视觉情感识别系统的设计与实现

在现实生活中,人们具有丰富的情感,而情感会影响人的行为及认知等.为了获取并识别人类的情感,提出一种基于深度学习的"视觉情感识别系统"的设计方案.通过Python语言编写网络爬虫程序,爬取网络上带有情感标签的人脸图片,从而为神经网络的训练提供数据;采用Keras框架搭建卷积神经网络,对带有情感标签的人脸图片进行深度学习,使卷积神经网络收敛到理想的模型,从而实现对人脸图片的情感识别.实验结果表明,该方案具有一定的识别效率.     

基于粒子群优化神经网络的语音情感识别

提出了一种基于粒子群优化算法的人工神经网络,并把它应用到语音情感识别系统中。依据情感的维度空间模型,分别提取了韵律特征与音质特征,研究了谐波噪声比特征随情感类别的变化。利用粒子群优化算法(PSO)训练随机产生的初始数据,优化神经网络的连接权值和阈值,快速地实现网络的收敛。在实验中比较了BP神经网络、RBF神经网络与PSO神经网络分别用于语音情感识别的识别率,PSO神经网络的平均识别率高于BP神经网络6.7%,高于RBF神经网络5.4%。结果显示,粒子群优化神经网络用于语音情感识别提高了识别性能。     

基于EMBP情感神经网络的人脸识别算法研究

在传统BP神经网络基础上,引入情感因素,重新构建了BP神经网络结构,建立了EMBP情感神经网络,给出了EMBP网络的权值修正算法,把该算法应用于人脸识别.采用奇异值分解（SVD）对人脸图像进行信息压缩,提取人脸数据的奇异特征值作为EMBP情感神经网络输入信号,并设计EMBP人脸分类器.实验结果表明,在奇异值特征个数保持不变前提下,随着参与训练样本数增加,系统的识别率逐渐提高,EMBP的性能比普通BP有明显的提高.     

基于免疫RBF神经网络的语音情感识别

本文针对语音情感识别中BP神经网络收敛速度慢和正确率低的问题,提出了一种训练径向基函数(RBF)网络的混合算法。在语音情感特征提取的基础上,采用免疫RBF神经网络进行情感识别,同时还训练了一个BP网络进行对比实验,得到了比较理想的识别结果。     

基于2DPCA和RBF神经网络的人脸识别方法

采用2DPCA方法提取人脸图像的特征值,通过RBF神经网络进行训练和识别,提出一种基于2DPCA和RBF神经网络的人脸识别方法,并将此方法应用于ORL人脸库。实验结果表明,该方法不仅具有较好的人脸图像识别能力,而且能明显缩短识别算法的运行时间。     

手语到情感语音的转换

为了解决语言障碍者与健康人之间的交流障碍问题,提出了一种基于神经网络的手语到情感语音转换方法。首先,建立了手势语料库、人脸表情语料库和情感语音语料库;然后利用深度卷积神经网络实现手势识别和人脸表情识别,并以普通话声韵母为合成单元,训练基于说话人自适应的深度神经网络情感语音声学模型和基于说话人自适应的混合长短时记忆网络情感语音声学模型;最后将手势语义的上下文相关标注和人脸表情对应的情感标签输入情感语音合成模型,合成出对应的情感语音。实验结果表明,该方法手势识别率和人脸表情识别率分别达到了95.86%和92.42%,合成的情感语音EMOS得分为4.15,合成的情感语音具有较高的情感表达程度,可用于语言障碍者与健康人之间正常交流。     

一种应用PSO优化RBF神经网络的方法

RBF神经网络算法是一种常用的数据训练方法,在该训练过程中,如何选取更合理的个体作为RBF神经网络的神经元,直接关系到该数据训练方法的性能.利用传统的RBF神经网络模型进行数据训练,由于不同的神经元之间的差异性较小,造成建立的RBF神经网络集成模型的精确度过低.为此,提出应用PSO优化RBF神经网络的方法.动态构造PSO优化RBF神经网络结构,针对不同的动态构造方法进行分类,得到网格删除法、网络构造法和综合法等不同的动态构造方法,在动态构造的基础上,建立引用PSO优化RBF神经网络模型,计算RBF神经网络中的粒子变量,获取对应的适应性值,得到RBF神经网络的输出结果,实现应用PSO优化的RBF神经网络建模.实验结果表明,利用改进算法进行RBF神经网络构建,能够降低RBF神经网络的数据训练误差,满足实际需求.     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数（RBF）神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLABR2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

一种新的RBF神经元网络分类算法

为了改善对人工神经网络行为的认识和研究中的"黑匣子"式的难以处理的状态,基于RBF神经元模型的几何解释,提出了一种新的RBF神经网络分类算法,算法把RBF神经元看作是高维空间里的超球面,从而将神经网络训练问题转化为点集"包含"问题.同传统的RBF网络相比,算法能够自动地优化RBF网络中核函数的个数、中心和宽度,同时,省去了传统RBF神经网络输出层线性连接权的计算,简化了网络的学习过程,大大缩短了训练时间,并且通过实验证明了算法的有效性.     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数(RBF)神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLAB R2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

奇异值和RBF神经网络的彩色人脸识别

目前已有研究表明,相对于灰度图像,利用图像的彩色信息能改进人脸图像的识别率。但近年来的彩色人脸识别研究较少。提出了一种基于奇异值向量和RBF神经网络的彩色人脸图像识别方法。首先说明了彩色图像的奇异值向量具有代数和几何不变性,再将降维的奇异值向量作为图像的特征,然后应用RBF神经网络进行训练和识别。实验表明该方法的识别率为95%左右,是一种有效的彩色人脸识别方法。     

