基于快速学习算法的SSn-tuple神经网络模型的人脸识别.docVIP

基于快速学习算法的SSn-tuple神经网络模型的人脸识别 - 1 - 基于快速学习算法的 SSn-tuple 神经网络模型 的人脸识别 摘 要： 本文提出了一种基于快速学习算法的自组织稀疏 RAM 的 n-tuple 神经网络模型的人脸识别方法。 即将修改的回归一次提交算法引入了 SSn-tuple 神经网络模型，并应用于人脸识别方面，通过实验证明。 在极大的减少了学习训练时间的同时取得不亚于误差矫正学习算法。 关键词：人脸识别；自组织映射；N-tuple 分类器；稀疏分布存储器； 1. 引 言 随着人类社会的不断发展，个人身份认证（Personal Identification）的需求越来越多， 人脸识别技术作为生物特征识别技术的一种，在司法应用、信息安全、访问控制、视频监控 等领域有着广泛应用前景，因此在近二、三十年得到了研究者的极大关注，各种人脸识别算 法不断涌现，从原理上归类大致包括了基于模板匹配的方法、基于统计模式识别的方法以及 基于神经网络的方法这三大类[1，2]。 人工神经网络作为由大量通过不同强度的权值相联接的处理单元（人工神经元）组成的 大规模并行处理复杂系统，具有极强的函数拟合、模式分类以及自学习能力，在人脸识别的 研究领域中已经取得了较多的成果，例如 Cottrell[3]采用的 BP网络，Brunelli[4]推出的 HyperBF 网络，Lawrence[5]利用 Convolutional 网络等。在众多神经网络模型中，快速灵活的基于存储 器的神经网络模型在人脸识别领域尚未得到充分的利用，周[6]将组织神经网络模型引入基于 稀疏 RAM 的 n-tuple 神经网络模型（Sn-tuple）[7]，提出了一种基于自组织稀疏 RAM 的 n-tuple 神经网络模型（SSn-tuple），并应用于人脸识别方面取得了较好性能，但由于该网络模型是 基于误差矫正的学习算法，存在过学习或欠学习的情况，而且较长的学习训练时间也掩盖了 基于存储器的神经网络模型的快速灵活的优点，因此在保证网络性能的前提下提高SSn-tuple 神经网络模型的学习训练速度是本文的研究目的。 本文的第二部分介绍了自组织稀疏 RAM 的 n-tuple 神经网络模型的结构与算法，第三 部分为回归一次提交算法的引入，第四部分是实验方法与结果，最后是本文的结论。 2. 基于自组织稀疏 RAM 的 n-tuple 神经网络模型 自组织稀疏 RAM 的 n-tuple 神经网络模型是 N-tuple 分类器[8]、SDM[9] (sparse distribute memory)神经网络与自组织映射（SOM）神经网络[10]有机结合而成的。彭[7]根据前两者提出 了基于稀疏 RAM 的 n-tuple 神经网络模型，该网络模型可以直接处理高维实数数据，具有 结构简单、运算速度快及较好的泛化逼近能力的特点，但其中稀疏 RAM 地址矢量的随机性 - 2 - 也使得该网络的性能具有较大的不确定性，因此我们又引入了自组织映射神经网络对其稀疏 RAM 地址矢量进行学习优化，得到自组织稀疏存储器（SSDM）代替 Sn-tuple 模型中的稀 疏存储器（SDM），有效的克服了这一缺点。SSn-tuple 神经网络模型的结构如图 1 所示。 由于 SSDM 的引入，SSn-tuple 神经网络模型的学习训练过程就分为两部分：SSDM 的生 成与训练模式信息在各存储单元的写操作。 2.1 SSDM 的生成 SSDM 生成是借助于 SOM 神经网络来得到的。SOM 神经网络可以认为是一个两层映射 网络，由接收外部信号的输入层与具有拓扑空间结构的输出层构成。网络中的每个神经元有 两个独有的属性值分别为权矢量 nTiniiim ??∈??????= ],,,[ 21 ?????? 与拓扑坐标 ],[ iii yxr = 。对 于一个输入信号 nTnx ??∈??????= ],,,[ 21 ξξζ ，网络的输入层将其连接到该网络结构中的所有 神经元上，计算 x与所有 im 的欧氏距离，其中最小者即为最匹配神经元（BMU），从而 SOM 就完成了将输入空间 nR 映射（投影）到 2 维的平面拓扑网格中。 如图 1 所示，首先需要对每个训练样本进行 n-tuple 采样，并为每一组 n-tuple 分配自己 独有的稀疏 RAM。因此假设对训练样本进行了K次 n-tuple 采样，则需要得到K个 SSDM， 第 k个 SSDM 生成的步骤是：假设生成第 k个 SSDM，则首先根据所有训练样本的第 k个 n-tuple 组线性初始化 SOM 神经网络中各个神经元的属性值 im ，再采用批处理学习方法， 直到达到预先设定的训练次