基于神经网络的人脸识别实验报告.docxVIP

基于神经网络的人脸识实验报告别 一、 实验要求 采用三层前馈BP神经冋络实现标准人脸YALE数据库的识别。 二、 BP神经网络的结构和学习算法 实验中建议采用如下最简单的三层BP神经网络,输入层为X=gx2，d， BP神经网络的结构 BP网络在本质上是一种输入到输岀的映射，它能够学习大量的输入与输出 之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已 知的模式对BP网络加以训练，网络就具有输入輸岀对之间的映射能力。 BP网络执行的是有教师训练，其样本集是由形如(输入向量，期望输岀向 量)的向量对构成的。在开始训练前，所有的权值和阈值都应该用一些不同的小 随机数进行初始化。 BP算法主要包括两个阶段： 向前传播阶段 从样本集中取一个样本(Xp,Yp),将Xp输入网络，其中Xp为输入向量，Yp 为期望输岀向量。 计算相应的实际输出Op。 在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网 络在完成训练后正常运行时执行的过程。在此过程中，网络执行的是下列运算： q, =￡(...(乙(4(x, w ⑴ 向后传播阶段 计算实际输出Op与相应的理想输出Yp的差； 按极小化误差的方法调整权矩阵。 这两个阶段的工作一般应受到精度要求的控制，定义 (1)弓=!文()板一。＞ (1) 2 7-1 作为网络关于第P个样本的误差测度(误差函数)。而将冋络关于整个样本集的 误差测度定义为 E = ￡E? (2) 如前所述，将此阶段称为向后传播阶段，也称之为误差传播阶段。 为了更清楚地说明本文所使用的BP网络的训练过程，首先假设输入层、中 间层和输出层的单元数分别是N、L和M= X=(xo,xi,-,xn.i)是加到网络的输入矢 量:，H=(ho,hi,…,ht.i)是中间层输出矢量，Y=(yo,yi,…,yM.i)是网络的实际输出矢量, 并且用D=(do、di,…,dM」)来表示训练组中各模式的目标输出矢量。输岀单元i到 隐单元j的权值是Vij,而隐单元j到输出单元k的权值是Wjko另外用Ok和中) 来分别表示输出单元和隐单元的阈值。 于是，中间层各单元的输出为： 奶=/(￡匕用+。) (3) /-0 而输出层各単元的输出是: L-l 力= r(￡w也+0) ⑷ 其中f(*)是激励函数， 釆用s型函数： (5) 1+c 在上述条件下，网络的训练过程如下： ⑴选定训练集。由相应的训练策略选择样本图像作为训练集。 初始化各权值\切w止和阈值到，ek,将其设置为接近于0的随机值，并初 始化精度控制参数e和学习率 从训练集中取一个输入向量X加到网络，并给定它的目标输岀向量D。 ⑷利用式⑺计算出一个中间层输出H,再用式(8)计算岀网络的实际输出Y。 (5)将输出矢量中的元素处与目标矢量中的元素进行比较，计算出M个输岀 误差项：a=a-月也(1-凡)对中间层的隐单元也计算出l个误差项： (6)依次计算出各权值和阈值的调整量: (6)(n) = (a /(I + ￡)) * ^WJk (n -1)+1) ? 5, * hf (6) TOC \o 1-5 \h \z △* (?) = (a /(1 + N)) * (△* (n-l) + l)*J；* xr. (7) △0 (〃) = (a /(I + L)) * (△《(n-1) + 1)* 角 (8) 凶(〃)=(1 + A) * (A^(n-l) + l)*J； (9) ⑺ 调整权值和阈值：心(〃 + l) = W湛〃)+ △W.(〃)，*(〃 + 1) = *(〃) +△岛(〃) 凡(〃 + 1) = ) + △,如〃 + 1)=的)+△聞) (8)当k每经历1至M后，判断指标是否满足精度要求：EW￡,其中E是总误 W-1 差函数，且E = 月)七 如果不满足，就返回(3),继续迭代。如果满足, 1-0 就进入下一步。 (9)训练结束，将权值和阈值保存在文件中。这时可以认为各个权值已经达到稳 定，分类器形成。再一次进行训练时，直接从文件导岀权值和阈值进行训练.不 需要进行初始化。 BP算法流程图 YALE数据库是由耶鲁大学计算视觉与扼制中心创立，包括15位志愿者，每 个人有11张不同姿势、光照和表情的图片?，共计165张图片，图片均为80勺00像 素的BMP格式图像。我们将整个数据库分为两个部分，每个人的前5幅图片作 为网络的训练使用，后6副图片作为测试使用。 测试样例： WlEO? itxrp Z09 5p 心*09 11.b*nc 麗UM ?f. icx*^iO.5-bfnp Bw/jrtlO 9-bmp ：籍? Ct09 C3^ 8bK0 d 3空m.rw wjrfFrtlOJObmp ? 1啓叩 UCJM 11.1。bmp suME 6bF * “ ? tnrfi