊计算模型(N=24)识别测试组
表2(a):动态神经元模糊计算模型(N=96)识别样本组
表2(b):动态神经元模糊计算模型(N=96)识别测试组
表3(a):动态神经元模糊计算模型(N=240)识别样本组
表3(b):动态神经元模糊计算模型(N=240)识别测试组 实施例:
基于动态神经元模糊计算模型,发明人设计了一个人体染色体计算识别与分类系统, 其构成见图7
以下从实际人体染色体计算机识别系统中动态神经元模糊计算模型的组建过程、识 别人体染色体的算法实施过程、试验数据及其分析三个方面阐述实施例。 1.动态神经元模糊计算模型的组建过程
令C=24,则动态神经元模糊计算模型输出向量为Y=(y0,y1,y2,…,y24)T,其中, y1-22分别代表22类常染色体,y23-24分别代表2类性染色体,特别地,y0代表非染色体 类。每一人体类染色体类选择4个人体染色体样本,则24个人体染色体类共有96个人 体染色体样本;人体染色体样本经计算机数字图象预处理和特征选取后形成12维模糊特 征向量的集合X={X(k)|k=1,2,…,96};X的理想划分为S={S(k)|k=1,2,…,24},理想子 划分为S′={S′(k)|k=1,2,…,48},其中
S′(i)={X(2i-1),X(2i)}i=1,2,…,48 (16a)
S(j)={S′(2j-1),S′(2j)}j=1,2,…,24 (16b) 于是,自动识别染色体的动态神经元模糊计算模型可如下进行组建:
(1)相似关系计算网络(见图2): 1°12个输入节点:接收并传递模糊特征向量X(0)=(x1(0),x2(0),…,x12(0))T,其中:
x1-10(0):范化后的待识别人体染色体沿中轴线的灰度分布特征值;
x11(0):范化后的待识别人体染色体长度特征值;
x12(0):范化后的待识别人体染色体着丝点指标特征值; 2°96个输出节点:第k个输出节点的中心向量取为X(k)(k=1,2,…,96)。
(2)DFCN(N)
(3)DFCN(N+1)< R, A, O>(见图3):在神经元集合{Nd(k)|k=1,2,…,96}中加入代表待识别人 体染色体的神经元Nd(0)后形成的97阶动态模糊聚类网络,其中,阈值向量 A=(α0,α1,α2,…,α96)T按(12a-b)式计算。
(4)布尔运算(a)(见图4(a)): 1°48个与逻辑门:实现理想子划分S′=S′(k)|k=1,2,…,48}; 2°24个或逻辑门:实现理想划分S={S(k)|k=1,2,…,24}。
(5)布尔运算(b)(见图4(b)): 1°1个或逻辑门α:测试θi(i=1,2,…,24)中是否存在取值为1的输出; 2°276个与非逻辑门βij(1≤i<j≤24):测试θi=(i=1,2,…,24)中是否存在两个或两个以 上取值为1的输出; 3°1个与门σ:判定DFCN(N+1)< R, A, O>模糊聚类分析结论的有效性,σ=1表示有效, σ=0表示无效。
(6)布尔运算(c)(见图4(c)):25个与逻辑门ζk(k=1,2,…,24):输出识别结果。
2.人体染色体自动识别算法实施过程(见图6-7)
为阐明实施例,人体染色体数字图象获取、预处理及特征选取等公知内容也简述于 人体染色体自动识别与分类实施过程,以便较为完整地描述基于动态神经元模糊计算模 型的人体染色体自动识别计算机系统的工作流程。
(1)人体染色体数字图象的获取(见图7):通过摄像头拍摄显微镜下待识别人体染色体的 G带图象,然后,经视频接口将拍摄的数字图象传送至计算机,并经图形卡进行必要的处 理。
(2)人体染色体数字图象预处理(见图8): 1°边缘:基于人体染色体G带图象(见图8(a))提取人体染色体边缘(见图8(b)); 2°中轴线:基于人体染色体边缘提取人体染色体中轴线(见图8(c)); 3°着丝点:基于人体染色体边缘及其中轴线搜索人体染色体着丝点位置(见图8(d)),并 计算染色体的长臂长和短臂长。
(3)人体染色特征选取: 1°灰度分布:基于人体染色体G带图象计算人体染色体沿其中轴线的灰度分布值,并 用主元分析法(PCA)选出范化后的10个主元值d=(d1,d2,…,d10)T; 2°长度:Lgh=Nc/Ncmax,其中,Nc为中轴线点数,Ncmax为Nc可能的最大值; 3°着丝点指标:Ci=Sht/Lgh,其中,Sht为人体染色体短臂长度。
(4)人体染色体12维模糊特征向量:
X(0)=(x1(0),x2(0)…,x12(0))T
=(d1,d2,…,d10,Lng,Ci)T (17)
(5)相似关系计算X(0)→u:相似关系计算网络按(9)式计算u=(r01,r02,…,r0,96)T。
(6)将u=(r01,r02,…,r0,96)T传送至DFCN(N+1)< R, A, O>,并按(10)式形成 R。
(7)为DFCN(N+1)< R, A, O>设置初始状态 O(0)=(1,0,0,…,0)T∈{0,1}97×1,并按(11)式,从时 刻t=0运行至稳态时刻t=ts≤96,达到稳定状态
O(ts)=(1,0,…0,1,1,1,1,0,0,0,0)T∈{0,1}97×1 (18)
