用于水质检测的智能分光光度人工神经元网络训练方法

专利名称：用于水质检测的智能分光光度人工神经元网络训练方法
技术领域：
本发明属于水质检测智能分光光度人工神经元网络训练方法领域，尤其是一种能够自动生成训练数据、自动训练人工神经元网络的用于水质检测的人工神经元网络训练方法。
背景技术：
人工神经元网络训练方法用于色彩识别，虽然在国外研究中有报到，但是其训练 结果不够准确，数据采样方式缺乏精细刻画色彩变量的能力，训练效果不佳，而且收敛慢、 结果误差大，不能很好地用于分光光度法的自动比色。

发明内容
本发明的目的是提供一种能够自动生成训练数据、自动训练人工神经元网络的用 于水质检测的人工神经元网络训练方法。本发明的技术方案是用于水质检测的智能分光光度人工神经元网络训练方法， 其特征是包括下列步骤读取数字图像R、G、B三基色的直方图数据，将直方图数据映射到 二维平面，即以直方图的第一维变量作为横轴，单位为图像基色的量化单位值，将直方图的 第二维变量做为纵轴，单位为经过正规化后的直方图最高数值，映射结果为平面I3R(X，y)、 平面PG(x，y)和平面PB(x，y)，对所述每个平面ra(x，y)、平面PG(x，y)和平面PB(x，y)分别提取7维特征向量， 即 f = (Ve1, Ve2, Ve3, · · · Ve7)、Vg = (Vg1, Vg2, Vg3, · · · Vg7)、Vb = (Vb1, Vb2, Vb3, · · · Vb7)，Ve 特征 向量对应平面I3R (X，y)，Vg特征向量对应平面PG (X，y)，Vb特征向量对应平面PB (X，y)，每 个7维特征向量的定义如下，式中N = 7 <formula>formula see original document page 4</formula><formula>formula see original document page 4</formula><formula>formula see original document page 4</formula><formula>formula see original document page 4</formula>
<formula>formula see original document page 5</formula>…(5)
<formula>formula see original document page 5</formula>…(6)
<formula>formula see original document page 5</formula>(7)其他G和B的两个基色平面PG(x，y)和平面PB(x，y)上的特征向量VG、VB用同样 方法定义；上述式中M为训练人工神经元网络的种子特征向量总数目，M的取值范围由化 学试剂比色法中的样本数目所决定(M为样本数目)，总数目为M个的种子特征向量表示 为 = (vV vV VBi)，Vegb2 = (Ve2, Vg2, Vb2)，…Vegbm = (Vem, Vgm, Vbm)；记为{V, I i = 1， 2，. . . M)，M个特征向量一一对应被检测水样中某种物质含量的浓度，并且按照浓度的增加 排序，即第1个种子特征向量表示某种物质含量最低，第2个特征向量VK(:b2表示某种 物质含量次低，依次类推，第M个表示某种物质含量最高，把M个特征向量表述为在平 面ra(x，y)、平面PG(x，y)和平面(x, y)上映射出的N_维空间中的M个点；根据M个种子特征向量{V^Mi = 1,2, ...M}对人工神经元网络进行训练，包括 下列步骤(1)从M个的种子特征向量中依次提取每两个特征向量，形成邻居“向量对”，这个 向量对记为(yRGB'\ VKGB,J)，这里 i = 1，2， M-1 ；j = i+1 ；(2)选取基色空间R，在此基色空间中，邻居“向量对” (V^'S VEGB'J)变为(VK’i，VE' J)；(3)将(沪“，VM)依次向N-维空间投影，在每个投影空间上获得投影值，计算在每 个投影空间上的中点值，以此中点值为基础定义上、下限值，上限值VK’\MX定义为中点值 增加10%的增量后的数值，下限值VK’\MIN定义为中点值减少10%的增量后的数值；从而在第1维空间上有■，，；在第2维空间上有VK’ij2,MID，VK’ iJ2,翻，VE' iJ2, MX ；依次类推，整个 N-维空间上有{VK’ iJk, MID, VE' iJk,翻，VE' iJk,體 I k = 1，2， ， M}；于是在N-维空间上形成针对每个邻居“向量对”的一族数据组这里G、= {VE' iJk,
MID，V Jk, MIN' V MX I ^ 一 1，2， ，Mj";(4)完成对所有的i，j邻居“向量对”(vS VK(;B力的中点值和上、下限值的计算， i = 1,2,...M-1 ； j = i+1 ；在此基础上从而得到在PR (x，y)平面上的人工神经元网络的训 练数据组 Gesum = {G^. i = 1,2, ...M-1 ； j = i+1}；(5)选取基色空间G和B，完成相同步骤(3)、(4)，从而得到在PG(x，y)、PB(x，y) 平面上的人工神经元网络的训练数据组。
= {G^j i = 1,2,...M-1 ；j = i+1}和Gbsum = {G^-li = 1,2,...M-1 ；j = i+1}，至此数据生成完成，由此完成对人工神经元网络的训练。本发明的效果是本发明为一种对人工神经元网络在智能分光光度应用中的训练 数据生成技术。本技术根据从数字图像处理中提取的N维特征向量，生成对人工神经元网 络的训练矩阵数据组，经此训练的人工神经网络可以实现模式识别功能，完成对水样的自动比色检测，在分光光度下辨认出水样中的相关污染物。该训练数据生成技术和人工神经 元网络适用于便携式广谱分光光度液体微量元素检测无线传感仪，便于在嵌入式系统上实 现，具有自动生成训练数据，自动训练人工神经元网络，快速校正便携式检测仪的特点，适 于广谱水质检测应用。下面结合附图和实施例对本发明做进一步的说明。


