專利名稱：一種自動識別人體染色體模式的動態(tài)神經(jīng)元模糊計算模型的制作方法
一種自動識別人體染色體模式的動態(tài)神經(jīng)元模糊計算模型既是一種智能計算模型又是一種智能計算方法，屬模式識別與信息處理技術(shù)領(lǐng)域。
據(jù)調(diào)查，人類55％的胎兒死亡，以及20％的先天缺陷與人體染色體有關(guān)。因此，染色體分析是檢測遺傳疾病的基本途徑。染色體的人工識別與分類是一項繁重的勞動，應(yīng)用計算機(jī)技術(shù)實現(xiàn)染色體的自動識別與分類是染色體分析領(lǐng)域內(nèi)重要的研究課題。目前，染色體自動識別與分類方法以傳統(tǒng)的模式識別技術(shù)為主，如貝葉斯分段線性化處理技術(shù)，分級聚類方法，最小距離分類器，極大似然法等。運(yùn)用模糊邏輯的染色體分類器的研究也有報道。(L.Vanderheydt，A.Oosterlinck and H.Van den Berghe，An application offuzzy subset theory to the classification of human chromosome，Proceedings of IEEEConference on Pattern Recognition and Image Processing，Chicago，II，August 6-8(1979)466-472(美國))近年來，隨著神經(jīng)計算學(xué)的發(fā)展，基于人工神經(jīng)網(wǎng)絡(luò)設(shè)計染色體分類器成為這一領(lǐng)域內(nèi)新的研究方向。(B.Lerner，Toward a completely automatic neural network basedhuman chromosome analysis，IEEE Transactions on Systems，Man and Cybernetic，28(1998)544-552(美國))。當(dāng)前國內(nèi)外，染色體自動識別與分類技術(shù)存在一下主要缺陷(1)錯誤識別錯誤識別是染色體自動識別與分類系統(tǒng)的致命缺陷，它使自動識別與分類系統(tǒng)的可信度、可采納性和可應(yīng)用性受到質(zhì)疑。
(2)識別率低染色體分析專家相比，染色體自動識別與分類系統(tǒng)對染色體的識別率有待進(jìn)一步提高。
(3)獲取染色體數(shù)據(jù)結(jié)構(gòu)知識的能力弱染色體自動識別與分類系統(tǒng)常以染色體樣本組作為染色體數(shù)據(jù)結(jié)構(gòu)的知識源，然而，染色體自動識別與分類系統(tǒng)卻難以識別所有的樣本，特別是樣本數(shù)較大時。
本發(fā)明意在設(shè)計一種能有效實現(xiàn)染色體模式自動識別與分類的動態(tài)神經(jīng)元模糊計算模型，作為一種智能計算方法，使其能將模糊邏輯處理不確定性問題的功能與人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)自組織自學(xué)習(xí)功能相結(jié)合，以人工神經(jīng)信息處理的方式實現(xiàn)模糊聚類分析運(yùn)算，能以自組織的方式獲取人體染色體數(shù)據(jù)結(jié)構(gòu)知識，消除染色體自動識別系統(tǒng)的錯誤識別現(xiàn)象，提高其對染色體的識別率。
本發(fā)明的自動識別人體染色體模式的動態(tài)神經(jīng)元模糊計算模型，作為一種智能計算方法，以人工神經(jīng)信息處理的方式實現(xiàn)模糊聚類分析運(yùn)算，其動態(tài)神經(jīng)元模糊計算模型結(jié)構(gòu)與構(gòu)成參見圖1-圖4，該自動識別人體染色體模式的動態(tài)神經(jīng)元模糊計算模型具有人工神經(jīng)元網(wǎng)絡(luò)的基本結(jié)構(gòu)特征(見圖1)，其構(gòu)成包括三部分(1)相似關(guān)系計算網(wǎng)絡(luò)(見圖2)計算X(0)與X(k)(k＝1，2，…，N)相似關(guān)系1°n個輸入節(jié)點(diǎn)接收X(0)＝(x1(0)，x2(0)，…，xn(0))T；2°N個輸出節(jié)點(diǎn)輸出計算結(jié)果u＝(r01，r02，…，r0N)T；3°輸入節(jié)點(diǎn)與輸出節(jié)點(diǎn)聯(lián)結(jié)模式每一個輸入節(jié)點(diǎn)聯(lián)結(jié)至所有的輸出節(jié)點(diǎn)；第i個輸入節(jié)點(diǎn)與第j個輸出節(jié)點(diǎn)的聯(lián)結(jié)強(qiáng)度記為xi(j)；n個輸入節(jié)點(diǎn)與第j個輸出節(jié)點(diǎn)聯(lián)結(jié)強(qiáng)度xi(j)(i＝1，2，…，n)形成第j個輸出節(jié)點(diǎn)的中心向量X(j)＝(x1(j)，x2(j)…，xn(j))T；其中X＝{X(k)｜k＝1，2，…，N}N個染色體樣本經(jīng)計算機(jī)數