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。

说明书

技术领域

本发明属于数据感知接收的技术领域，具体涉及一种基于感知进 化神经网络的传感信道可扩展系统及其方法。

背景技术

目前的图像、视频还有一些的通信信号通过数据采集系统传输到 控制系统中，这样的通信信号数据的数据采集方式只是保持其原始信 号数据的本来面目，而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。

发明内容

本发明的目的提供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。

为了克服现有技术中的不足，本发明提供了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的解决方案，具体如下：

一种基于感知进化神经网络的传感信道可扩展系统，包括数据采 集系统1，所述的数据采集系统1同控制系统2相连接，所述的控制 系统2中带有基于感知进化神经网络的数据感知接收模块3。

所述的控制系统2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2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S_l＝Rⁿ，而在控制系统2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S_h＝R^n+m，而通过感知和压缩后得到的原型存储在集 合P中，用P_i表示P中第i个原型，所述的集合P也是在控制系统2 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，R^n+m表示n+m维的实数向量空间。

所述的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，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2中，然后控制系统2启动基于感知进化神经网 络的传感信道可扩展系统模块3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3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＝(x_1,1,x_1，2,...,x_1,n)，第二n维原型P₂＝(x_2,1,x_2,2,...,x_2,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x_j＝(x_j,1,x_j,2,...,x_j,n)∈S_l，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x_j＝(x_j,1,x_j,2,...,x_j,n,...,x_j,n+m)∈S_h，x_j表示第j个信号样本的信 号向量，j是自然数，x_j,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,x_j,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,x_j,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,x_j,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，S_h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x_j＝(x_j,1,x_j,2,...,x_j,n,...,x_j,n+m)∈S_h。对于每一 个P_i∈P，如果P_i∈S_l，即P_i在空间S_l中，凭借P_i和输入的信号样本 x_j的前n维属性计算欧氏距离，所述的n维属性即为S_l的属性。如果 P_i∈S_h，即P_i在空间S_h中，凭借P_i和输入的信号样本x_j的(n+m)维属 性计算欧氏距离，所述的(n+m)维属性即为S_h的属性，由公式(1) 获得S_l中的获胜原型

$P_w^l=\underset{P_i\in P}{\arg \min }{\left|\right|x_j-{W_P}_i\left|\right|}_{S_l}---\left(1\right)$

其中，j表示自然数，代表P_i的权值向量，表示在S_l中的欧氏 距离，再由公式(2)和公式(3)分别获得S_h中的获胜原型和第二 获胜原型

$P_w^h=\underset{P_i\in P^h}{\arg \min }{\left|\right|x_j-{W_P}_i\left|\right|}_{S_h}---\left(2\right)$

$P_r^h=\underset{P_i\in P^h\backslash P_w^h}{\arg \min }{\left|\right|x_j-{W_P}_i\left|\right|}_{S_h}---\left(3\right)$

其中，P^h表示属于S_h的原型的集合，即所有的属于S_h的原型的 集合，表示在S_h中的欧氏距离，以下简记为P_c，和简记 为P_a和P_b；

步骤3：如果dim(P_c)＝n，即P_c∈S_l，然后检查是否满足如公式(4) 所示的判别条件：

${{\left|\right|x_j-{W_P}_c\left|\right|}_S}_l\le T_{P_c}^l---\left(4\right)$

其中，表示P_c在S_l中的相似性阈值。如果公式(4)满足，原型P_c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：

$M_{P_c}^l=M_{P_c}^l+1---\left(5\right)$

$W^l={W_P}_c+(1/M_{P_c}^l)\times (x_j^l-{W_P}_c)---\left(6\right)$

W^h-l＝x_j^h-l

(7)

${W_P}_c=(W^l,W^{h-l})---\left(8\right)$

其中，表示原型P_c在S_l中的激活次数，表示原型P_c的权值向量， 表示S_l的向量属性，即x^h-l表示m个新的感知 神经元的属性，即$x_j^{h-l}=(x_{j,n+1},x_{j,n+2},...,x_{j,m}),$另外初始化$M_{P_c}^h=1$和$T_{P_c}^h=+\infty ,$其中，表示原型P_c在S_h中的激活次数，表示P_c在S_h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：

W_new＝x_j

(9)

$M_{\mathrm{new}}^l=1---\left(10\right)$

$M_{\mathrm{new}}^h=1---\left(11\right)$

$T_{\mathrm{new}}^l=+\infty ---\left(12\right)$

$T_{\mathrm{new}}^h=+\infty ---\left(13\right)$

其中W_new表示新建的原型的权值向量，表示在S_l中的新建的原型 的激活次数，表示在S_h中的新建的原型的激活次数，表示在 S_l中的新建的原型的相似性阈值，表示在S_h中的新建的原型的相 似性阈值。

