基于多遗传算法的BP神经网络人脸识别

人脸识别应用十分广泛,在实际问题中较高的识别率十分重要,其中BP神经网络模型广泛用于人脸识别.然而在现实应用中,BP神经网络结构和权值阈值的选取往往依靠经验值,这使得BP神经网络存在容易陷入局部最优和收敛速度慢等问题。针对该问题,提出了一种基于多遗传算法优化BP神经网络结构和权值阈值的人脸识别方法。利用主成分分析算法对人脸图像进行降维,快速独立成分分析算法对人脸图像进行特征提取,以组合算法的方式使得处理后的人脸图像特征更加明显。通过第一层遗传算法优化BP神经网络的结构,第二层遗传算法优化BP神经网络的权值阈值,以此解决BP神经网络陷入局部最优和收敛速度慢等问题。基于ORL人脸库进行仿真验证,实验结果表明该算法具有较高的识别率。     

基于改进BP神经网络的尿液中红白细胞识别算法

对显微图像中的尿液有形成分包括红白细胞等进行分析,可以帮助医生对有肾脏和泌尿系统疾病的患者进行评估。针对无染色、无标记的尿液图像中红白细胞存在对比度低、边缘模糊等问题,提出一种基于改进BP神经网络的识别方法。首先,将遗传算法引入BP神经网络对网络权值和阈值进行优化,解决训练过程中网络容易陷入局部极值等问题,提高BP神经网络的识别精度;其次,使用动量梯度下降法消除网络在梯度下降中产生的摆动,加快网络的收敛,提高BP神经网络的学习速度。与基础BP神经网络相比,改进方法对红白细胞的识别准确度分别提高了6.9%和9.5%,且识别时间分别缩短了19.3 s和42.1 s;与CNN识别算法相比,改进算法对白细胞的识别准确度提高了1.7%;与SVM识别算法相比,改进算法对红白细胞的识别准确度分别提高了12.9%和12.7%。验证实验和对照实验的结果表明,改进方法能以较高的准确率和较快的速度实现红白细胞的识别。     

基于BP神经网络的主分量分析人脸识别算法

提出了基于BP神经网络的主分量人脸识别算法。该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为BP神经网络的输入,由BP神经网络和后验概率转换器构成人脸识别器。针对ORL人脸库的实验结果表明该方法具有较高的识别率。     

一种改进的模块PCA人脸识别新方法

提出了一种改进的模块PCA方法,即基于独立特征抽取的模块PCA方法。算法先对图像进行分块,然后对每一子块独立地进行PCA处理,求出测试样本子块与训练样本对应子块间的距离;最后将这些距离相加得到测试样本与训练样本的距离,用最近距离分类器分类。在ORL人脸库和Yale人脸库上的实验结果表明,提出的方法在识别性能上明显优于普通模块PCA方法。     

一种提高BP神经网络泛化能力的改进算法

针对BP神经网络中样本数据复杂和容易陷入到局部极值的不足,通过利用主成分分析法对样本数据进行简化,并采用遗传算法优化神经网络的初始权值,提出了一种改进BP神经网络泛化能力的算法.该算法兼顾了主成分分析方法剔除冗余的特性和遗传算法能够全局优化的特点,既具备了较快的收敛速度又不易陷人到局部极值中,具有较强的泛化能力.实验结果表明,改进后的算法在数据降维、冗余信息的剔除、预测能力等方面都得到了一定程度上的改善.     

基于BP神经网络的2DPCA人脸识别算法

提出了基于BP神经网络的2DPCA人脸识别算法.通过图像预处理改善图像质量,降低图像维数,然后用2DPCA进行特征提取,作为BP神经网络的输入,用改进的BP神经网络作为分类器,并通过仿真证明了算法的可行性和有效性.     