(shù)字圖象預(yù)處理和特征選取后形成的n維模糊特征向量集合，其中，n維模糊特征向量X(k)＝(x1(k)，x2(k)，…，xn(k))T；X(0)＝(x1(0)，x2(0)，…，xn(0))T待識別染色體經(jīng)過計算機(jī)數(shù)字圖象預(yù)處理和特征選取后形成的n維模糊特征向量，(2)動態(tài)模糊聚類網(wǎng)絡(luò)(見圖3)對染色體進(jìn)行動態(tài)模糊聚類分析運(yùn)算1°神經(jīng)元集合{Nd(k)｜k＝0，1，2，…，N}神經(jīng)元Nd(k)對應(yīng)染色體模糊特征向量X(k)(k∈{0，1，2，…，N})；2°N階動態(tài)模糊聚類網(wǎng)絡(luò)DFCN(N)<R，A，O>由{Nd(k)｜k＝1，2，…，N}構(gòu)成，對X＝{X(k)｜k＝1，2，…，N}進(jìn)行動態(tài)模糊聚類分析運(yùn)算，實現(xiàn)染色體樣本理想劃分S＝{S(k)｜k＝1，2，…，C}(S(k)X)；3°(N+1)階動態(tài)模糊聚類網(wǎng)絡(luò)DFCN(N+1)<R，A，O>在DFCN(N)<R，A，O>中添加神經(jīng)元Nd(0)形成的擴(kuò)展網(wǎng)絡(luò)，對擴(kuò)展集合X＝{X(k)｜k＝0，1，2，…，N}進(jìn)行動態(tài)模糊聚類分析運(yùn)算，在染色體樣本理想劃分S＝{S(k)｜k＝1，2，…，C}的約束下對X(0)進(jìn)行識別；4°神經(jīng)元聯(lián)結(jié)模式任意兩個神經(jīng)元Nd(i)和Nd(j)存在聯(lián)結(jié)，其聯(lián)結(jié)強(qiáng)度記為rij∈
，規(guī)定對稱性rij＝rij(i，j∈{0，1，2，…，N})，自反性rij＝1(i∈{0，1，2，…，N})；其中S＝{S(k)｜k＝1，2，…，C}(S(k)X)X＝{X(k)｜k＝1，2，…，N}的理想劃分；αk∈(0，1](k＝0，1，2，…，N)Nd(k)的閾值；A＝(α1，α2，…，αN)TDFCN(N)<R，A，O>閾值向量；A＝(α0，α1，α2，…，αN)TDFCN(N+1)<R，A，O>閾值向量；R＝{rij}N×N∈
N×NDFCN(N)<R，A，O>的聯(lián)結(jié)強(qiáng)度矩陣，當(dāng)rij(i，j∈{1，2，…，N})為X(i)與X(j)的相似關(guān)系時，R為X×X上的模糊相似關(guān)系；R＝{rij}0≤i，j≤N∈
(N+1)×(N+1)DFCN(N+1)<R，A，O>的聯(lián)結(jié)強(qiáng)度矩陣，當(dāng)rij(i，j∈{0，1，2，…，N})為X(i)與X(j)的相似關(guān)系時，R為X×X上的模糊相似關(guān)系；oi(t)∈{0，1}(k＝0，1，2，…，N)Nd(k)在t時刻的狀態(tài)；O(t)＝(o1(t)，o2(t)，…，oN(t))TDFCN(N)<R，A，O>在t時刻的狀態(tài)；O(t)＝(o0(t)，o1(t)，o2(t)，…，oN(t))TDFCN(N+1)<R，A，O>在t時刻的狀態(tài)，(3)布爾邏輯運(yùn)算電路(見圖4)1°布爾運(yùn)算(a)實現(xiàn)理想劃分S＝{S(k)｜k＝1，2，…，C}；2°布爾運(yùn)算(b)判定DFCN(N+1)<R，A，O>模糊聚類分析結(jié)論的有效性；3°布爾運(yùn)算(c)輸出識別結(jié)果Y＝(y0，y1，y2，…，yC)T∈{0，1}(C+1)×1，其中，yk(k＝1，2，…，N)分別代表染色體各類別，特別地，y0代表非染色體類。
本發(fā)明的一種自動識別人體染色體模式的動態(tài)神經(jīng)元模糊計算模型，其以自組織的方式學(xué)習(xí)染色體數(shù)據(jù)結(jié)構(gòu)知識的方法過程，參見圖1和圖5。
作為染色體樣本模式的模糊特征向量集合，X＝{X(k)｜k＝1，2，…，N}及其理想劃分S＝{S(c)｜c(diǎn)＝1，2，…，C}內(nèi)含染色體數(shù)據(jù)結(jié)構(gòu)知識。當(dāng)DFCN(N)<(R，A，O>對染色體樣本集合X＝{X(k)｜k＝1，2，…，N}的模糊聚類分析結(jié)論與理想劃分S＝{S(c)｜c(diǎn)＝1，2，…，C}一致時，DFCN(N)<R，A，O>將具有與染色體樣本集合X＝{X＝(k)｜k＝1，2，…，N}及其理想劃分S＝{S(c)｜c(diǎn)＝1，2，…，C}一致的染色體數(shù)據(jù)結(jié)構(gòu)知識。這種一致性就是理想劃分的實現(xiàn)，而理想劃分的實現(xiàn)過程就是動態(tài)神經(jīng)元模糊計算模型以自組織的方式學(xué)習(xí)染色體數(shù)據(jù)結(jié)構(gòu)知識的過程。
