A device and method for a pattern recognition system using a self-training neural network classifier with automated outlier detection for use in chemical sensor array systems. The pattern recognition system uses a Probabilistic Neural Network (PNN) training computer system to develop automated classification algorithms for field-portable chemical sensor array systems. The PNN training computer system uses a pattern extraction unit to determine pattern vectors for chemical analytes. These pattern vectors form the initial hidden layer of the PNN. The hidden layer of the PNN is reduced in size by a learning vector quantization (LVQ) classifier unit. The hidden layer neurons are further reduced in number by checking them against the pattern vectors and further eliminating dead neurons using a dead neuron elimination device. Using the remaining neurons in the hidden layer of the PNN, a global, .sigma. value is calculated and a threshold rejection value is determined. The hidden layer, .sigma. value and the threshold value are then downloaded into a PNN module for use in a chemical sensor field unit. Based on the threshold value, outliers seen in the real world environment may be rejected and a predicted chemical analyte identification with a measure of uncertainty will be provided to the user.

Een apparaat en een methode voor een systeem dat van de patroonerkenning een zelf-opleidt neurale netwerkclassificator met geautomatiseerde uitloperopsporing gebruikt voor gebruik in de chemische systemen van de sensorserie. Het systeem van de patroonerkenning gebruikt een Probabilistic Neuraal de opleidingscomputersysteem van het Netwerk (PNN) om geautomatiseerde classificatiealgoritmen voor de gebied-draagbare chemische systemen van de sensorserie te ontwikkelen. Het PNN opleidingscomputersysteem gebruikt een eenheid van de patroonextractie om patroonvectoren voor chemische analytes te bepalen. Deze patroonvectoren vormen de aanvankelijke verborgen laag van PNN. De verborgen laag van PNN wordt verminderd in grootte door een het leren eenheid vector van de kwantificatie (LVQ) classificator. De verborgen laagneuronen worden verder verminderd in aantal door hen tegen de patroonvectoren en de verdere het elimineren dode neuronen te controleren gebruikend een dood apparaat van de neuronenverwijdering. Het gebruiken van de resterende neuronen in de verborgen laag van PNN, globaal, wordt sigma. waarde berekend en een waarde van de drempelverwerping wordt bepaald. De verborgen laag, wordt sigma. waarde en de drempelwaarde dan gedownload in een module PNN voor gebruik in een chemische eenheid van het sensorgebied. Gebaseerd op de drempelwaarde, kunnen worden gezien de uitlopers die in het echte wereldmilieu worden verworpen en een voorspelde chemische analyte identificatie met een maatregel van onzekerheid zal aan de gebruiker worden verstrekt.