基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別

izhuhaodev 發(fā)布于2019-06-26 18:13 / 1371人閱讀

摘要：有研究證明，三層的人工神經(jīng)網(wǎng)絡(luò)可以模擬各種函數(shù)。三神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。

一.閾值邏輯單元

 閾值邏輯單元（threshold logic unit ，TLU），它可以輸入一組加權(quán)系數(shù)的量，對它們進(jìn)行求和，如果這個和達(dá)到或者超過了某個閾值，輸出一個量。例如，輸入為a1, a2, ..., an和權(quán)值 w1, w2,?..., wn。接著是求和計(jì)算出的   ai x wi?，產(chǎn)生了激發(fā)層 t，換一種方法表示：
    t = f((a1 x w1)+(a2 x w2)+...+(aI x wI)+...+ (an x wn)+b)

我理解的閾值邏輯單元就是用于解決多維線性加權(quán)求和問題的工具，那么遇到復(fù)雜問題該如何做呢？
二.人工神經(jīng)網(wǎng)絡(luò)

  人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡寫為ANNs）也簡稱為神經(jīng)網(wǎng)絡(luò)（NNs）或稱作連接模型（Connection Model），它是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。

通過將多個閾值邏輯單元組合，形成網(wǎng)絡(luò)，用來模擬非線性的問題。有研究證明，三層的人工神經(jīng)網(wǎng)絡(luò)可以模擬各種函數(shù)。
三.BP神經(jīng)網(wǎng)絡(luò)

  BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用梯度下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。
 這里利用了偏導(dǎo)數(shù)的知識去推導(dǎo)計(jì)算公式，具體我沒有列出，我自己在理解的時候是讀了《人工智能》（機(jī)械工業(yè)出版社），感興趣的朋友可以自己看一下。
 BP神經(jīng)網(wǎng)絡(luò)調(diào)整權(quán)值的過程更像是一種函數(shù)圖像逼近的過程，首先猜測一個函數(shù)，然后讀入一個數(shù)據(jù)點(diǎn)，根據(jù)數(shù)據(jù)點(diǎn)和函數(shù)圖像之間的差距調(diào)整函數(shù)，使得函數(shù)圖像更符合數(shù)據(jù)。不斷迭代，使得整個數(shù)據(jù)樣本都較為符合我們估計(jì)得函數(shù)。

四.步驟：
1.對權(quán)系數(shù)置初值
2.輸入一組樣本及它的希望輸出
3.計(jì)算實(shí)際輸出值
4.計(jì)算誤差值
5.反向傳播誤差值并調(diào)整權(quán)值
6.不斷訓(xùn)練（重復(fù)步驟2~5）
7.利用完成后的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測

五.Java代碼：
import java.io.File;
import java.io.RandomAccessFile;
import java.util.Random;

public class FaceRecognition {

private int picSize = 19 * 19;// 圖像大小
private int hiddenSize = 12;// 隱藏層節(jié)點(diǎn)個數(shù)
private byte[] imageinfor = new byte[374];// 存放圖像信息
private double[] input = new double[picSize + 1];// 歸一化后的圖像信息
private double[][] inputWeight = new double[hiddenSize][picSize + 1];// 輸入層參數(shù)
private double[] alpha1 = new double[hiddenSize];// 隱藏層調(diào)整的梯度
private double[] hiddenWeight = new double[hiddenSize + 1];// 隱藏層參數(shù)
private double[] hiddenOutput = new double[hiddenSize + 1];// 隱藏層輸出
private double alpha2;// 輸出層調(diào)整的梯度
private double output;// 輸出層
private double ci = 0.3;// 學(xué)習(xí)率
private double opt;// 期望輸出
Random random = new Random();
private double [] pro;

public FaceRecognition() {
}

// 初始化
public void init() {
    for (int i = 0; i < hiddenSize; i++) {
        for (int j = 0; j < picSize + 1; j++)
            inputWeight[i][j] = random.nextDouble() * 2 - 1;
        // inputWeight[i][j] =0;
    }
    for (int i = 0; i < hiddenSize + 1; i++) {
        hiddenWeight[i] = random.nextDouble() * 2 - 1;
        // hiddenWeight[i]=0;
    }
}

// sigmoid
private double Sigmoid(double x) {
    return 1.0d / (1.0d + Math.exp(-x));
}

// 圖像文件讀入
public void PGMReader(String filename) {
    File file = new File(filename);
    try {
        RandomAccessFile in = new RandomAccessFile(file, "r");
        in.read(imageinfor);
        in.close();
    } catch (Exception e) {
        e.printStackTrace();
    }
    for (int i = 0; i < picSize; i++) {
        int temp = (int) imageinfor[i + 13];
        input[i] = (double) (temp + 128) / 255;
    }
    input[picSize] = 1.0;
}

public void PGMReader(File file) {
    try {
        RandomAccessFile in = new RandomAccessFile(file, "r");
        in.read(imageinfor);
        in.close();
    } catch (Exception e) {
        e.printStackTrace();
    }
    for (int i = 0; i < picSize; i++) {
        int temp = (int) imageinfor[i + 13];
        input[i] = (double) (temp + 128) / 255;
    }
    input[picSize] = 1.0;
}