染色體樣本集合X＝(X(k)｜k＝1，2，…，N}的理想劃分S＝{S(k)|k＝1，2，…，C}由DFCN(N)<R，A，O>和布爾運(yùn)算(a)以自組織的方式實現(xiàn)(見圖5)，特征在于其實現(xiàn)過程依如下步驟進(jìn)行Step1.為理想劃分選擇可實現(xiàn)的子劃分S＇＝{S＇(k)｜k＝l，2，…，C’}(C≤C＇≤N)，使S(k)={S′(ΩK+i)|Ωk=Σi=0k-1mi;i=1,2,…,mk}(k=1,2…,C)-----(1)]]>其中，0＝m0＜m1≤m2≤…≤mC，∑i＝1Cmi＝C＇，(C≤C＇≤N)；Step2.對X＝{X(k)|k＝1，2，…，N}進(jìn)行適當(dāng)排序，使子劃分S＇滿足S′(k)={X(Δk+i)|Δk=Σi=0k-1ni;i=1,2,…,nk}(k=1,2,…,C′)-----(2)]]>其中，0＝n0＜n1≤n2≤…≤nC＇，∑i＝1C＇ni＝N；Step3.計算X×X上染色體樣本特征向量的模糊相似關(guān)系R＝{rij}N×Nrij=1-1nΣk=1n(xk(i)-xk(j))2(i,j∈{1,2,…,N})-----(3)]]>并將其作為DFCN(N)<R，A，O>的聯(lián)結(jié)強(qiáng)度矩陣；Step4.調(diào)節(jié)DFCN(N)<R，A，O>閾值向量A＝(α1，α2，…，αN)T，使對任意給定的k∈{1，2，…，N)，當(dāng)DFCN(N)<R，A，O>初始狀態(tài)
時，其穩(wěn)定狀態(tài)O(ts)＝(o1(ts)，o2(ts)，…，oN(ts))T滿足
其中，DFCN(N)<R，A，O>按(5)式所示的動態(tài)并行算法運(yùn)行
“°”表示max-min模糊運(yùn)算，穩(wěn)定狀態(tài)O(ts)滿足O(ts+1)＝O(ts)； (6)Step5.當(dāng)DFCN(N)<R，A，O>達(dá)到穩(wěn)定狀態(tài)后，布爾運(yùn)算(a)開式進(jìn)行始按(7)式工作
其“AND”運(yùn)算實現(xiàn)理想子劃分S′＝{S′(k)｜k＝1，2，…，C′}，滿足
而“OR”運(yùn)算實現(xiàn)理想劃分S＝{S(k)｜k＝1，2，…，C}，滿足Θ＝(θ1，θ2，…，θC)T=(0,…,0,1jth,0,…,0)TX(k)∈S(j).-----(8b)]]>實際上，染色體樣本集合X＝{X(k)｜k＝1，2，…，N}理想劃分S＝{S(k)｜k＝1，2，…，C}劃分的實現(xiàn)使模糊模糊聚類網(wǎng)絡(luò)DFCN(N)<R，A，O>成為記憶染色體數(shù)據(jù)結(jié)構(gòu)知識的存儲體，而這一存儲體易于擴(kuò)展，易于通過新增神經(jīng)元使DFCN(N)<R，A，O>獲取新的染色體數(shù)據(jù)結(jié)構(gòu)知識。
DFCN(N)<R，A，O>學(xué)習(xí)染色體數(shù)據(jù)結(jié)構(gòu)知識的自組織特性在于其無需明確的監(jiān)督信號，同時，對新增樣本，DFCN(N)<R，A，O>無需破壞業(yè)已形成的網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)，只需添加對應(yīng)新增樣本的神經(jīng)元，便可獲取新增樣本內(nèi)含的染色體數(shù)據(jù)結(jié)構(gòu)知識，即動態(tài)模糊聚類網(wǎng)絡(luò)能在記憶和保護(hù)現(xiàn)有染色體數(shù)據(jù)結(jié)構(gòu)知識的前提下學(xué)習(xí)新知識。
本發(fā)明的一種自動識別人體染色體模式的動態(tài)神經(jīng)元模糊計算模型，用于識別染色體模式的過程，參見圖1-4和圖6，其特征在于采用如下步驟完成動態(tài)神經(jīng)元模糊計算模型識別染色體模式的過程按如下步驟進(jìn)行(見圖6)Step1.輸入X(0)＝(x1(0)，x2(0)…，xn(0))T；Step2.相似關(guān)系計算網(wǎng)絡(luò)計算X(0)與X(k)(k＝1，2，…，N)的相似關(guān)系r0k=1-1nΣi=1n(xi(0)-xi(k))2(k∈{1,2,…,N});-----(9)]]>Step3.相似關(guān)系計算網(wǎng)絡(luò)輸出計算結(jié)果u＝(r01，r02，…，r0N)T，并將其遞給DFCN(N+1)<R，A，O>，形成DFCN(N+1)<R，A，O>的聯(lián)結(jié)強(qiáng)度矩陣R_r00(=1)uTuR;-----(10)]]>Step4.初始化DFCN(N+1)<R，A，O>令t＝0，設(shè)置DFCN(N+1)<R，A，O>的初始狀態(tài)O(0)＝(1，0，0，…，0)T∈{0，1}(N+1)×1；Step5.DFCN(N+1)<R，A，O>按(11)式所示的動態(tài)并行算法運(yùn)行
其中，DFCN(N+1)<R，A，O>的閾值向量
Step6.若O(t+1)≠O(t)，則令t＝t+1，并轉(zhuǎn)向Step5；Step7.令ts＝t+1，記錄穩(wěn)定狀態(tài)O(ts)＝O(t+1)；Step8.布爾運(yùn)算(a)按(13)式開始工作
