基于主元分析和神经网络的人脸识别方法

人脸自动识别是模式识别领域中一项具有广阔应用前景和实际应用价值的热门课题 .文中提出了一种主元分析和神经网络相结合的方法进行人脸识别 .我们先对图像进行归一化处理 ,采用主元分析法对图像的主特征分量进行提取 ,然后以一个径向基函数神经网络作为分类器 ,进行人脸识别 .实验结果表明 ,这种方法在采用多样本训练后 ,具有较高的识别率 .     

基于主元分析和神经网络的人脸识别方法

人脸自动识别是模式识别领域中一项具有广阔应用前景和实际应用价值的热门课题．文中提出了一种主元分析和神经网络相结合的方法进行人脸识别．我们先对图像进行归一化处理，采用主元分析法对图像的主特征分量进行提取，然后以一个径向基函数神经网络作为分类器，进行人脸识别．实验结果表明，这种方法在采用多样本训练后，具有较高的识别率。     

基于主元分析和BP神经网络的人脸识别研究

该文提出了一种主元分析和BP神经网络相结合的人脸识别方法。其中主元分析方法用于提取人脸图像的特征，而BP神经网络用于对提取的人脸特征进行识别。实验结果表明，在进行人脸识别时，该文提出的主元分析和BP神经网络相结合的方法同传统的主元分析方法相比取得了良好的效果。此方法具有较高的识别率、较强的自适应性以及对噪声的鲁棒性。     

基于卷积神经网络和PCA的人脸识别

主要研究了在基于深度学习的人脸识别算法中,对于由深度卷积神经网络提取得到的人脸特征进行降维处理是否有助于提高人脸识别的准确率.利用VGG网络模型提取人脸图像的深度特征,然后利用主成分分析(PCA)对提取到的深度特征进行降维,最后利用余弦分类器进行分类识别,并在LFW人脸库上进行实验.实验结果表明通过PCA降维后的深度特征具有较高识别率.     

基于改进的ICA和RBF神经网络的人脸识别

为了提高人脸识算法的训练识别速度以及准确率,提出一种改进的人脸识别算法。将独立成分分析(independent component analysis,ICA)与径向基函数(radial basis function,RBF)神经网络相结合,利用ICA算法对人脸图像进行特征提取,采用牛顿迭代法提升其迭代性能;引入松弛因子,在保证收敛速度的前提下,放宽对初始权值选取的局限性。将特征信息作为RBF神经网络学习输入,采用监督聚类方法对神经网络进行构建和初始化,利用线性最小二乘法调整输出层连接权值,梯度下降法调整隐含层中心以及高斯宽带,通过训练学习获得最终的人脸识别分类结果。对比实验结果表明,改进的人脸识别算法训练速度和识别速度更快,准确率更高。     

基于Kernel PCA的人脸识别算法的探讨

扼要阐明抽取二维人脸图像特征方法并进行人脸识别,结合实验结果进行分析比较主元分析和核主元分析方法的优缺点,得出核主元分析方法在人脸识别算法中误识率低,解决了维数和小样本问题,能准确快速识别人脸的结论.     

基于卷积神经网络和PCA的低分辨率人脸识别

针对真实场景下采集的人脸图像受环境、设备影响导致分辨率低且图像识别率较低的问题,应用深度学习技术,提出一种基于卷积神经网络(CNN)和主成分分析(PCA)的低分辨率人脸识别算法.首先利用图像超分辨率重构将低分辨率图像重建为高分辨率图像;其次利用CNN提取重建后人脸图像特征,对损失函数进行优化;再利用PCA对特征进行降维,得到更优的分类特征;最后利用支持向量机(SVM)、向量间距离等算法筛选出最优人脸分类并计算准确率.实验表明,该算法在LFW和FERET上均取得更好的识别效果,当人脸图像分辨率下降到8×8时,准确率仍能到达94.5％,优于其他算法并且降低了运算时间.     