(8)布尔运算(a):按(13a-b)式对DFCN(N+1)< R, A, O>稳定状态 O(ts)进行运算,产生满足 (8a-b)式的逻辑运算结果:
Θ′=(0,…,0,1,1,0,0)T (19a)
Θ=(0,…,0,1,0)T (19b)
(9)布尔运算(b):按(14a-b)式判别DFCN(N+1)< R, A, O>动态模糊聚类分析结论的有效性, 产生逻辑运算结果:α=1,βij=1(1≤i<j≤C)和σ=1
(10)动态神经元模糊计算模型按(15a-b)式输出对X(0)的识别和分类结果
Y=(0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0)T∈{0,1}25×1 (20) 即图8(a)所示的人体染色体属第23类。
3.动态神经元模糊计算模型自动识别人体染色体的效果
动态神经元模糊计算模型自动识别人体染色体的效果因DFCN(N)
表1(a-b):N=24,每一个染色体类选取1个样本;
表2(a-b):N=96,每一个染色体类选取4个样本;
表3(a-b):N=240,每一个染色体类选取10个样本。
为测试动态神经元模糊计算模型,将人体染色体分为:
(1)样本组X={X(k)|k=1,2,…,N}:N分别为24,96,240
(2)测试组P={P(k)|k=1,2,…,M}:M=720,每一染色体类取30个染色体 分别定义识别率RID、误识率RER和拒识率RUN: 其中,Total为测试数据总数,ID为正确识别的染色体数,ER为错误识别染色体数,UN 为未能被识别(即使y0=1)的染色体数。
由表1(a-b)-表3(a-b)可产生如下结论:
(1)动态神经元模糊计算模型能正确识别作为知识源的人体染色体样本;
(2)动态神经元模糊计算模型通过控制其阈值向量A可使其误识率为零;
(3)动态神经元模糊计算模型的神经元数目N越大,其识别率越高。
上述试验结果与发明人对动态神经元模糊计算模型所做的理论分析结论一致。误识 率为零表明,自动识别人体染色体的动态神经元模糊计算模型具有可纳性和可应用性。
RID=100%RER=0%RUN=0% 真实 类别 动态神经元模糊计算模型(N=24)样本组识别结果(k) 错误 识别 总数 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 X Y 1 0 1 0 1 2 0 1 0 1 3 0 1 0 1 4 0 1 0 1 5 0 1 0 1 6 0 1 0 1 7 0 1 0 1 8 0 1 0 1 9 0 1 0 1 10 0 1 0 1 11 0 1 0 1 12 0 1 0 1 13 0 1 0 1 14 0 1 0 1 15 0 1 0 1 16 0 1 0 1 17 0 1 0 1 18 0 1 0 1 19 0 1 0 1 20 0 1 0 1 21 0 1 0 1 22 0 1 0 1 X 0 1 0 1 Y 0 1 0 1 总数 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 24 表1(a)
RID=78%RER=0%RUN=22% 真实 类别 动态神经元模糊计算模型(N=24)测试组识别结果(k) 错误 识别 总数 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 X Y 1 5 25 0 30 2 9 21 0 30 3 5 25 0 30 4 7 23 0 30 5 4 26 0 30 6 8 22 0 30 7 11 19 0 30 8 6 24 0 30 9 5 25 0 30 10 5 25 0 30 11 4 26 0 30 12 10 20 0 30 13 5 25 0 30 14 4 26 0 30 15 7 23 0 30 16 9 21 0 30 17 5 25 0 30 18 7 23 0 30 19 5 25 0 30 20 4 26 0 30 21 8 22 0 30 22 9 21 0 30 X 5 25 0 30 Y 13 17 0 30 总数 159 25 21 25 23 26 22 19 24 25 25 26 20 25 26 23 21 25 23 25 26 22 21 25 17 0 720 表1(b)
RID=100%RER=0%RUN=0% 真实 类别 动态神经元模糊计算模型(N=96)样本组识别结果(k) 错误 识别 总数 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 X Y 1 0 4 0 4 2 0 4 0 4 3 0 4 0 4 4 0 4 0 4 5 0 4 0 4 6 0 4 0 4 7 0 4 0 4 8 0 4 0 4 9 0 4 0 4 10 0 4 0 4 11 0 4 0 4 12 0 4 0 4 13 0 4 0 4 14 0 4 0 4 15 0 4 0 4 16 0 4 0 4 17 0 4 0 4 18 0 4 0 4 19 0 4 0 4 20 0 4 0 4 21 0 4 0 4 22 0 4 0 4 X 0 4 0 4 Y 0 4 0 4 总数 0 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 0 96 表2(a)