Step9.布爾運(yùn)算(b)按(14a-c)式判別DFCN(N+1)<R，A，O>動態(tài)模糊聚類分析結(jié)論的有效性α＝θ1∨θ2∨…∨θC(14a)βij＝θi∧θj(1≤i＜j≤C) (14b)σ=(Λ1≤i<j≤Cβij)Λα-----(14c)]]>其中，α測試θi(i＝1，2，…，C)中是否存在取值為1的輸出，βij(1≤i＜j≤C)測試θi(i＝1，2，…，C)中是否存在兩個或兩個以上取值為1的輸出，σ用于判定DFCN(N+1)<R，A，O>模糊聚類分析結(jié)論的有效性，σ＝1表示有效，σ＝0表示無效；Step10.布爾運(yùn)算(c)按(15a-b)式輸出動態(tài)神經(jīng)元模糊計算模型對X(0)的識別結(jié)果y0＝o0(ts)∧σ (15a)yk＝θk∧σ(k＝1，2，…，C) (15b)Y中只有1個元素取值為1，其余取值為0，若yk＝1(k∈{1，2，…，C})，則X(0)描述的染色體屬于第k染色體類，特別的，y0＝1意味著X(0)屬于非染色體類，或系統(tǒng)不識別X(0)，或拒絕識別X(0)。
作為動態(tài)系統(tǒng)，動態(tài)神經(jīng)元模糊計算模型具有良好的穩(wěn)定性和收斂性，以及良好的適于染色體識別與分類的動態(tài)模糊聚類功能。本發(fā)明能以自組織的方式學(xué)習(xí)并獲取染色體樣本數(shù)據(jù)結(jié)構(gòu)知識，正確識別作為知識源的染色體樣本，并能在記憶和保護(hù)業(yè)已形成的模型結(jié)構(gòu)和數(shù)據(jù)的前提下擴(kuò)展模型，獲取新增樣本內(nèi)含的新的染色體數(shù)據(jù)結(jié)構(gòu)知識；對染色體模式具有較高的識別率，其識別能力隨模型神經(jīng)元數(shù)N的擴(kuò)展而提高；通過對閾值向量A的控制，有效地解決了錯誤識別問題，使誤識率為0。誤識率為0對染色體自動識別與分類系統(tǒng)有著特別的意義，它意味著染色體自動識別與分類系統(tǒng)具有高可信度，因而具有可采納性和可應(yīng)用性。
圖1動態(tài)神經(jīng)元模糊計算模型結(jié)構(gòu)其中
X(0)＝(x1(0)，x2(0)…，xn(0))Tn維待識別染色體模糊特征向量X(k)(k＝1，2，…，N)相似計算網(wǎng)絡(luò)第k個輸出節(jié)點(diǎn)中心向量rij(i，j∈{0，1，2，…，N})X(i)與X(j)的模糊相似關(guān)系Nd(k)(k∈{0，1，2，…，N})動態(tài)模糊聚類網(wǎng)絡(luò)的神經(jīng)元ok(k∈{0，1，2，…，N})神經(jīng)元Nd(k)的狀態(tài)θk′(k∈{1，2，…，C′})布爾運(yùn)算(a)中的與邏輯門及其輸出值θk(k∈{1，2，…，C})布爾運(yùn)算(a)中的或邏輯門及其輸出值βij(1≤i＜j≤C)布爾運(yùn)算(b)中的與非邏輯門及其輸出值α布爾運(yùn)算(b)中的或邏輯門及其輸出值σ布爾運(yùn)算(b)中的與邏輯門及其輸出值ζk(k∈{0，1，2，…，C})布爾運(yùn)算(c)中的與邏輯門及其輸出值yk(≡ζk)(k∈{0，1，2，…，C})動態(tài)神經(jīng)元模糊計算模型輸出圖2相似關(guān)系計算網(wǎng)絡(luò)圖3動態(tài)模糊聚類網(wǎng)絡(luò)其中DFCN(N)<R，A，O>{Nd(k)｜k＝1，2，…，N}構(gòu)成的N階動態(tài)模糊聚類網(wǎng)絡(luò)，其中，R，A，O分別為DFCN(N)<R，A，O>的聯(lián)結(jié)強(qiáng)度矩陣、閾值向量和狀態(tài)DFCN(N+1)<R，A，O>{Nd(k)｜k＝0，1，2，…，N}構(gòu)成的(N+1)階動態(tài)模糊聚類網(wǎng)絡(luò)，即DFCN(N)<R，A，O>的擴(kuò)展網(wǎng)絡(luò)，其中，R，A，O分別為DFCN(N+1)<R，A，O>的聯(lián)結(jié)強(qiáng)度矩陣、閾值向量和狀態(tài)圖4布爾邏輯運(yùn)算電路其中(a)布爾邏輯運(yùn)算(a)(b)布爾邏輯運(yùn)算(b)
(c)布爾邏輯運(yùn)算(c)圖5理想劃分的實現(xiàn)圖6動態(tài)神經(jīng)元模糊計算模型自動識別染色體流程圖其中RDFCN(N+1)<R，A，O>聯(lián)結(jié)強(qiáng)度矩陣t(＝0，1，…，ts)DFCN(N+1)<R，A，O>動態(tài)運(yùn)算時刻，ts為DFCN(N+1)<R，A，O>達(dá)到穩(wěn)定狀態(tài)的時刻O(t)＝(o0(t)，o1(t)，o2(t)，…，oN(t))TDFCN(N+1)<R，A，O>在t時刻的狀態(tài)Θ＝(θ1，θ2，…，θC)T布爾邏輯運(yùn)算(a)輸出向量Y＝(y0，y1，y2，…，yC)T動態(tài)神經(jīng)元模糊計算模型輸出向量圖7人體染色體計算機(jī)自動識別系統(tǒng)示意圖其中(d)顯微鏡(e)數(shù)字?jǐn)z像頭(f)視頻接口(g)圖形卡(h)計算機(jī)主機(jī)(i)駐留在計算機(jī)內(nèi)的人體染色體動數(shù)字圖象預