一种特定条件下的人脸识别系统

人脸识别是模式识别领域中的一个困难而又具有实际应用价值和广阔应用前景的研究课题,文中用投影法分割人脸图像,采用自适应多主元提取算法提取人脸的主要分量特征,设计了一个组合分类器进行人脸的识别,实验结果表明本文所采用的识别算法在特定的部门或场合,对少数人员（目标）身份的准确识别非常有效。     

视频序列中的人脸实时跟踪与识别方法

集成了基于肤色的人脸跟踪和基于PCA/BPNN(主成分分析/前馈神经网络)的人脸识别技术,提出了一种人脸实时跟踪与识别方法.该方法可以实现复杂背景下的人脸跟踪,并可处理人脸遮挡问题.通过平均视频序列中的多幅人脸图像,获得了很高的正确识别率.该方法在800 MHz主频的微机上实现,系统处理速度达20帧/s.     

基于LM算法神经网络的人脸识别

本文主要描述了将通过主成分分析（PCA）算法得到的人脸图像特征矩阵输入到神经网络中进行学习训练,之后输入测试集人脸特征矩阵进行识别判定。通过使用LM算法作为BP神经网络的训练算法并利用Matlab软件进行仿真实验,得到快速、准确的人脸识别系统。实验证明,基于LM算法的BP网络在人脸识别领域具有良好的应用前景。     

A new PQ disturbances identification method based on combining neural network with least square weighted fusion algorithm

Power quality (PQ) has been an important con-cern for utility, facility and consulting engineers in re-cent years. With the development of modern industrytechnology, especially thatof electronic and informationtechnology, the end-use equipment sensitive to PQdis-turbances are widely used in many areas. They requirenot only the conventional static PQ disturbances, suchas harmonics, voltage fluctuations, voltage deviation,frequency deviation and unbalance, but also the dy-namic PQ disturbance…     

神经网络与压缩映射遗传算法耦合技术研究

多层神经网络的BP算法的学习过程与网络中的连接权值、传输函数类型的选择以及BP所用的梯度优化算法密度相关，网络可能会出现收敛于局部次优或不收敛的现象。将压缩映射遗传算法应用于BP神经网络的数学模型，构建一种新型的压缩映射神经网络，这种神经网络收敛于全局最优解。     

基于动态神经网络(DNN)的多通道有源消声仿真分析

为了克服传统的多通道自适应有源消声FXLMS算法稳定性、泛化能力等方面的不足,尝试把动态神经网络应用于控制器算法和抵消路径的辨识。文中提出了多通道动态神经网络(MDNN)算法,该算法把控制器算法和抵消路径的辨识结合在一起考虑,并都用动态神经网络来实现。通过理论分析和仿真实验证明该算法有比FXLMS优越的性能。     

改进的输出误差法用于不稳定飞机参数辨识

为解决输出误差法在不稳定飞机参数辨识过程中的数值发散问题以及初值依赖问题,设计了一种结合神经网络、粒子群优化算法以及Levenberg-Marquardt算法的系统辨识方法。首先,为解决输出误差法的数值发散问题,以神经网络拟合待辨识系统的动力学特性。不同时刻的飞行试验数据用于训练神经网络,训练好的网络可以直接对下一时刻的运动状态进行预测,从而避免对不稳定运动方程的求解。其次,基于粒子群优化算法搜索Levenberg-Marquardt算法中的最佳阻尼因子,并以改进的LM算法替代输出误差法中的高斯-牛顿算法。接下来,改进的LM算法与训练好的神经网络结合得到了一种新的参数辨识算法。最后,基于不稳定飞机的闭环仿真飞行试验数据对提出的算法进行了验证。研究结果表明:与传统的最小二乘法和人工稳定的输出误差法的估计结果相比,所采用的算法具有更高的估计精度;同时,所提出的算法中可以随机选取待辨识参数的初值,克服了输出误差法对参数初值的依赖。本文的研究成果可以直接用于其他不稳定非线性动力学系统辨识领域,经过修改后还可以用于其他非线性优化领域。     