如果dim(P_c)≠n，即P_c已经是S_h中的原型，如果满足公式(14)的条 件：

${{\left|\right|x_j-W_{P_a}\left|\right|}_S}_h=0---\left(14\right)$

其中表示原型P_a的权值向量，即x_j与P_a相同，P_a被激活，相应的 作如公式(15)和公式(16)的更新：

$M_{P_a}^l=M_{P_a}^l+1---\left(15\right)$

$M_{P_a}^h=M_{P_a}^h+1---\left(16\right)$

其中表示原型P_a在S_l中的激活次数，表示原型P_a在S_h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P_a的权值向量，表示P_a在S_h中的相似性阈值，表示原型P_b的权值向量，表示P_b在S_h中的相似性阈值。如果公式(17) 的条件被满足，对P_a进行如公式(18)、公式(19)、公式(20)和公 式(21)下的更新：

$M_{P_a}^l=M_{P_a}^l+1---\left(18\right)$

$M_{P_a}^h=M_{P_a}^h+1---\left(19\right)$

$W_{P_a}^l=W_{P_a}^l+(1/M_{P_a}^l)\times (x^l-W_{P_a}^l)---\left(20\right)$

$W_{P_a}^{h-l}=W_{P_a}^{h-l}+(1/M_{P_a}^h)\times (x^{h-l}-W_{P_a}^{h-l})$

$\left(21\right)$

其中，表示原型P_a在S_l中的权值向量，表示原型P_a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P_a和原型P_b之间不存在连接，那么建立P_a和P_b之间的连接，并置所 述的表示原型P_a和原型P_b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P_a和P_b之间的连接已经存在， 只要置如果一个原型P_i被提升到高维空间或者权重向量 被更新，就如公式(22)对P_i和P_j之间的年龄变量进行更新：

${\mathrm{Age}}_{(P_i,P_j)}={\mathrm{Age}}_{(P_i,P_j)}+1,P_j\in {N_P}_i---\left(22\right)$

其中，表示P_i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Age_max，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：

$T_{P_i}^k=\underset{P_j\in P\backslash P_i}{\min }{{\left|\right|W_{P_i}-{W_P}_j\left|\right|}_S}_k,k=l,h---\left(23\right)$

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：

$T_{P_i}^k=\underset{P_j\in N_{P_i}}{\min }{{\left|\right|W_{P_i}-{W_P}_j\left|\right|}_S}_k,k=l,h$

$\left(24\right)$

每当输入一个新信号样本x_j时，按照公式(23)和公式(24)更新P_a， P_b和P_c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

$M_{\mathrm{mean}}^h=\underset{P_i\in P^h}{\Sigma }{M}_{P_i}^h/\left|P^h\right|---\left(24\right)$

其中P^h表示属于空间S_h的原型，|P^h|表示集合P^h的元素个数，表 示原型P_i的在S_h中的激活次数。对于每个原型Q_i∈Q，如果如公式(25)

或者公式(26)

的条件被满足，原型Q_i将被删除，其中表示Q_i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S_h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

${M_P}_i=(M_{P_i}^h+M_{P_i}^l)/2,P_i\in P$

$\left(27\right)$

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：

$W_{P_a}=W_{P_a}+(1/M_{P_a})\times (x_j-W_{P_a})---\left(28\right)$

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：

W_new＝x_j

(29)

$M_{\mathrm{new}}^h=1---\left(30\right)$

$T_{\mathrm{new}}^h=+\infty ---\left(31\right)$

然后参数将被删去。对于后续信号样本x_j＝(x_j,1,x_j,2,...,x_j,n,...,x_j,n+m) ∈S_h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S_l中的获胜原型

$P_w^l=\underset{P_i\in P}{\arg \min }{\left|\right|x_j-{W_P}_i\left|\right|}_{S_l}---\left(32\right)$

其中，j表示自然数，代表P_i的权值向量，表示在S_l中的欧氏 距离。如果满足公式(33)的条件：

${{\left|\right|x_j-{W_P}_a\left|\right|}_S}_l=0$

$\left(33\right)$

其中表示原型P_a的权值向量，即x_j与P_a相同，P_a被激活，相应的 作如公式(34)的更新：

$M_{P_a}^l=M_{P_a}^l+1---\left(34\right)$

其中表示原型P_a在S_l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P_a的权值向量，表示P_a在S_l中的相似性阈值，表示原型P_b的权值向量，表示P_b在S_l中的相似性阈值。如果公式(35) 的条件被满足，对P_a进行如公式(36)、公式(37)下的更新：