(yù)處理及特征選取程序(j)以計算機(jī)算法程序的形式駐留在計算機(jī)內(nèi)的自動識別人體染色體的動態(tài)神經(jīng)元模糊計算模型(k)顯示器(l)打印機(jī)(m)圖形掃描儀圖8人體染色體G帶圖象預(yù)處理其中(n)染色體G帶圖象(o)邊緣(p)中軸線(q)著絲點(diǎn)Cntr，短臂Sht和長臂Lng表1(a)動態(tài)神經(jīng)元模糊計算模型(N＝24)識別樣本組表1(b)動態(tài)神經(jīng)元模糊計算模型(N＝24)識別測試組表2(a)動態(tài)神經(jīng)元模糊計算模型(N＝96)識別樣本組表2(b)動態(tài)神經(jīng)元模糊計算模型(N＝96)識別測試組表3(a)動態(tài)神經(jīng)元模糊計算模型(N＝240)識別樣本組表3(b)動態(tài)神經(jīng)元模糊計算模型(N＝240)識別測試組實施例基于動態(tài)神經(jīng)元模糊計算模型，發(fā)明人設(shè)計了一個人體染色體計算識別與分類系統(tǒng)，其構(gòu)成見圖7以下從實際人體染色體計算機(jī)識別系統(tǒng)中動態(tài)神經(jīng)元模糊計算模型的組建過程、識別人體染色體的算法實施過程、試驗數(shù)據(jù)及其分析三個方面闡述實施例。1.動態(tài)神經(jīng)元模糊計算模型的組建過程令C＝24，則動態(tài)神經(jīng)元模糊計算模型輸出向量為Y＝(y0，y1，y2，…，y24)T，其中，y1-22分別代表22類常染色體，y23-24分別代表2類性染色體，特別地，y0代表非染色體類。每一人體類染色體類選擇4個人體染色體樣本，則24個人體染色體類共有96個人體染色體樣本；人體染色體樣本經(jīng)計算機(jī)數(shù)字圖象預(yù)處理和特征選取后形成12維模糊特征向量的集合X＝{X(k)｜k＝1，2，…，96}；X的理想劃分為S＝{S(k)｜k＝1，2，…，24}，理想子劃分為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，自動識別染色體的動態(tài)神經(jīng)元模糊計算模型可如下進(jìn)行組建(1)相似關(guān)系計算網(wǎng)絡(luò)(見圖2)1°12個輸入節(jié)點(diǎn)接收并傳遞模糊特征向量X(0)＝(x1(0)，x2(0)，…，x12(0))T，其中x1-10(0)范化后的待識別人體染色體沿中軸線的灰度分布特征值；x11(0)范化后的待識別人體染色體長度特征值；x12(0)范化后的待識別人體染色體著絲點(diǎn)指標(biāo)特征值；2°96個輸出節(jié)點(diǎn)第k個輸出節(jié)點(diǎn)的中心向量取為X(k)(k＝1，2，…，96)。
(2)DFCN(N)<R，A，O>(見圖3)一個96階動態(tài)模糊聚類網(wǎng)絡(luò)，由代表96個人體染色體樣本的96個神經(jīng)元{Nd(k)｜k＝1，2，…，96}構(gòu)成；按(3)式計算人體染色體樣本模糊相似關(guān)系R＝{rij}96×96，并以自組織的方式運(yùn)行DFCN(N)<R，A，O>，選取滿足(4)式的閾值向量A＝(α1，α2，…，α96)T。
(3)DFCN(N+1)<R，A，O>(見圖3)在神經(jīng)元集合{Nd(k)｜k＝1，2，…，96}中加入代表待識別人體染色體的神經(jīng)元Nd(0)后形成的97階動態(tài)模糊聚類網(wǎng)絡(luò)，其中，閾值向量A＝(α0，α1，α2，…，α96)T按(12a-b)式計算。
(4)布爾運(yùn)算(a)(見圖4(a))1°48個與邏輯門實現(xiàn)理想子劃分S′＝S′(k)｜k＝1，2，…，48}；2°24個或邏輯門實現(xiàn)理想劃分S＝{S(k)｜k＝1，2，…，24}。
(5)布爾運(yùn)算(b)(見圖4(b))1°1個或邏輯門α測試θi(i＝1，2，…，24)中是否存在取值為1的輸出；2°276個與非邏輯門βij(1≤i＜j≤24)測試θi＝(i＝1，2，…，24)中是否存在兩個或兩個以上取值為1的輸出；3°1個與門σ判定DFCN(N+1)<R，A，O>模糊聚類分析結(jié)論的有效性，σ＝1表示有效，σ＝0表示無效。
(6)布爾運(yùn)算(c)(見圖4(c))25個與邏輯門ζk(k＝1，2，…，24)輸出識別結(jié)果。
2.人體染色體自動識別算法實施過程(見圖6-7)為闡明實施例，人體染色體數(shù)字圖象獲取、預(yù)處理及特征選取等公知內(nèi)容也簡述于人體染色體自動識別與分類實施過程，以便較為完整地描述基于動態(tài)神經(jīng)元模糊計算模型的人體染色體自動識別計算機(jī)系統(tǒng)的工作流程。
(1)人體染色體數(shù)字圖象的獲取(見圖7)通過攝像頭拍攝顯微鏡下待識別人體染色體的G帶圖象，然后，經(jīng)視頻接口將拍攝的數(shù)字圖象傳送至計算機(jī)，并經(jīng)圖形卡進(jìn)行必要的處理。