图1是本发明的程序图；图2是本发明的原理图。
具体实施例方式本技术有三大部分组成一、从低维空间，经复合映射方 法，定义N维特征向量。首 先由直方图向二维几何空间转换，并在此基础上达到特征向量的N维空间实现。二、计算任 意两个特征向量向k-th空间投影后的中点值，并在此中点值的基础上设置k-th空间的边 界上限值和下限值，以k-th空间中点值为参考的上限值和下限值之间形成k维特征数据 区，作为在k-th空间上的培训数据点集合。三、将k-th空间上的取数据方法推广至N维空 间中，形成一组包含RGB三基色平面的、对人工神经元网络的训练矩阵数据组，从而完成自 动生成训练数据工作。本发明的算法描述如图一所示。图一中A为算法的第一步，即获取数字图像R、G、 B三基色的直方图，三基色的直方图如图二所示。图一中算法B为判断是否每个直方图已 经处理完毕，假若已经处理完毕，则完成了训练数据的生成工作，进入C，结束数据生成的运 算；否则进入D，将直方图映射到2-维平面，映射结果为PR(X，y)，PG(X，y)和PB (x, y) ’为 三个2-维平面。将直方图数据映射到二维平面的方法是以直方图的第一维变量作为横轴，单位 为图像基色的量化单位值(quantization level)。如基色为8比特，则第一维变量横轴有 256个值，即2的8次方。将直方图的第二维变量做为纵轴，单位为经过正规化后的直方图 最高数值。如图像解析度是NxN，则直方图最高数值为N2，将其除以N使其正规化，则正规 化后的直方图最高数值为N。这样形成的二维平面含有正规化后的直方图，成为在二维平面 映射后的结果。在此2-维空间的基础上，对每个平面I3R(X，y)、PG (x, y)和PB (x，y)分别提取N 维特征向量(N = 7)，如图中E所示，即有Vk = (VeijVe2jVe3ji--Ve7)特征向量对应ra(x，y) 平面，Vg = (Vg1, Vg2, Vg3, . . . Vg7)特征向量对应 PG(x，y)平面，Vb = (Vb1, Vb2, Vb3, . . . Vb7)特 征向量对应PB(x，y)平面。每个N-维特征向量的定义如下
N-I M-IVlil = Σ Σ PR (χ, y) ； ... (1)
χ=0 y=0
<formula>formula see original document page 7</formula> ； ... (2)<formula>formula see original document page 7</formula> ； (3)<formula>formula see original document page 7</formula>；…(4)<formula>formula see original document page 7</formula>…(5)<formula>formula see original document page 7</formula>…(6)<formula>formula see original document page 7</formula>... (7)其他G和B的两个基色平面PG(x，y)和PB(x，y)上的特征向量VG、VB用同样方法定义。训练人工神经元网络的种子特征向量总数目为M个，表示为V-i =， Vegb2 = (Ve2, Vg2, Vb2) , . . . Vegbm = (Vem, Vgm, Vbm)；记为{VJi = 1，2，...M}，这 M 个特征向 量一一对应被检测水样中某种物质含量的浓度，并且按照浓度的增加排序，也即，第1个种 子特征向量表示某种物质含量最低，第2个特征向量VK(:b2表示某种物质含量次低，依 次类推，于是第M个VK(;bm表示某种物质含量最高。可以把M个特征向量表述为在每个平面 PR(x, y),PG(x,y)和PB(x，y)上映射出的N_维空间中的M个点。根据M个种子特征向量{V^Mi = 1，2，... M}，我们建立人工神经元网络数据生成 方法，用于对人工神经元网络的训练。步骤一，从总数目为M个的种子特征向量中依次提取每两个特征向量，形成邻居 “向量对”，即图一中F所示，这个向量对记为(V■’ SV■’巧，这里i = 1,2,...M-l ；j = i+1 ；步骤二，选取基色空间R，在此基色空间中，邻居“向量对”(VS VEGB'J)变为(VK' ””；步骤三，在此基础上，将(VK’i，VK’j)依次向N-维空间投影，在每个投影空间上获得 投影值，如图一中G所示；并计算在每个投影空间上的中点值。由此中点值为基础定义上、 下限值，如图一中H所示。上限值VK’\MX定义为中点值增加10%的增量后，接近沪人的数 值，下限值VK’ iJk,MIN定义为中点值减少10%的增量后，接近VK’ \的数值。从而在第1维空间上有VR.ij1MID, VR.ijkMIN,VR.ijk,max在第2维空间上有Vr.ijzMTD,Vr,ijz,min,Vr.ijz,MAX；依次类推，整个 N-维空间上有{VR.ijk,MID,VR.ijk,MIN,VR,ijk,max k=1,2,...,M}；于是在N-维空间上形成针对每个邻居“向量对”的一族数据组这里Grij={vr.ijk,MID，VMIN' VMAX I ^ 一 1，2，· · ·，Mj"。步骤四，完成对所有的i，j邻居“向量对”(νΚ(;ΒΛ Vegb'J)的中点值和上、下限值的 计算，i = 1,2, . . . M-I ； j = i+1 ；在此基础上从而得到在ra(x，y)平面上的人工神经元网 络的训练数据 组Gksum= (GeijI i = 1,2,...M-I ；j = i+1}，如图一中I所示。步骤五，选取基色空间6和队完成相同步骤三，四；从而得到在？6 0^，7)、？8 0^，又) 平面上的人工神经元网络的训练数据组GeSUM = (Gcij I i = 1，2，. . . M-I ； j = i+1}和Gbsum = (GeijIi = 1,2, . . . M-I ；j = i+1}，如图一中J所示，至此数据生成完成，由此完成对人工神 经元网络的训练。