public void setOpt(double opt) {
    this.opt = opt;
}

private void forward() {
    for (int i = 0; i < hiddenSize; i++) {
        double temp = 0;
        for (int j = 0; j < picSize + 1; j++) {
            temp += input[j] * inputWeight[i][j];
        }
        hiddenOutput[i] = Sigmoid(temp);
    }
    hiddenOutput[hiddenSize] = 1.0;

    double temp = 0;
    for (int i = 0; i < hiddenSize + 1; i++) {
        temp += hiddenOutput[i] * hiddenWeight[i];
    }
    output = Sigmoid(temp);
}

public void BP() {
    // 計(jì)算各層的梯度
    alpha2 = (opt - output) * output * (1 - output);

    for (int i = 0; i < hiddenSize; i++) {
        alpha1[i] = hiddenOutput[i] * (1 - hiddenOutput[i]) * alpha2 * hiddenWeight[i];
    }

    // 反向傳播
    for (int i = 0; i < hiddenSize; i++) {    
        hiddenWeight[i] += ((hiddenOutput[i] * alpha2 * ci) );
        for (int j = 0; j < picSize + 1; j++) {
            inputWeight[i][j] +=((input[j] * alpha1[i] * ci));
        }
    }
    hiddenWeight[hiddenSize]+=(hiddenOutput[hiddenSize] * alpha2 * ci);
}

public void train() {
    String non_facePath = "D://人工智能//face.train//train//non-face";
    File non_facFile = new File(non_facePath);
    File[] non_faceList = non_facFile.listFiles();
    String facePath = "D://人工智能//face.train//train/face";
    File faceFile = new File(facePath);
    File[] faceList = faceFile.listFiles();
    init();
    pro =new double [151];
    
    
    for(int i =0;i<151;i++){
        int right = 0;
        int facenumber =0;
        int nonfacenumber =0;
        
        for (int j = 0; j < 4000; j++) {
            int temp = random.nextInt();
            if(temp%2 ==0)
            { // 正例訓(xùn)練
                this.setOpt(1.0);
                this.PGMReader(faceList[facenumber]);
                this.forward();
                this.BP();
                facenumber++;
            }
            else{ // 反例訓(xùn)練

                this.setOpt(0.0);
                this.PGMReader(non_faceList[nonfacenumber]);
                this.forward();
                this.BP();
                nonfacenumber++;
            }
        }

        for (int j = 2000; j <2400; j++) {
            { // 正例測試
                this.PGMReader(faceList[j]);
                this.forward();
                if (output > 0.5)
                    right++;
            }
            { // 反例測試
                this.PGMReader(non_faceList[j]);
                this.forward();
                if (output < 0.5)
                    right++;
            }
        }
        pro[i] = (double) right / 800;
        if(i%10==0)
        {
            System.out.println("第"+i+"次迭代估算正確率為：" + pro[i]);
        }
        
        if(pro[i]>=0.95){
            System.out.println("第"+i+"次迭代估算正確率為：" + pro[i]);
            break;
        }
            
    }
}

}
這里我采用的數(shù)據(jù)的格式是PGM，19*19大小的，訓(xùn)練集一共有4800張，一半正例一半反例。
具體的實(shí)現(xiàn)，我感覺代碼寫的比較清楚，我就不贅述了。

GPU云服務(wù)器云服務(wù)器基于bp神經(jīng)網(wǎng)絡(luò)的圖像識別基于子空間的人臉識別基于人臉圖像識別技術(shù) 基于神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像識別

文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。

轉(zhuǎn)載請注明本文地址：http://systransis.cn/yun/19604.html

發(fā)表評論

登陸后可評論

0條評論

izhuhaodev

男|高級講師

我要關(guān)注我要私信

TA的文章

【線代&NumPy】第八章 - 特征值和特征向量 | Eigenvalue and

閱讀 3361·2021-11-25 09:43
樹莓派4B安裝uboot

閱讀 3153·2021-10-11 10:58
MoeCloud：249元/月/2核/2GB內(nèi)存/20GB空間/12TB流量/300Mbps-1Gb

閱讀 2757·2021-09-27 13:59
快云科技：賀中秋迎國慶云VPS7折年付僅5折獨(dú)立服務(wù)器85折以上產(chǎn)品續(xù)費(fèi)永久同價

閱讀 3088·2021-09-24 09:55
如何檢測css特性

閱讀 2179·2019-08-30 15:52
不知道層疊，別說你懂CSS

閱讀 1840·2019-08-30 14:03
大三下學(xué)期實(shí)訓(xùn)，錄制的視頻【雖然感覺沒什么用吧】

閱讀 2267·2019-08-30 11:11
CSS：關(guān)于元素寬度與高度的討論系列文章（一）

閱讀 2033·2019-08-28 18:12

成人国产在线小视频_日韩寡妇人妻调教在线播放_色成人www永久在线观看_2018国产精品久久_亚洲欧美高清在线30p_亚洲少妇综合一区_黄色在线播放国产_亚洲另类技巧小说校园_国产主播xx日韩_a级毛片在线免费

資訊專欄INFORMATION COLUMN

上云采購季！| 2核2G4M爆款云服務(wù)器低至59元/年，更有多臺、長期優(yōu)惠，快來選購！

基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別

相關(guān)文章