(2)人體染色體數(shù)字圖象預(yù)處理(見圖8)1°邊緣基于人體染色體G帶圖象(見圖8(a))提取人體染色體邊緣(見圖8(b))；2°中軸線基于人體染色體邊緣提取人體染色體中軸線(見圖8(c))；3°著絲點(diǎn)基于人體染色體邊緣及其中軸線搜索人體染色體著絲點(diǎn)位置(見圖8(d))，并計算染色體的長臂長和短臂長。
(3)人體染色特征選取1°灰度分布基于人體染色體G帶圖象計算人體染色體沿其中軸線的灰度分布值，并用主元分析法(PCA)選出范化后的10個主元值d＝(d1，d2，…，d10)T；2°長度Lgh＝Nc/Ncmax，其中，Nc為中軸線點(diǎn)數(shù)，Ncmax為Nc可能的最大值；3°著絲點(diǎn)指標(biāo)Ci＝Sht/Lgh，其中，Sht為人體染色體短臂長度。
(4)人體染色體12維模糊特征向量X(0)＝(x1(0)，x2(0)…，x12(0))T＝(d1，d2，…，d10，Lng，Ci)T(17)(5)相似關(guān)系計算X(0)→u相似關(guān)系計算網(wǎng)絡(luò)按(9)式計算u＝(r01，r02，…，r0，96)T。
(6)將u＝(r01，r02，…，r0，96)T傳送至DFCN(N+1)<R，A，O>，并按(10)式形成R。
(7)為DFCN(N+1)<R，A，O>設(shè)置初始狀態(tài)O(0)＝(1，0，0，…，0)T∈{0，1}97×1，并按(11)式，從時刻t＝0運(yùn)行至穩(wěn)態(tài)時刻t＝ts≤96，達(dá)到穩(wěn)定狀態(tài)O(ts)＝(1，0，…0，1，1，1，1，0，0，0，0)T∈{0，1}97×1(18)(8)布爾運(yùn)算(a)按(13a-b)式對DFCN(N+1)<R，A，O>穩(wěn)定狀態(tài)O(ts)進(jìn)行運(yùn)算，產(chǎn)生滿足(8a-b)式的邏輯運(yùn)算結(jié)果Θ′＝(0，…，0，1，1，0，0)T(19a)Θ＝(0，…，0，1，0)T(19b)(9)布爾運(yùn)算(b)按(14a-b)式判別DFCN(N+1)<R，A，O>動態(tài)模糊聚類分析結(jié)論的有效性，產(chǎn)生邏輯運(yùn)算結(jié)果α＝1，βij＝1(1≤i＜j≤C)和σ＝1(10)動態(tài)神經(jīng)元模糊計算模型按(15a-b)式輸出對X(0)的識別和分類結(jié)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)即圖8(a)所示的人體染色體屬第23類。
3.動態(tài)神經(jīng)元模糊計算模型自動識別人體染色體的效果動態(tài)神經(jīng)元模糊計算模型自動識別人體染色體的效果因DFCN(N)<R，A，O>所具有的神經(jīng)元數(shù)目N的不同而異。表1(a-b)-表3(a-b)給出了3個不同規(guī)模的動態(tài)神經(jīng)元模糊計算模型自動識別人體染色體的試驗數(shù)據(jù)，其中表1(a-b)N＝24，每一個染色體類選取1個樣本；表2(a-b)N＝96，每一個染色體類選取4個樣本；表3(a-b)N＝240，每一個染色體類選取10個樣本。
為測試動態(tài)神經(jīng)元模糊計算模型，將人體染色體分為(1)樣本組X＝{X(k)｜k＝1，2，…，N}N分別為24，96，240(2)測試組P＝{P(k)｜k＝1，2，…，M}M＝720，每一染色體類取30個染色體分別定義識別率RID、誤識率RER和拒識率RUNRID=IDTotal-----(21a)]]>RER=ERTotal-----(21b)]]>RUN=UNTotal-----(21c)]]>其中，Total為測試數(shù)據(jù)總數(shù)，ID為正確識別的染色體數(shù)，ER為錯誤識別染色體數(shù)，UN為未能被識別(即使y0＝1)的染色體數(shù)。
由表1(a-b)-表3(a-b)可產(chǎn)生如下結(jié)論(1)動態(tài)神經(jīng)元模糊計算模型能正確識別作為知識源的人體染色體樣本；(2)動態(tài)神經(jīng)元模糊計算模型通過控制其閾值向量A可使其誤識率為零；(3)動態(tài)神經(jīng)元模糊計算模型的神經(jīng)元數(shù)目N越大，其識別率越高。
上述試驗結(jié)果與發(fā)明人對動態(tài)神經(jīng)元模糊計算模型所做的理論分析結(jié)論一致。誤識率為零表明，自動識別人體染色體的動態(tài)神經(jīng)元模糊計算模型具有可納性和可應(yīng)用性。
RID＝100％RER＝0％RUN＝0％<
表1(a)
RID＝78％RER＝0％RUN＝22％
表1(b)
RID＝87.4％RER＝0％RUN＝12.6％<
表2(b)
權(quán)利要求