权利要求
用于水质检测的智能分光光度人工神经元网络训练方法，其特征是包括下列步骤读取数字图像R、G、B三基色的直方图数据，将直方图数据映射到二维平面，即以直方图的第一维变量作为横轴，单位为图像基色的量化单位值，将直方图的第二维变量做为纵轴，单位为经过正规化后的直方图最高数值，映射结果为平面PR(x，y)、平面PG(x，y)和平面PB(x，y)，对所述每个平面PR(x，y)、平面PG(x，y)和平面PB(x，y)分别提取7维特征向量，即VR＝(VR1，VR2，VR3，...VR7)、VG＝(VG1，VG2，VG3，...VG7)、VB＝(VB1，VB2，VB3，...VB7)，VR特征向量对应平面PR(x，y)，VG特征向量对应平面PG(x，y)，VB特征向量对应平面PB(x，y)，每个7维特征向量的定义如下，式中N＝7 <mrow><msub> <msup><mi>V</mi><mi>R</mi> </msup> <mn>1</mn></msub><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>x</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>y</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>M</mi><mo>-</mo><mn>1</mn> </mrow></munderover><mi>PR</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mo>;</mo> </mrow> <mrow><msub> <msup><mi>V</mi><mi>R</mi> </msup> <mn>2</mn></msub><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>x</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>y</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>M</mi><mo>-</mo><mn>1</mn> </mrow></munderover><mi>xPR</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mo>/</mo><msub> <mi>V</mi> <mn>1</mn></msub><mo>;</mo> </mrow> <mrow><msub> <msup><mi>V</mi><mi>R</mi> </msup> <mn>3</mn></msub><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>x</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>y</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>M</mi><mo>-</mo><mn>1</mn> </mrow></munderover><mi>yPR</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mo>/</mo><msub> <mi>V</mi> <mn>1</mn></msub><mo>;</mo> </mrow> <mrow><msub> <msup><mi>V</mi><mi>R</mi> </msup> <mn>4</mn></msub><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>x</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>y</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>M</mi><mo>-</mo><mn>1</mn> </mrow></munderover><mn>2</mn><mi>xyPR</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mo>/</mo><msub> <mi>V</mi> <mn>1</mn></msub><mo>;</mo> </mrow> <mrow><msub> <msup><mi>V</mi><mi>R</mi> </msup> <mn>5</mn></msub><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