一种基于神经元网络的数据降维系统及其降维方法技术方案

一种基于神经元网络的数据降维系统及其降维方法，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神经元网络的数据降维模块。并结合其降维方法可有效避免现有技术中的运算量还是很大、邻域确定的不确定性以及无实用性的缺陷。

【技术实现步骤摘要】
【专利摘要】，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神经元网络的数据降维模块。并结合其降维方法可有效避免现有技术中的运算量还是很大、邻域确定的不确定性以及无实用性的缺陷。【专利说明】
本专利技术属于数据降维
，具体涉及一种基于神经元网络的数据降维系统及 其降维方法。
技术介绍
目前的图像、视频还有一些复杂的通信信号在数据采集系统传输到控制系统中， 通常是以高维的数据形式进行存储的，这样就带来了在使用过程中占用控制系统的资源过 多并且运算量大非常耗时的问题，严重的甚至可以导致控制系统崩溃的问题。 因此现有的控制系统普遍采用了把从数据采集系统得来的诸如图像、视频还有一 些复杂的通信信号所构成的高维数据在使用之前进行降维处理，但是现有的降维方式普遍 存在以下问题： (1)运算量还是很大：比如在现有的降维算法下的基于k近邻图的测地线距离步 骤的时间复杂度为0(kN2logN)，而保距映射步骤的时间复杂度为0(N3)，这样的运算下时间 复杂度是非常大的； (2)邻域确定的不确定性：现有的降维算法使用k近邻图进行测地线距离的计算， 但是早在2002年science杂志中就有文章发表质疑，k过大导致短路误差，k过小导致碎片 的问题，并且解决的方法只能是选择合适的k来进行不确定的降维，这样同样会导致运算 量的复杂度的增加，往往会出现降维结果同原高维数据的误差相比误差过大，甚至于完全 失真； (3)无实用性：新来高维数据点会改变整个k近邻图，需要全部重新计算，难以在 线处理从而无实用性。
技术实现思路
本专利技术的目的提供，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神经元网 络的数据降维模块。并结合其降维方法可有效避免现有技术中的运算量还是很大、邻域确 定的不确定性以及无实用性的缺陷。 为了克服现有技术中的不足，本专利技术提供了一种基于神经元网络的数据降维系统 及其降维方法方法的解决方案，具体如下： -种基于神经元网络的数据降维系统，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中带有基于神经元网络的数据降维模块3。 所述的一种基于神经元网络的数据降维系统的测量降维方法，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数据发送到控制 系统2中，然后控制系统2启动基于神经元网络的数据降维模块3先把发送来的图像或者 视频这样的信号数据构造成高维数据集进行存储； 步骤2:接着基于神经元网络的数据降维模块3对高维数据进行确定流形拓扑结 构基准点的处理，所述的对高维数据进行确定流形拓扑结构基准点的处理，具体说来所述 的对高维数据进行确定流形拓扑结构基准点的处理的具体过程为先进行初始化，所述的 初始化包括首先设定基准点集合A= ，其中A为基准点集合，1^为第一基准点，L2S 第二基准点，第一基准点和第二基准点是随机的从高维数据集中选取的两个高维数据；然 后基于神经元网络的数据降维模块3设定边集合C、初值均为0的两个激活数变量、初值为 |LfL2| |的两个范围阈值变量和初值为0的第一连接年龄变量，所述的Cgjxi 并且其初值为空集，AXA表示基准点集合的基准点之间的连接关系，初值为空集表示第一 基准点和第二基准点之间没有初始连接，所述的两个激活数变量分别为针对第一基准点的 激活数变量和针对第二基准点的激活数变量，针对第一基准点的激活数变量和针对第二 基准点的激活数变量分别为，所述两个范围阈值变量分别为第一范围阈值变量 7^和第二范围阈值变量&，所述的第一连接年龄变量^表示的是第一基准点和 第二基准点的连接时长； 步骤3 :接着进入输入与竞争阶段，所述的输入与竞争阶段包括数据采集系统继 续一个采集图像或者视频这样的信号数据，并把采集来的一个图像或者视频这样的信号数 据发送到控制系统中，控制系统中的基于神经元网络的数据降维模块3先把接收到的一个 图像或者视频这样的信号数据存储为一个高维数据，所述的高维数据作为一个新的数据样 板€GRD，其中所述的新的数据样板为L所述的RD表示高维实数空间，所述的R表示实 数，D表示高维数据的维度，然后计算出A中的每个基准点和新的数据样板I的欧氏距离， 所得到的最小的欧式距离所对应的基准点和倒数第二小的欧式距离所对应的基准点分别 为胜者基准点Sl和亚军基准点s2，也就是如公式（1)和公式（2)所表示的胜者基准点Sl和 亚军基准点s2 : 【权利要求】1. 一种基于神经元网络的数据降维系统，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神经元网络的数据降维模块。2. 根据权利要求1所述的一种基于神经元网络的数据降维系统的测量降维方法，其特 征在于，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数据发送到控制系统 中，然后控制系统启动基于神经元网络的数据降维模块先把发送来的图像或者视频这样的 信号数据构造成高维数据集进行存储； 步骤2:接着基于神经元网络的数据降维模块对高维数据进行确定流形拓扑结构基准 点的处理，所述的对高维数据进行确定流形拓扑结构基准点的处理，具体说来所述的对高 维数据进行确定流形拓扑结构基准点的处理的具体过程为先进行初始化，所述的初始化包 括首先设定基准点集合A = {Lp L2}，其中A为基准点集合，U为第一基准点，L2为第二基 准点，第一基准点和第二基准点是随机的从高维数据集中选取的两个高维数据；然后基于 神经元网络的数据降维模块设定边集合C、初值均为0的两个激活数变量、初值为| IU-L」 的两个范围阈值变量和初值为0的第一连接年龄变量，所述的CgixJ并且其初 值为空集，AXA表示基准点集合的基准点之间的连接关系，初值为空集表示第一基准点和 第二基准点之间没有初始连接，所述的两个激活数变量分别为针对第一基准点的激活数变 量和针对第二基准点的激活数变量，针对第一基准点的激活数变量和针对第二基准点的 激活数变量分别为，所述两个范围阈值变量分别为第一范围阈值变量2^和第 二范围阈值变量&，所述的第一连接年龄变量表示的是第一基准点和第二基准点 的连接时长； 步骤3 :接着进入输入与竞争阶段，所述的输入与竞争阶段包括数据采集系统继续一 个采集图像或者视频这样的信号数据，并把采集来的一个图像或者视频这样的信号数据发 送到控制系统中，控制系统中的基于神经元网络的数据降维模块3先把接收到的一个图像 或者视频这样的信号数据存储为一个高维数据，所述的高维数据作为一个新的数据样板 € GRd，其中所述的新的数据样板为L所述的RD表示高维实数空间，所述的R表示实数， D表示高维数据的维度，然后计算出A中的每个基准点和新的数据样板I的欧氏距离，所得 到的最小的欧式距离所对应的基准点和倒数第二小的欧式距离所对应的基准点分别为胜 者基准点Sl和亚军基准点s2，也就是如公式（1)和公式（2)所表示的胜者基准点Sl和亚军 基准点s2 :胜者基准点Sl和亚军基准点s2就成为了最相似的两个基准点；随后进入基准点更新 阶本文档来自技高网...

【技术保护点】
一种基于神经元网络的数据降维系统，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神经元网络的数据降维模块。

【技术特征摘要】

【专利技术属性】
技术研发人员：申富饶，干强，赵金熙，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32