1.一種自動識別人體染色體模式的動態(tài)神經(jīng)元模糊計算模型，作為一種智能計算方法，以人工神經(jīng)信息處理的方式實現(xiàn)模糊聚類分析運(yùn)算，特征在于其動態(tài)神經(jīng)元模糊計算模型的結(jié)構(gòu)具有人工神經(jīng)元網(wǎng)絡(luò)的基本結(jié)構(gòu)，構(gòu)成包括三部分(1)相似關(guān)系計算網(wǎng)絡(luò)計算X(0)與X(k)(k＝1，2，…，N)相似關(guān)系1°n個輸入節(jié)點(diǎn)接收X(0)＝(x1(0)，x2(0)，…，xn(0))T；2°N個輸出節(jié)點(diǎn)輸出計算結(jié)果u＝(r01，r02，…，r0N)T；3°輸入節(jié)點(diǎn)與輸出節(jié)點(diǎn)聯(lián)結(jié)模式每一個輸入節(jié)點(diǎn)聯(lián)結(jié)至所有的輸出節(jié)點(diǎn)；第i個輸入節(jié)點(diǎn)與第j個輸出節(jié)點(diǎn)的聯(lián)結(jié)強(qiáng)度記為xi(j)；n個輸入節(jié)點(diǎn)與第j個輸出節(jié)點(diǎn)聯(lián)結(jié)強(qiáng)度xi(j)(i＝1，2，…，n)形成第j個輸出節(jié)點(diǎn)的中心向量X(j)＝(x1(j)，x2(j)，…，xn(j))T；其中X＝{X(k)｜k＝1，2，…，N}N個染色體樣本經(jīng)計算機(jī)數(shù)字圖象預(yù)處理和特征選取后形成的n維模糊特征向量集合，其中，n維模糊特征向量X(k)＝(x1(k)，x2(k)，…，xn(k))T；X(0)＝(x1(0)，x2(0)，…，xn(0))T待識別染色體經(jīng)過計算機(jī)數(shù)字圖象預(yù)處理和特征選取后形成的n維模糊特征向量，(2)動態(tài)模糊聚類網(wǎng)絡(luò)對染色體進(jìn)行動態(tài)模糊聚類分析運(yùn)算1°神經(jīng)元集合{Nd(k)｜k＝0，1，2，…，N}神經(jīng)元Nd(k)對應(yīng)染色體模糊特征向量X(k)(k∈{0，1，2，…，N})；2°N階動態(tài)模糊聚類網(wǎng)絡(luò)DFCN(N)<R，A，O>由{Nd(k)｜k＝1，2，…，N}構(gòu)成，對X＝{X(k)｜k＝1，2，…，N}進(jìn)行動態(tài)模糊聚類分析運(yùn)算，實現(xiàn)染色體樣本理想劃分S＝{S(k)｜k＝1，2，…，C}(S(k)X)；3°(N+1)階動態(tài)模糊聚類網(wǎng)絡(luò)DFCN(N+1)<R，A，O>在DFCN(N)<R，A，O>中添加神經(jīng)元Nd(0)形成的擴(kuò)展網(wǎng)絡(luò)，對擴(kuò)展集合X＝{X(k))｜k＝0，1，2，…，N}進(jìn)行動態(tài)模糊聚類分析運(yùn)算，在染色體樣本理想劃分S＝{S(k)｜k＝1，2，…，C}的約束下對X(0)進(jìn)行識別；4°神經(jīng)元聯(lián)結(jié)模式任意兩個神經(jīng)元Nd(i)和Nd(j)存在聯(lián)結(jié)，其聯(lián)結(jié)強(qiáng)度記為rij∈
，規(guī)定對稱性rij＝rji(i，j∈{0，1，2，…，N})，自反性rii＝1(i∈{0，1，2，…，N})；其中S＝{S(k)｜k＝1，2，…，C}(S(k)X)X＝{X(k)｜k＝1，2，…，N}的理想劃分；αk∈(0，1](k＝0，1，2，…，N)Nd(k)的閾值；A＝(α1，α2，…，αN)TDFCN(N)<R，A，O>閾值向量；A＝(α0，α1，α2，…，αN)TDFCN(N+1)<R，A，O>閾值向量；R＝{rij}N×N∈
N×NDFCN(N)<R，A，O>的聯(lián)結(jié)強(qiáng)度矩陣，當(dāng)rij(i，j∈{1，2，…，N})為X(i)與X(j)的相似關(guān)系時，R為X×X上的模糊相似關(guān)系；R＝{rij}0≤i，j≤N∈
(N+1)×(N+1)DFCN(N+1)<R，A，O>的聯(lián)結(jié)強(qiáng)度矩陣，當(dāng)rij(i，j∈{0，1，2，…，N})為X(i)與X(j)的相似關(guān)系時，R為X×X上的模糊相似關(guān)系；oi(t)∈{0，1}(k＝0，1，2，…，N)Nd(k)在t時刻的狀態(tài)；O(t)＝(o1(t)，o2(t)，…，oN(t))TDFCN(N)<R，A，O>在t時刻的狀態(tài)；O(t)＝(o0(t)，o1(t)，o2(t)，…，oN(t))TDFCN(N+1)<R，A，O>在t時刻的狀態(tài)；(3)布爾邏輯運(yùn)算電路1°布爾運(yùn)算(a)實現(xiàn)理想劃分S＝{S(k)｜k＝1，2，…，C}；2°布爾運(yùn)算(b)判定DFCN(N+1)<R，A，O>模糊聚類分析結(jié)論的有效性；3°布爾運(yùn)算(c)輸出識別結(jié)果Y＝(y0，y1，y2，…，yC)T∈{0，1}(C+1)×1，其中，yk(k＝1，2，…，N)分別代表染色體各類別，特別地，y0代表非染色體類。