基于Q学习的异构多智能体系统最优一致性

对有领导者的异构离散多智能体系统的最优一致性问题,提出了一种无模型的基于非策略强化学习的控制协议设计方法。由于异构多智能体系统的状态矩阵不同,其局部邻居误差的动态表达式比较复杂。与现有的多智能体系统分布式控制方案相比,所提算法减少了计算的复杂性。首先,建立由增广变量构造的多智能体系统全局邻居误差动态表达式。其次,通过二次型形式的值函数得到耦合贝尔曼方程和Hamilton?Jacobi?Bellman（HJB）方程。再次,求解耦合HJB方程的最优解,得到多智能体最优一致性的纳什均衡解,并给出纳什均衡证明。从次,基于无模型的非策略Q学习算法,求解多智能体最优一致性的纳什均衡解。最后,利用批判神经网络结构,结合梯度下降法实现了所提出的算法,并通过仿真实例验证了算法的有效性。     

基于人工神经网络说话人识别的身份认证方案

由于CPSO--BP神经网络通过在粒子群优化算法中引入混沌思想,改善了粒子群优化算法摆脱局部极值点的能力,提高了BP网络的计算精度和收敛速度,使得基于BP神经网络的说话人识别其识别率和训练速度都得到较大提高。本文将该识别技术应用到身份认证中,提出了一种新的基于生物特征的身份认证方案,通过对其性能的分析研究,新的方案是安全有效的。     

基于 ANN 的 FMS 故障诊断模型及其学习算法

讨论了基于前馈型神经网络的ＦＭＳ故障诊断模型，并提出一种用于前馈型神经网络训练的改进ＢＰ算法和基于遗传算法的网络初始点获取策略，给出一种通用前馈型神经网络结构和学习参数自整定学习算法，最后应用上述方法建立了基于前馈型神经网络的ＦＭＳ机器人故障诊断模型，并用所提出的新的学习算法对网络进行了学习，与传统ＢＰ算法比较，学习速度较快，且不易陷入局部极小点     

基于改进的Chebyshev神经网络的用水量预测

针对目前Chebyshev神经网络存在的不足,从算法和网络结构方面进行了综合改进。改进后的Chebyshev神经网络不仅符合生物神经网络的基本特征,算法简单,收敛速度快,而且网络输入可以是任意值,是一种多输入的多层前向神经网络模型,因而扩大了网络辨识模型的能力与学习适应性,并有逼近任意线性和非线性映射的优异特性。用改进的Chebyshev神经网络对城市的家庭用水需求量进行建模和预测。仿真结果表明,改进的Chebyshev神经网络为预测家庭用水需求量提供了一种有效的方法,它不仅具有优良的预测能力,而且在相同精度的前提下,其收敛速度也优于一般的BP网络。     

基于模糊逻辑推理的BP神经网络及其应用

阐述了ＢＰ神经网络的原理及学习算法,在结合模糊逻辑推理的基础上提出了一种具有分层结构,能够进行规则自提取、自修正、自学习的复合模糊ＢＰ神经网络模型。这种模糊神经网络不仅可以充分利用原有的专家的经验和知识,而且能够从实际数据中通过不断学习获取新的知识和推理规则。同时,在相应的网络权值训练中引入了遗传算法和模糊逻辑控制器的优化求解思想。还进一步探讨了将这种网络模型用于汇率分析系统的形式和方法。     

一种改进的BP算法及其在模式识别中的应用

针对前馈神经网络中传统BP算法的局限性，给出了一种改进的BP算法，选取了一种新的误差函数，并对其参数进行了动态自适应调整．通过比较，改进的BP算法收敛特性明显优于传统的BP算法．实践证明，将上述算法应用于对工业零件的识别当中，可有效提高识别速度和识别正确率约17％．