>x</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>y</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>M</mi><mo>-</mo><mn>1</mn> </mrow></munderover><msup> <mi>x</mi> <mn>2</mn></msup><mi>PR</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mo>/</mo><msub> <mi>V</mi> <mn>1</mn></msub><mo>;</mo> </mrow> <mrow><msub> <msup><mi>V</mi><mi>R</mi> </msup> <mn>6</mn></msub><mo>=</mo><munderover> <mi>&Sigma;</mi> <mrow><mi>x</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>N</mi><mo>-</mo><mn>1</mn> </mrow></munderover><munderover> <mi>&Sigma;</mi> <mrow><mi>y</mi><mo>=</mo><mn>0</mn> </mrow> <mrow><mi>M</mi><mo>-</mo><mn>1</mn> </mrow></munderover><msup> <mi>y</mi> <mn>2</mn></msup><mi>PR</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow><mo>/</mo><msub> <mi>V</mi> <mn>1</mn></msub><mo>;</mo> </mrow>VR7＝V4/(V5-V6)；其他G和B的两个基色平面PG(x，y)和平面PB(x，y)上的特征向量VG、VB用同样方法定义；上述式中M为训练人工神经元网络的种子特征向量总数目，M的取值范围由化学试剂比色法中的样本数目所决定，即M为样本数目；总数目为M个的种子特征向量表示为VRGB1＝(VR1，VG1，VB1)，VRGB2＝(VR2，VG2，VB2)，...VRGBM＝(VRM，VGM，VBM)；记为{VRGBi|i＝1，2，...M}，M个特征向量一一对应被检测水样中某种物质含量的浓度，并且按照浓度的增加排序，即第1个种子特征向量VRGB1表示某种物质含量最低，第2个特征向量VRGB2表示某种物质含量次低，依次类推，第M个VRGBM表示某种物质含量最高，把M个特征向量表述为在平面PR(x，y)、平面PG(x，y)和平面(x，y)上映射出的N-维空间中的M个点；根据M个种子特征向量{VRGBi|i＝1，2，...M}对人工神经元网络进行训练，包括下列步骤(1)从M个的种子特征向量中依次提取每两个特征向量，形成邻居“向量对”，这个向量对记为(VRGB，i，VRGB，j)，这里i＝1，2，...M-1；j＝i+1；(2)选取基色空间R，在此基色空间中，邻居“向量对”(VRGB，i，VRGB，j)变为(VR，i，VR，j)；(3)将(VR，i，VR，j)依次向N-维空间投影，在每个投影空间上获得投影值，计算在每个投影空间上的中点值，以此中点值为基础定义上、下限值，上限值VR，ijk，MAX定义为中点值增加10％的增量后的数值，下限值VR，ijk，MIN定义为中点值减少10％的增量后的数值；从而在第1维空间上有VR，ij1，MID，VR，ij1，MIN，VR，ij1，MAX；在第2维空间上有VR，ij2，MID，VR，ij2，MIN，VR，ij2，MAX；依次类推，整个N-维空间上有{VR，ijk，MID，VR，ijk，MIN，VR，ijk，MAX|k＝1，2，...，M}；于是在N-维空间上形成针对每个邻居“向量对”的一族数据组GRij，这里GRij＝{VR，ijk，MID，VR，ijk，MIN，VR，ijk，MAX|k＝1，2，...，M}；(4)完成对所有的i，j邻居“向量对”(VRGB，i，VRGB，j)的中点值和上、下限值的计算，i＝1，2，...M-1；j＝i+1；在此基础上从而得到在PR(x，y)平面上的人工神经元网络的训练数据组GRSUM＝{GRij|i＝1，2，...M-1；j＝i+1}；(5)选取基色空间G和B，完成相同步骤(3)、(4)，从而得到在PG(x，y)、PB(x，y)平面上的人工神经元网络的训练数据组GGSUM＝{GGij|i＝1，2，...M-1；j＝i+1}和GBSUM＝{GBij|i＝1，2，...M-1；j＝i+1}，至此数据生成完成，由此完成对人工神经元网络的训练。
全文摘要
一种能够自动生成训练数据、自动训练人工神经元网络的用于水质检测的人工神经元网络训练方法。技术方案是其特征是包括下列步骤读取数字图像R、G、B三基色的直方图数据，将直方图数据映射到二维平面，映射结果为平面PR(x，y)、平面PG(x，y)和平面PB(x，y)，对所述每个平面PR(x，y)、平面PG(x，y)和平面PB(x，y)分别提取7维特征向量，总数目为M个的种子特征向量一一对应被检测水样中某种物质含量的浓度，根据M个种子特征向量{VRGBi|i＝1，2，...M}对人工神经元网络进行训练。
文档编号G05B13/02GK101819410SQ20101016204
公开日2010年9月1日 申请日期2010年4月28日 优先权日2010年4月28日
发明者李华 申请人:李华