2.一種自動識別人體染色體模式的動態(tài)神經(jīng)元模糊計算模型，其以自組織的方式學(xué)習(xí)染色體數(shù)據(jù)結(jié)構(gòu)知識的方法，特征在于染色體樣本集合X＝{X(k)｜k＝1，2，…，N}的理想劃分S＝{S(k)｜k＝1，2，…，C}由DFCN(N)<R，A，O>和布爾運(yùn)算(a)實現(xiàn)，其實現(xiàn)過程依如下步驟進(jìn)行Step1.為理想劃分選擇可實現(xiàn)的子劃分S′＝{S′(k)｜k＝1，2，…，C′}(C≤C′≤N)，使S(k)={S′(Ωk+i)|Ωk=Σi=0k-1mi;i=1,2,…,mk}(k=1,2,…,C)-----(1)]]>其中，0＝m0＜m1≤m2≤…≤mC，∑i＝1Cmi＝C′，(C≤C′≤N)；Step2.對X＝{X(k)｜k＝1，2，…，N}進(jìn)行適當(dāng)排序，使子劃分S′滿足S′(k)={X(ΔK+i)|Δk=Σi=0k-1ni;i=1,2,…,nk}(k=1,2,…,C′)-----(2)]]>其中，0＝n0＜n1≤n2≤…≤nC′，∑i＝1C′ni＝N；Step3.計算X×X上染色體樣本特征向量的模糊相似關(guān)系R＝{rij}N×Nrij=1-1nΣk=1n(xk(i)-xk(j))2(i,j∈{1,2,…,N})-----(3)]]>并將其作為DFCN(N)<R，A，O>的聯(lián)結(jié)強(qiáng)度矩陣；Step4.調(diào)節(jié)DFCN(N)<R，A，O>閾值向量A＝(α1，α2，…，αN)T，使對任意給定的k∈{1，2，…，N}，當(dāng)DFCN(N)<R，A，O>初始狀態(tài)
時，其穩(wěn)定狀態(tài)O(ts)＝(o1(ts)，o2(ts)，…，oN(ts))T滿足
其中，DFCN(N)<R，A，O>按(5)式所示的動態(tài)并行算法運(yùn)行
“°”表示max-min模糊運(yùn)算，穩(wěn)定狀態(tài)O(ts)滿足O(ts+1)＝O(ts)； (6)Step5.當(dāng)DFCN(N)<R，A，O>達(dá)到穩(wěn)定狀態(tài)后，布爾運(yùn)算(a)開式進(jìn)行始按(7)式工作
其“AND”運(yùn)算實現(xiàn)理想子劃分S′＝{S′(k)｜k＝1，2，…，C′}，滿足
而“OR”運(yùn)算實現(xiàn)理想劃分S＝{S(k)｜k＝1，2，…，C}，滿足Θ＝(θ1，θ2，…，θC)T=(0,…,0,1jth,0,…,0)TX(k)∈S(j).------(8b)]]>
3.一種自動識別人體染色體模式的動態(tài)神經(jīng)元模糊計算模型，用于識別染色體模式時，其特征在于采用如下步驟完成Step1.輸入X(0)＝(x1(0)x2(0)…，xn(0))T；Step2.相似關(guān)系計算網(wǎng)絡(luò)計算X(0)與X(k)(k＝1，2，…，N)的相似關(guān)系r0k=1-1nΣi=1n(xi(0)-xi(k))2(k∈{1,2,…,N});-----(9)]]>Step3.相似關(guān)系計算網(wǎng)絡(luò)輸出計算結(jié)果u＝(r01，r02，…，r0N)T，并將其遞給DFCN(N+1)<R，A，O>，形成DFCN(N+1)<R，A，O>的聯(lián)結(jié)強(qiáng)度矩陣R_=r00(=1)uTuR;-----(10)]]>Step4.初始化DFCN(N+1)<R，A，O>令t＝0，設(shè)置DFCN(N+1)<R，A，O>的初始狀態(tài)O(0)＝(1，0，0，…，0)T∈{0，1}(N+1)×1；Step5.DFCN(N+1)<R，A，O>按(11)式所示的動態(tài)并行算法運(yùn)行
其中，DFCN(N+1)<R，A，O>的閾值向量
Step6.若O(t+1)≠O(t)，則令t＝t+1，并轉(zhuǎn)向Step5；Step7.令ts＝t+1，記錄穩(wěn)定狀態(tài)O(ts)＝O(t+1)；Step8.布爾運(yùn)算(a)按(13)式開始工作
Step9.布爾運(yùn)算(b)按(14a-c)式判別DFCN(N+1)<R，A，O>動態(tài)模糊聚類分析結(jié)論的有效性α＝θ1∨θ2∨…∨θC(14a)βij＝θi∧θj(1≤i＜j≤C)(14b)σ=(Λ1≤j≤Cβij)Λα-----(14c)]]>其中，α測試θi(i＝1，2，…，C)中是否存在取值為1的輸出，βij(1≤i＜j≤C)測試θi(i＝1，2，…，C)中是否存在兩個或兩個以上取值為1的輸出，σ用于判定DFCN(N+1)<R，A，O>模糊聚類分析結(jié)論的有效性，σ＝1表示有效，σ＝0表示無效；Step10.布爾運(yùn)算(c)按(15a-b)式輸出動態(tài)神經(jīng)元模糊計算模型對X(0)的識別結(jié)果y0＝o0(ts)∧σ(15a)yk＝θk∧σ(k＝1，2，…，C) (15b)Y中只有1個元素取值為1，其余取值為0，若yk＝1(k∈{1，2，…，C})，則X(0)描述的染色體屬于第k染色體類，特別的，y0＝1意味著X(0)屬于非染色體類。
全文摘要
一種自動識別人體染色體模式的動態(tài)神經(jīng)元模糊計算模型屬模式識別與信息處理技術(shù)領(lǐng)域,其主要特征在于:(1)神經(jīng)元Nd
文檔編號G06N3/02GK1259714SQ00100140
公開日2000年7月12日 申請日期2000年1月13日 優(yōu)先權(quán)日2000年1月13日
發(fā)明者阮曉鋼 申請人:北京工業(yè)大學(xué)