基于PCA的3种改进BP算法性能研究

现有入侵检测系统的效率和准确率较低。为此,提出一种基于主成分分析的特征提取方法。对数据源进行特征降维,将获得的主成分作为BP神经网络的输入数据进行识别。分析原始BP算法存在的问题,研究RPBP、CGBP、LMBP 3种改进BP算法,并进行仿真实验,结果表明,与原始BP算法相比,改进算法收敛速度快,漏报率和误报率低,能有效改善入侵检测的识别效果。     

基于PCA的GHA算法在BP网中的融合应用

针对传统特征提取方法和BP神经网络相结合而存在的缺点,提出一种新的分类器模型“PCABP网”。首先利用PCA特征向量来初始化PCABP网的初始层权值矩阵,由此新模型的初始层起到取代PCA进行特征提取的作用。其次在训练过程中通过GHA和GD算法对初始层投影权值矩阵进行动态调节来优化特征向量。该方法从源头样本来优化“类别分离”和“特征提取”,找到对样本降维和分类的最佳契合点,以此来替代传统模式识别中“首先单独特征提取,其次利用分类器分类”的方式。在FERET人脸库上的实验结果验证了该方法的有效性。     

改进的模块PCA人脸识别新算法

由于传统的PCA要求训练样本符合高斯分布,而现实中得到的图片往往由于光照、表情、姿态的不同,不符合高斯分布。为了使PCA不再局限于高斯分布,并且不影响其识别率,提出一种改进的模块PCA人脸识别新算法。一方面,新算法采取了分块方式,将具有同一姿态的图片划分进同一矩阵,以使训练样本更接近于高斯分布。另一方面,新算法对传统PCA算法中前三个主分量加小于1的权重系数,可以减少光照变化对识别率的影响。利用分块和权重系数的共同作用使得PCA不再局限于高斯分布,同时提高识别率。最后在ORL人脸库上进行实验,结果表明新算法优于传统的PCA算法。     

基于PCA和蜂群算法优化的BP神经网络

在研究BP神经网络的基础上,针对其收敛速度慢、容易陷入局部极小值等问题进行分析,设计实现一种新的混合神经网络模型。通过引入主成分分析的思想对样本进行降维,简化BP网络的结构,之后采用蜂群算法来优化BP网络的权值,把得到的最优权值赋予该神经网络,从而使优化后的神经网络具有结构简单、泛化性好和不易陷入局部极小值等优点。仿真实验结果表明,该网络模型能够达到比较高的分类精度。     

基于神经网络的二维主成分分析人脸识别算法

提出基于神经网络的二维主成分分析人脸识别算法.通过图像的预处理改善了图像的质量,提高了图像的亮度和对比度,降低了图像的维度,然后利用二维主成分分析方法进行人脸关键特征的提取,并将该特征作为神经网络的输入,用改进的神经网络作为分类器,并通过实验证明了算法的有效性和可行性.     

基于BP神经网络的人脸识别方法

人脸自动识别是计算机模式识别领域的一个活跃课题,有着十分广泛的应用前景。文中提出了基于ＢＰ神经网络的人脸识别方法,论述了人脸图像矢量的特征压缩问题、网络隐含层神经元数选取问题、网络输入矢量的标准化处理问题以及网络连接权值选取问题。对于１８人、每人１２幅图像组成的脸图像数据库做识别实验,实验结果表明文中所设计的神经网络分类器比常用的最近邻分类器有效地降低了识别错误率。     

一种基于稀疏表达和神经网络的人脸识别算法

传统的基于神经网络的人脸识别算法直接从灰度空间获取人脸图像数据,其中含有大量的噪声和冗余信息,降低了识别率且延长了识别时间。提出一种基于稀疏表达和神经网络的人脸识别算法:首先通过KSVD算法将样本变换至稀疏空间,然后运用LDA算法将稀疏编码变换至子空间,最后输至RBF神经网络进行分类。在ORL和Yale人脸库上的实验结果表明,该算法比其他算法具有更高的识别率和更快的识别速度,且具有较强的鲁棒性和泛化能力。     