$M_{P_a}^l=M_{P_a}^l+1---\left(36\right)$

$W_{P_a}^l=W_{P_a}^l+(1/M_{P_a}^l)\times (x_j-W_{P_a}^l)---\left(37\right)$

其中，表示原型P_b在S_l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)

W_new＝x_j

(38)

$M_{\mathrm{new}}^l=1---\left(39\right)$

$T_{\mathrm{new}}^l=+\infty \left(40\right)$

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P_a和原型P_b之间不存在连接，那么建立P_a和P_b之间的连接，并置所 述的表示原型P_a和原型P_b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P_a和P_b之间的连接已经存在，只要置 如果一个原型P_i的权重向量被更新，就如公式(41)对P_i和P_j之间的年龄变量进行更新，

${\mathrm{Age}}_{(P_i,P_j)}={\mathrm{Age}}_{(P_i,P_j)}+1,P_j\in {N_P}_i---\left(41\right)$

其中，表示P_i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Age_max，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：

$T_{P_i}^l=\underset{P_j\in P\backslash P_i}{\min }{{\left|\right|W_{P_i}-{W_P}_j\left|\right|}_S}_l\left(42\right)$

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：

$T_{P_i}^l=\underset{P_j\in {N_P}_i}{\max }{{\left|\right|W_{P_i}-{W_P}_j\left|\right|}_S}_l---\left(43\right)$

每当输入一个新信号样本x_j时，按照公式(42)和公式(43)更新P_a和P_b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

$M_{\mathrm{mean}}^l=\underset{P_i\in P}{\Sigma }{M}_{P_i}^l/\left|P\right|---\left(44\right)$

对于每个原型P_i∈P，如果如公式(45)

或者公式(46)

的条件被满足，原型P_i将被删除，其中表示P_i的邻居数，λ为自 然数，c为预定义的参数，取值范围[0,1]。

由这些技术特征，本发明的方法克服了传统方法中无法对数据采 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，并且能够对数据采集通道进行升级或者扩展，应用广泛 而且具备智能化的采集功能。

附图说明

图l为本发明的一种基于感知进化神经网络的传感信道可扩展 系统的连接结构示意图。

图2为本发明的实施例的二维源图。

图3为本发明的实施例的三维源图。

图4为本发明执行后的效果图，箭头左边是由二维源图数据感知 得到的原型，箭头右边是增加了新的感知神经元后感知得到的原型。

具体实施方式

本发明的目的是研制自动化的高效的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，通过附图和实施例来进行进一步 的说明：

基于感知进化神经网络的传感信道可扩展系统，包括数据采集系 统1，所述的数据采集系统1同控制系统2相连接，所述的控制系统 2中带有基于感知进化神经网络的数据感知接收模块3。

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2中，然后控制系统2启动基于感知进化神经网 络的传感信道可扩展系统模块3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3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＝(x_1,1,x_1，2,...,x_1,n)，第二n维原型P₂＝(x_2,1,x_2,2,...,x_2,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x_j＝(x_j,1,x_j,2,...,x_j,n)∈S_l，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x_j＝(x_j,1,x_j,2,...,x_j,n,...,x_j,n+m)∈S_h，x_j表示第j个信号样本的信 号向量，j是自然数，x_j,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,x_j,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,x_j,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,x_j,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，S_h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x_j＝(x_j,1,x_j,2,...,x_j,n,...,x_j,n+m)∈S_h。对于每一 个P_i∈P，如果P_i∈S_l，即P_i在空间S_l中，凭借P_i和输入的信号样本 x_j的前n维属性计算欧氏距离，所述的n维属性即为S_l的属性。如果 P_i∈S_h，即P_i在空间S_h中，凭借P_i和输入的信号样本x_j的(n+m)维属 性计算欧氏距离，所述的(n+m)维属性即为S_h的属性，由公式(1) 获得S_l中的获胜原型

$P_w^l=\underset{P_i\in P}{\arg \min }{\left|\right|x_j-{W_P}_i\left|\right|}_{S_l}---\left(1\right)$

其中，j表示自然数，代表P_i的权值向量，表示在S_l中的欧氏 距离，再由公式(2)和公式(3)分别获得S_h中的获胜原型和第二 获胜原型

$P_w^h=\underset{P_i\in P^h}{\arg \min }{\left|\right|x_j-{W_P}_i\left|\right|}_{S_h}$

