[發(fā)明專利]一種植物圖片的自動分類方法

有效

• 申請?zhí)枺?/td>: 201310001894.1
• 申請日: 2013-01-05
• 公開（公告）號: CN103093247A
• 公開（公告）日: 2013-05-08
• 發(fā)明（設計）人: 劉惠山;路孝君;陳懷友
• 申請（專利權）人: 山東華戎信息產業(yè)有限公司
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06N3/08
• 代理公司: 濟南舜源專利事務所有限公司 37205
• 代理人: 商金婷

1.一種植物圖片的自動分類方法，其特征在于，包括如下步驟：

(1)構建模糊神經網絡FNN；

(2)用一組植物圖片的特征信息作為訓練數據集，通過NTVE-PSO方法訓練FNN，從而得到最優(yōu)模糊神經網絡；

(3)綜合使用一組植物圖片的特征信息作為測試數據集，測試數據集作為最優(yōu)模糊神經網絡的輸入，通過最優(yōu)模糊神經網絡進行分類，最終輸出植物類別信息。

2.根據權利要求1所述的植物圖片的自動分類方法，其特征在于，所述模糊神經網絡FNN包括輸入層、基于語義約束的模糊層、模糊規(guī)則層、標準層和輸出分類層，所述輸入層為第一層，包含m個節(jié)點，接收植物圖片的各種特征作為輸入數據，同時向基于語義約束的模糊層輸出數據；

所述基于語義約束的模糊層為第二層，該層的模糊輸入被送到存儲在成員函數矩陣與語義約束矩陣的信息基上，通過成員函數矩陣MFA存儲每個非線性成員函數MF的所有片段，語義約束矩陣LHA用于當前MF的每個片段的迭代，對于每個輸入的MF，都有一個相關的成員函數矩陣MFA和一個相關的語義約束矩陣LHA，對每個輸入z_i，MFA_if決定MF分段，在LHA_if矩陣相關量的幫助下，通過MF(·)來模糊z_i；

所述模糊規(guī)則層為第三層，該層實現了TS類型的模糊規(guī)則基礎，每個模糊規(guī)則都有一個常量輸出；

所述標準層為第四層，該層計算每條規(guī)則的標準化輸出強度；

所述輸出分類層為第五層，該層為分類器的最后一層，該層由一個節(jié)點組成，其輸入輸出通過加權優(yōu)化進行控制，根據上層的輸入值選擇適當的類p作為輸出。

3.根據權利要求1所述的植物圖片的自動分類方法，其特征在于，所述步驟(2)包括如下步驟：

(2.1)首先選取m組不同的植物圖片，獲取每個植物圖片特征信息；

(2．2)將植物圖片特征信息進行歸一化處理，從這些植物特征中提取特征向量，特征向量定義為f₁，f₂，…，f_m，作為訓練數據集；

(2.3)將這m個特征向量分別輸入到m個模糊神經網絡FNN中，來自每個模糊神經網絡FNN的平滑參數σ₁，σ₂,...,σ_m作為PSO中的粒子進行訓練，在訓練方法中，將來自每個模糊神經網絡FNN的平滑參數σ₁，σ₂,...,σ_m進行調整，直至獲得最優(yōu)的平滑參數。

4.根據權利要求1所述的植物圖片的自動分類方法，其特征在于，所述步驟(2.3)包括如下步驟：

(2.3.1)指明粒子的位置、速度的極大極小值，設置最大迭代次數；

(2.3.2)隨機初始化粒子群的位置和速度；

(2.3.3)通過適應度函數來計算群中每個粒子的適應度；

(2.3.4)通過比較適應度來確定每個粒子的局部最優(yōu)值，如果存在某個粒子的當前局部最優(yōu)值優(yōu)于全局最優(yōu)值，則用該粒子的最優(yōu)值更新粒子群的全局最優(yōu)值；

(2.3.5)用最新的惰性及加速度系數計算每個粒子的速度V_i，局部最優(yōu)粒子以及全局最優(yōu)粒子；

(2.3.6)修改每個粒子的位置P_i；

(2.3.7)重復步驟2.3.3-2.3.6，直到完成設置的最大迭代次數，然后確定模糊神經網絡FNN的最優(yōu)結構，否則返回步驟(2.3.3)。

5.根據權利要求1所述的植物圖片的自動分類方法，其特征在于，所述步驟（3）包括如下步驟：

（3.1）首先選取m組不同的植物圖片，獲取每個植物圖片特征信息；

(3．2)將植物圖片特征信息進行歸一化處理，從這些植物特征中提取特征向量，特征向量定義為f’₁，f’₂，…，f’_m，作為測試數據集；

（3.3）將特征向量f’₁，f’₂，…，f’_m重新輸入最優(yōu)模糊神經網絡，優(yōu)化后的最優(yōu)模糊神經網絡輸出一組概率值P₁，P₂，…，P_m；

（3.4）將輸出的概率值P₁，P₂，…，P_m進行平均，獲取其平均值P_avg，根據平均值P_avg決定植物樣本的類別。