基于信息技术服装企业管理系统的研究

本文讨论了服装企业管理的现状与发展，介绍了信息技术的发展对服装企业管理的影响，最后对基于信息技术的服装企业管理信息系统进行了分析和研究。     

基于CNN集成的面部表情识别

针对面部表情识别在许多领域的重要应用,本文提出了一种基于卷积神经网络(convolutional neural network,CNN)集成的面部表情识别(facial expression recognition,FER)方法。采用3种网络结构不同的卷积神经网络进行训练,利用这些深层模型,使用基于验证准确性的多数投票、简单平均和加权平均的集合方法,在CK+数据集和FER-2013数据集上分别测试单一网络模型和集合网络模型。测试结果表明,单一模型的最佳识别率分别为98.99%和66.45%,集合网络的最佳识别率分别达到99.33%和67.98%,说明使用集合方法的模型比单一模型表现更佳,其中加权平均的集合方法优于简单平均和多数投票,说明本文所提出的方法能够满足面部表情识别的要求。该研究具有一定的实际应用价值。     

控制系统的无静差最优扰动抑制

研究具有外部持续扰动的线性控制系统最优无静差扰动抑制问题。通过构造无静差内模扰动补偿器,将带持续扰动的系统转化为无扰动的增广系统。从而将最优无静差扰动抑制问题转化为无扰动增广系统的最优控制问题。利用系统能控和能观测的秩判据证明了增广系统的能控性和能观测性。通过该方法求得的控制律既实现了扰动的完全抑制又达到了最优控制目的,且具有较好的鲁棒性。     

即时战略游戏的智能流场寻路算法设计与实现

针对即时战略游戏中多智能体寻路时间长和移动碰撞阻塞的问题,提出一种基于组合式改进的流场寻路算法。首先,采用红黑树存储数据,提高数据的存取速度;其次,采用惩罚函数将非线性的偏微分方程问题转化为线性的无约束问题,简化完整代价值的计算方式;最后,引入前置邻接点关联节点,生成流场方向。该算法与改进前的流场寻路算法相比,路径计算时间减少20%,平均移动时间稳定在20 s。实验结果表明,在即时战略游戏中采用改进后的流场寻路算法能够有效缩短寻路时间,提高智能体移动速度,提升游戏人工智能水平。     

基于图像的面部表情识别方法综述

近年来,面部表情识别在教育、医学、心理分析以及商业领域得到了广泛关注。针对目前表情识别方法不够系统、概念模糊的问题,对面部表情识别的步骤及其方法进行了综述探讨。首先,介绍了目前常用的人脸表情数据集,并回顾了面部表情识别的发展历程;然后,介绍了人脸表情识别的面部表情编码和面部表情识别过程这两个方面,归纳了人脸面部表情识别的四个过程,重点总结了特征提取和表情分类两个过程中的经典算法以及这些算法的基本原理和优劣比较;最后,指出了目前面部表情识别存在的问题和未来可能的发展趋势。     

设备维修管理方法的研究

论述了设备维修管理的重要性，介绍了设备维修管理方法的发展趋势，最后对计算机管理系统的开发进行了分析与研究。     

基于深度学习的面部表情识别研究

针对基于深度学习的静态人脸图像表情识别方法进行研究,首先介绍了深度学习的原理,并归纳了目前公开且常用的面部表情数据集;然后介绍了基于深度学习的表情识别的三个步骤,归纳了图像预处理和表情分类的主要方法,重点总结了目前性能较好用来提取特征的深度学习框架以及这些方法的基本原理和优劣势比较;最后指出了目前面部表情识别存在的问题和未来可能的发展趋势。     

有遮挡人脸识别方法综述

现实人脸识别系统的图像采集过程中往往存在光照、姿态、遮挡等不确定性因素,传统的人脸识别方法识别效果不佳,有效地处理这些问题提高识别效率仍是人脸识别系统中的难点。回顾了传统的人脸识别的相关方法,重点针对人脸遮挡的处理方法,从遮挡区域如何重构地生成模型,如何检测遮挡位置的判别模型及鲁棒特征提取三个方面进行了详细的综述,比较了各自的优缺点及应用场合,总结分析了目前有遮挡人脸识别存在的问题和未来研究方向。     

构建并行卷积神经网络的表情识别算法

目的 表情识别在商业、安全、医学等领域有着广泛的应用前景,能够快速准确地识别出面部表情对其研究与应用具有重要意义。传统的机器学习方法需要手工提取特征且准确率难以保证。近年来,卷积神经网络因其良好的自学习和泛化能力得到广泛应用,但还存在表情特征提取困难、网络训练时间过长等问题,针对以上问题,提出一种基于并行卷积神经网络的表情识别方法。方法 首先对面部表情图像进行人脸定位、灰度统一以及角度调整等预处理,去除了复杂的背景、光照、角度等影响,得到了精确的人脸部分。然后针对表情图像设计一个具有两个并行卷积池化单元的卷积神经网络,可以提取细微的表情部分。该并行结构具有3个不同的通道,分别提取不同的图像特征并进行融合,最后送入SoftMax层进行分类。结果 实验使用提出的并行卷积神经网络在CK+、FER2013两个表情数据集上进行了10倍交叉验证,最终的结果取10次验证的平均值,在CK+及FER2013上取得了94.03%与65.6%的准确率。迭代一次的时间分别为0.185 s和0.101 s。结论 为卷积神经网络的设计提供了一种新思路,可以在控制深度的同时扩展广度,提取更多的表情特征。实验结果表明,针对数量、分辨率、大小等差异较大的表情数据集,该网络模型均能够获得较高的识别率并缩短训练时间。