$\left(2\right)$

$P_r^h=\underset{P_i\in P^h\backslash P_w^h}{\arg \min }{\left|\right|x_j-{W_P}_i\left|\right|}_{S_h}---\left(3\right)$

其中，P^h表示属于S_h的原型的集合，即所有的属于S_h的原型的 集合，表示在S_h中的欧氏距离，以下简记为P_c，和简记 为P_a和P_b；

步骤3：如果dim(P_c)＝n，即P_c∈S_l，然后检查是否满足如公式(4) 所示的判别条件：

${{\left|\right|x_j-{W_P}_c\left|\right|}_S}_l\le T_{P_c}^l---\left(4\right)$

其中，表示P_c在S_l中的相似性阈值。如果公式(4)满足，原型P_c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：

$M_{P_c}^l=M_{P_c}^l+1---\left(5\right)$

$W^l={W_P}_c+(1/M_{P_c}^l)\times (x_j^l-{W_P}_c)---\left(6\right)$

W^h-l＝x_j^h-l

(7)

${W_P}_c=(W^l,W^{h-l})---\left(8\right)$

其中，表示原型P_c在S_l中的激活次数，表示原型P_c的权值向量， 表示S_l的向量属性，即x^h-l表示m个新的感知 神经元的属性，即$x_j^{h-l}=(x_{j,n+1},x_{j,n+2},...,x_{j,m}),$另外初始化$M_{P_c}^h=1$和$T_{P_c}^h=+\infty ,$其中，表示原型P_c在S_h中的激活次数，表示P_c在S_h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：

W_new＝x_j

(9)

$M_{\mathrm{new}}^l=1---\left(10\right)$

$M_{\mathrm{new}}^h=1---\left(11\right)$

$T_{\mathrm{new}}^l=+\infty ---\left(12\right)$

$T_{\mathrm{new}}^h=+\infty ---\left(13\right)$

其中W_new表示新建的原型的权值向量，表示在S_l中的新建的原型 的激活次数，表示在S_h中的新建的原型的激活次数，表示在 S_l中的新建的原型的相似性阈值，表示在S_h中的新建的原型的相 似性阈值。

如果dim(P_c)≠n，即P_c已经是S_h中的原型，如果满足公式(14)的条 件：

${{\left|\right|x_j-W_{P_a}\left|\right|}_S}_h=0$

$\left(14\right)$

其中表示原型P_a的权值向量，即x_j与P_a相同，P_a被激活，相应的 作如公式(15)和公式(16)的更新：

$M_{P_a}^l=M_{P_a}^l+1---\left(15\right)$

$M_{P_a}^h=M_{P_a}^h+1---\left(16\right)$

其中表示原型P_a在S_l中的激活次数，表示原型P_a在S_h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P_a的权值向量，表示P_a在S_h中的相似性阈值，表示原型P_b的权值向量，表示P_b在S_h中的相似性阈值。如果公式(17) 的条件被满足，对P_a进行如公式(18)、公式(19)、公式(20)和公 式(21)下的更新：

$M_{P_a}^l=M_{P_a}^l+1---\left(18\right)$

$M_{h{P}_a}^l=M_{P_a}^h+1---\left(19\right)$

$W_{P_a}^l=W_{P_a}^l+(1/M_{P_a}^l)\times (x^l-W_{P_a}^l)---\left(20\right)$

$W_{P_a}^{h-l}=W_{P_a}^{h-l}+(1/M_{P_a}^h)\times (x^{h-l}-W_{P_a}^{h-l})---\left(21\right)$

其中，表示原型P_a在S_l中的权值向量，表示原型P_a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P_a和原型P_b之间不存在连接，那么建立P_a和P_b之间的连接，并置所 述的表示原型P_a和原型P_b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P_a和P_b之间的连接已经存在， 只要置如果一个原型P_i被提升到高维空间或者权重向量 被更新，就如公式(22)对P_i和P_j之间的年龄变量进行更新：

${\mathrm{Age}}_{(P_i,P_j)}={\mathrm{Age}}_{(P_i,P_j)}+1,P_j\in {N_P}_i---\left(22\right)$

其中，表示P_i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Age_max，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：

$T_{P_i}^k=\underset{P_j\in P\backslash P_i}{\min }{{\left|\right|W_{P_i}-{W_P}_j\left|\right|}_S}_k,k=l,h---\left(23\right)$

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：

$T_{P_i}^k=\underset{P_j\in N_{P_i}}{\min }{{\left|\right|W_{P_i}-{W_P}_j\left|\right|}_S}_k,k=l,h---\left(24\right)$