RID=87.4%RER=0%RUN=12.6% 真实 类别 动态神经元模糊计算模型(N=96)测试组识别结果(k) 错误 识别 总数 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 X Y 1 1 29 0 30 2 4 26 0 30 3 2 28 0 30 4 5 25 0 30 5 2 28 0 30 6 4 26 0 30 7 5 25 0 30 8 4 26 0 30 9 4 26 0 30 10 2 28 0 30 11 3 27 0 30 12 5 25 0 30 13 4 24 0 30 14 4 26 0 30 15 5 25 0 30 16 4 26 0 30 17 4 26 0 30 18 5 25 0 30 19 3 27 0 30 20 2 28 0 30 21 4 26 0 30 22 5 25 0 30 X 4 26 0 30 Y 6 24 0 30 总数 91 29 26 28 25 28 26 25 26 26 28 27 25 26 26 25 26 26 25 27 28 26 25 26 24 0 720 表2(b)
RID=100%RER=0%RUN=0% 真实 类别 动态神经元模糊计算模型(N=240)样本组识别结果(k) 错误 识别 总数 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 X Y 1 0 10 0 10 2 0 10 0 10 3 0 10 0 10 4 0 10 0 10 5 0 10 0 10 6 0 10 0 10 7 0 10 0 10 8 0 10 0 10 9 0 10 0 10 10 0 10 0 10 11 0 10 0 10 12 0 10 0 10 13 0 10 0 10 14 0 10 0 10 15 0 10 0 10 16 0 10 0 10 17 0 10 0 10 18 0 10 0 10 19 0 10 0 10 20 0 10 0 10 21 0 10 0 10 22 0 10 0 10 X 0 10 0 10 Y 0 10 0 10 总数 0 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 0 240 表3(a)
RID=91.5%RER=0%RUN=8.5% 真实 类别 动态神经元模糊计算模型(N=240)测试组识别结果(k) 错误 识别 总数 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 X Y 1 0 30 0 30 2 3 27 0 30 3 1 29 0 30 4 3 27 0 30 5 2 28 0 30 6 3 27 0 30 7 4 26 0 30 8 3 27 0 30 9 3 27 0 30 10 1 29 0 30 11 2 28 0 30 12 4 26 0 30 13 2 28 0 30 14 3 27 0 30 15 3 27 0 30 16 4 26 0 30 17 2 28 0 30 18 3 27 0 30 19 3 27 0 30 20 0 30 0 30 21 3 27 0 30 22 3 27 0 30 X 2 28 0 30 Y 4 26 0 30 总数 61 30 27 29 27 28 27 26 27 27 29 28 26 28 27 27 26 28 27 27 30 27 27 28 26 0 720 表3(b)
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种图像识别的英语作文跑题判断方法 | 2020-05-08 | 38 |
一种基于大规模Embedding技术的Wi-Fi聚类方法及系统 | 2020-05-11 | 759 |
任务调度控制方法、任务调度器及任务处理装置 | 2020-05-12 | 413 |
神经元信息发送方法和系统 | 2020-05-14 | 424 |
基于改进型卷积神经网络的电缆早期故障定位方法 | 2020-05-14 | 6 |
一种东阿阿胶、福胶、鹿角胶定量研究的方法 | 2020-05-12 | 608 |
一种基于深度强化学习的知识图谱自动生成方法 | 2020-05-14 | 198 |
用于执行LSTM运算的装置和方法 | 2020-05-15 | 679 |
一种多层感知机深度神经网络层间流水的硬件加速器 | 2020-05-15 | 888 |
超低功率神经元形态人工智能计算加速器 | 2020-05-13 | 408 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。