基于神经网络集成的多视角人脸识别

人脸在图像深度方向上发生偏转时,即使同一对象的人脸图像也会发生极大的变化。在此,将神经网络集成应用于多视角人脸识别,所用的人脸特征通过多视角特征脸分析获得。为每一视角的特征空间各训练一个神经网络,并利用另一个神经网络对其进行结合。利用训练好的神经网络集成进行识别时不仅不需进行偏转角度估计预处理,而且还可以在给出识别结果的同时给出角度估计信息。实验结果表明,该方法的识别精度高于根据精确的偏转角度估计信息挑选最佳单一神经网络所能达到的效果。     

基于改进BP网络的车牌字符识别方法研究

针对传统BP算法在车牌字符识别速度较慢和识别准确率较低的问题,提出一种改进的BP网络车牌字符识别方法。通过对BP算法的输入特征数优化,在不降低识别精度的情况下精简了输入层节点数,提升了识别速度。改进后的BP算法采用全参数自动调整,引入自适应学习率、动量因子、坡度因子,增加了BP算法的识别精度;同时通过更好的利用车牌字符特征和BP网络特征,降低了算法结构的复杂性,增强了算法的鲁棒性。实验结果表明,该算法在实际采集的自建整副车牌数据集上的识别率上比传统BP神经网络车牌识别算法提高近6.5%;在识别速度上提高近1.3 s。     

基于PCA网络的协同指纹识别

指纹识别是生物特征识别技术中的热点.指纹特征可分为全局特征与细节特征,现有主流指纹识别方法是基于细节特征的识别,但是指纹全局特征识别具有明显的优势,更加符合人类识别机理.本文尝试采用PCA网络提取指纹的全局特征--主分量特征,理论分析与实验说明了指纹主分量特征是有效的,鲁棒性较好.在识别方法上,采用协同模式识别方法,该方法注重模式的整体信息,并将其与PCA网络特征提取层有机的结合.对FVC2002指纹库的实验表明,本文的指纹全局特征识别方法预处理与特征提取简单,识别速度快,鲁棒性较好,取得了良好的指纹识别与身份认证效果.     

基于改进的轮廓线算法的三维人脸识别方法

针对二维人脸识别中受表情、姿态以及光照等因素而影响识别率的问题,在分析人脸生理结构的基础上,提出了一种基于改进的轮廓线的三维人脸识别方法,即先提取三维人脸特征点,然后提取人脸轮廓线,最后利用人脸轮廓线和特征点构成的特征模型进行三维人脸识别。试验结果证明该方法提高了人脸识别率,并具有强抗干扰能力。     

基于改进LBP的单样本人脸识别算法

针对人脸识别难题,提出一种基于改进LBP(Local Binary Patterns)算子的单样本人脸识别算法。采用Bernser算法与LBP算子结合的BLBP算子,最后利用Chi平方统计方法计算直方图的相似度。在识别时,采用的是核实式的一对一匹配,根据训练的阈值,判断两张比对的人脸图像是否为同一个人。所提出的算法在实际人脸图像和FERRET人脸数据库下的人脸识别中,与原LBP算法相比识别率有所提高。实验结果表明,改进后的LBP算子有较好的去噪能力,在实际的人脸识别中能获得更好的识别率。     

基于改进的DenseNet深度网络火灾图像识别算法

现有油田火灾预警系统较多地采用烟感、红外等被动传感器进行烟火检测,其检测范围小,抗干扰能力弱,无法实时准确地进行火灾预警。如何从油田安防设备获取的海量图像数据中检测到烟火信息,提高抢险救灾的预测响应时间,在国内外都是一个具有挑战性的研究课题。提出一种改进的DenseNet深度神经网络架构,解决复杂图像中火灾区域的检测。为了增强特征传播的精度,降低存储数据量,采取结构化稀疏操作。将网络卷积核分为多个组,在训练过程中逐渐减小每个组内不重要的参数连接。针对油田安防领域构建的数据集存在不平衡性,增强火灾检测系统最终分类预测的准确性,引入Focal损失函数对分类层进行火灾识别。大量的定性定量实验表明,该改进网络在检测率与误检率方面均优于现有的其他深度模型。