每当输入一个新信号样本x_j时，按照公式(23)和公式(24)更新P_a， P_b和P_c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

$M_{\mathrm{mean}}^h=\underset{P_i\in P^h}{\Sigma }{M}_{P_i}^h/\left|P^h\right|---\left(24\right)$

其中P^h表示属于空间S_h的原型，|P^h|表示集合P^h的元素个数，表 示原型P_i的在S_h中的激活次数。对于每个原型Q_i∈Q，如果如公式(25)

或者公式(26)

的条件被满足，原型Q_i将被删除，其中表示Q_i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S_h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

${M_P}_i=(M_{P_i}^h+M_{P_i}^l)/2,P_i\in P---\left(27\right)$

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：

$W_{P_a}=W_{P_a}+(1/M_{P_a})\times (x_j-W_{P_a})---\left(28\right)$

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：

W_new＝x_j

(29)

$M_{\mathrm{new}}^h=1---\left(30\right)$

$T_{\mathrm{new}}^h=+\infty ---\left(31\right)$

然后参数将被删去。对于后续信号样本x_j＝(x_j,1,x_j,2,...,x_j,n,...,x_j,n+m) ∈S_h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S_l中的获胜原型

$P_w^l=\underset{P_i\in P}{\arg \min }{\left|\right|x_j-{W_P}_i\left|\right|}_{S_l}---\left(32\right)$

其中，j表示自然数，代表P_i的权值向量，表示在S_l中的欧氏 距离。如果满足公式(33)的条件：

${{\left|\right|x_j-{W_P}_a\left|\right|}_S}_l=0---\left(33\right)$

其中表示原型P_a的权值向量，即x_j与P_a相同，P_a被激活，相应的 作如公式(34)的更新：

$M_{P_a}^l=M_{P_a}^l+1---\left(34\right)$

其中表示原型P_a在S_l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P_a的权值向量，表示P_a在S_l中的相似性阈值，表示原型P_b的权值向量，表示P_b在S_l中的相似性阈值。如果公式(35) 的条件被满足，对P_a进行如公式(36)、公式(37)下的更新：

$M_{P_a}^l=M_{P_a}^l+1---\left(36\right)$

$W_{P_a}^l=W_{P_a}^l+(1/M_{P_a}^l)\times (x_j-W_{P_a}^l)---\left(37\right)$

其中，表示原型P_b在S_l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)

W_new＝x_j

(38)

$M_{\mathrm{new}}^l=1$

$\left(39\right)$

$T_{\mathrm{new}}^l=+\infty \left(40\right)$

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P_a和原型P_b之间不存在连接，那么建立P_a和P_b之间的连接，并置所 述的示原型P_a和原型P_b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P_a和P_b之间的连接已经存在，只要置 如果一个原型P_i的权重向量被更新，就如公式(41)对P_i和P_j之间的年龄变量进行更新，

${\mathrm{Age}}_{(P_i,P_j)}={\mathrm{Age}}_{(P_i,P_j)}+1,P_j\in {N_P}_i---\left(41\right)$

其中，表示P_i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Age_max，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：

$T_{P_i}^l=\underset{P_j\in P\backslash P_i}{\min }{{\left|\right|W_{P_i}-{W_P}_j\left|\right|}_S}_l\left(42\right)$

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：

$T_{P_i}^l=\underset{P_j\in {N_P}_i}{\max }{{\left|\right|W_{P_i}-{W_P}_j\left|\right|}_S}_l$

每当输入一个新信号样本x_j时，按照公式(42)和公式(43)更新P_a和P_b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

$M_{\mathrm{mean}}^l=\underset{P_i\in P}{\Sigma }{M}_{P_i}^l/\left|P\right|---\left(44\right)$

对于每个原型P_i∈P，如果如公式(45)

或者公式(46)

的条件被满足，原型P_i将被删除，其中表示P_i的邻居数，λ为自 然数，c为预定义的参数，取值范围[0,1]。

应用本发明的方法，如图2、图3和图4所示，从图2的二维源 图数据进行按照本发明的步骤先进行第一阶段的感知，得到的原型如 箭头左部所示，增加新的感知神经元后，通过第二阶段就能得到如箭 头右部的原型，把箭头两边的原型分别同二维的源图和三维源图相比 较，会看到还原重现效果非常逼真，并且这个方法能够全自动化的实 现，无需人工参与，真正实现了智能化的操作。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何 形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以 限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案 范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变 化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的 技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简 单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围 之内。