A fuzzy hybrid learning algorithm for radial basis function neural network with application in human face recognition

This paper presents a fuzzy hybrid learning algorithm (FHLA) for the radial basis function neural network (RBFNN). The method determines the number of hidden neurons in the RBFNN structure by using cluster validity indices with majority rule while the characteristics of the hidden neurons are initialized based on advanced fuzzy clustering. The FHLA combines the gradient method and the linear least-squared method for adjusting the RBF parameters and the neural network connection weights. The RBFNN with the proposed FHLA is used as a classifier in a face recognition system. The inputs to the RBFNN are the feature vectors obtained by combining shape information and principal component analysis. The designed RBFNN with the proposed FHLA, while providing a faster convergence in the training phase, requires a hidden layer with fewer neurons and less sensitivity to the training and testing patterns. The efficiency of the proposed method is demonstrated on the ORL and Yale face databases, and comparison with other algorithms indicates that the FHLA yields excellent recognition rate in human face recognition.     

基于多特征融合和BoostingRBF神经网络的人脸识别

提出一种多特征信息融合的人脸识别方法.应用Zernike矩方法和非负矩阵分解法(NMF)分别提取具有旋转不变性的人脸几何特征和人脸子空间投影系数特征,将这两种具有一定互补性的特征串行融合,得到一个分类能力更强的特征.在此基础上,采用RBF神经网络进行人脸识别.为了提高神经网络的分类准确率和泛化能力,采用Boosting方法进行网络集成.实验结果表明,提出的算法利用较少样本数据即可快速地进行人脸识别.     

基于模糊聚类的“愤怒”表情细分方法研究

伴随情感计算和人机交互界面的快速发展,计算机的情感识别能力受到越来越多的关注。近年来针对面部表情识别存在很多方法,然而对于表情层次的细分研究却不多。目前网约车司机以及公交乘客的情绪失控情况无法被摄像头监控系统及时检测,该研究有助于此问题的解决。文中针对"愤怒"表情进行层次细分研究。首先通过RBF神经网络进行大类情绪识别,然后从已识别‘愤怒’情绪的多帧视频图像样本中选取出部分连续的图像样本。接着把选取出的连续样本进行融合聚类,确定初始聚类中心个数。最后通过自适应神经模糊推理系统(adaptive neural-based fuzzy inference system,ANFIS)对识别出的愤怒表情进行打分,分值越高愤怒程度越高。创新点在于情绪样本图片的选取上,基于人的情绪是有一定生成过程,选取同一个人"愤怒"时的连续多张图片作为样本。通过实验结果证明了该方法的有效性。     

基于RBF神经网络的抗噪语音识别

针对目前在噪音环境下语音识别系统性能较差的问题,利用RBF神经网络具有最佳逼近性能、训练速度快等特性,分别采用聚类和全监督训练算法,实现了基于RBF神经网络的抗噪语音识别系统。聚类算法的隐含层训练采用K－均值聚类算法,输出层的学习采用线性最小二乘法;全监督算法中所有参数的调整基于梯度下降法,它是一种有监督学习算法,能够选出性能优良的参数。实验表明,在不同的信噪比下,全监督算法较之聚类算法有更高的识别率。     

基于神经网络的多元特征融合身份识别系统

从信息融合的角度出发，利用神经网络的方法将语音信号、人脸图像等多元特征数据信息有机地结合起来，设计并实现了一种基于神经网络的智能融合身份识别系统。系统利用改进的线性预测和轮廓检测等方法，求出3类特征参数，并将它们进行关联，最后利用RBF人工神经网络进行融合识别。实验表明，与传统的单一特征识别系统相比，该方法具有更好的识别效果。     

应用RBF神经网络的体绘制传递函数设计方法

提出一种基于RBF神经网络的体绘制多维传递函数设计方法,利用直观的交互界面,通过画笔获得感兴趣体素的特征信息作为训练样本对RBF神经网络进行训练,使用训练后的RBF神经网络实现全部体素的分类识别,对不同的分类结果赋予不同的光学参数进行显示,自动完成传递函数的设计。实验结果表明,所设计的交互界面能直观方便地定义感兴趣的对象,大幅提高人机交互的效率;RBF神经网络的自主学习能力能够避免传递函数设计的盲目性,增强感兴趣区域的绘制效果,实现传递函数设计的自动化和智能化。     

RBF神经网络在人脸识别中的应用

RBF是模式识别中应用最为广泛的一种神经网络。将这种网络应用于人脸识别,建立了人脸识别模型。通过改进隐含层中心选择算法,利用Yale人脸图像数据库进行仿真实验,对比分析了它们各自的识别率指标,说明本文提出的方法在不影响识别率的情况下可以显著提高人脸识别的速度,减小系统的存储量,从而满足人脸识别的实用性要求。     

几种机器学习方法在人脸识别中的性能比较

BP神经网络、RBF神经网络、支持向量机（SVM）和集成学习是目前应用最为广泛的四种机器学习方法。将这四种常用的机器学习方法分别应用于人脸识别,并利用ORL人脸图像库对各学习方法性能进行了测试和评估。测试结果表明SVM和集成学习在实验中取得了较好的性能,最适合用于人脸识别中特征分类器。