女人被狂躁到高潮视频免费无遮挡,内射人妻骚骚骚,免费人成小说在线观看网站,九九影院午夜理论片少妇,免费av永久免费网址

當(dāng)前位置:首頁 > 模擬 > 模擬
[導(dǎo)讀] 0.引言  在智能小區(qū)的安防系統(tǒng)中,人臉識別技術(shù)的應(yīng)用,提高了安防報警系統(tǒng)的安全可靠性。人臉識別技術(shù)因其具有非接觸性、特征提取方便、防偽性能高等優(yōu)勢得到廣泛的應(yīng)用。人臉識別技術(shù)綜合了計算機、通信、光學(xué)

  0.引言

  在智能小區(qū)的安防系統(tǒng)中,人臉識別技術(shù)的應(yīng)用,提高了安防報警系統(tǒng)的安全可靠性。人臉識別技術(shù)因其具有非接觸性、特征提取方便、防偽性能高等優(yōu)勢得到廣泛的應(yīng)用。人臉識別技術(shù)綜合了計算機、通信、光學(xué)、電子、機械等多學(xué)科技術(shù),在控制領(lǐng)域和智能建筑領(lǐng)域有著廣闊的應(yīng)用前景 。本文研究了基于聚類算法判別人臉圖像的方法,達到應(yīng)用于智能小區(qū)門禁系統(tǒng)和樓宇門禁系統(tǒng)的實際應(yīng)用要求,如圖1所示。


 


圖1 智能門禁報警系統(tǒng)的結(jié)構(gòu)圖

  基于圖像分塊進行人臉識別時,隨著分塊數(shù)目的增多,子圖像保留的奇異值個數(shù)、維數(shù)的控制,以及子圖像權(quán)重的賦值等問題,若只依靠主觀經(jīng)驗來決定,則缺乏客觀依據(jù)。徑向基函數(shù)(RBF-Radial Basis FunctiON)網(wǎng)絡(luò)是一種性能良好的前饋型三層神經(jīng)網(wǎng)絡(luò),具有全局逼近性質(zhì)和最佳逼近性能,訓(xùn)練方法快速易行,RBF 函數(shù)還具有局部響應(yīng)的生物合理性。在隱含層中心確定的情況下,RBF網(wǎng)絡(luò)只需對隱含層至輸出層的單層權(quán)值學(xué)習(xí)修正,比多層感知器具有更快的收斂速度。利用 YALE人臉數(shù)據(jù)庫,通過RBF網(wǎng)絡(luò)對奇異值個數(shù)、子圖像數(shù)目、特征值數(shù)量、聚類因數(shù) 、聚類個數(shù)、 因數(shù)的測試結(jié)果,為人臉圖像的識別提供客觀地指導(dǎo)。

  利用相關(guān)參數(shù)的仿真實驗結(jié)果,為進一步研究子圖像賦值情況,提高人臉識別的速度和精確度提供了有效的幫助和參數(shù)支持。

  1.聚類算法的初始化

  RBF神經(jīng)網(wǎng)絡(luò)可描述為:



  式中,w(k,i)為隱含層第i個節(jié)點與輸出層第k個輸出節(jié)點的連接權(quán)值。

  隱含層聚類的初始化過程如下。

  (1)在每個類別收斂于一個聚類中心的假設(shè)前提下,將隱含層的節(jié)點數(shù)初始設(shè)定為輸出層的節(jié)點數(shù),即u=s,再根據(jù)RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練情況具體調(diào)整。

  (2)隱含層第k個神經(jīng)元的中心Ck為 k 類特征矢量的均值。

  (3)計算從均值Ck到屬于類別k的最遠點kfarP的歐氏距離。

  (4)計算各個j聚類中心到k聚類中心的距離。再根據(jù)dmin(k,l)和dk,dl的關(guān)系,對以下幾種情況進行判斷。

  情況(a):若滿足的條件,則表明類別k與其他類別l無重疊。

  情況(b):若滿足的條件,則表明類別k與其他類別l有重疊,需要進一步考慮以下情況 。

  (i)當(dāng)滿足的條件時,則表明兩個類別雖有重疊,但是互相不包含。

  (ii)當(dāng)滿足的條件時,則表明類別k包含于其他類別之中,可能導(dǎo)致RBF神經(jīng)網(wǎng)絡(luò)分類錯誤。

  (5)按照以下分離原則對每類樣本進行判別并細分。

  (i)包含規(guī)則:若滿足,則表明類別k包含于類別l之中,類別l應(yīng)被進一步細分為兩個聚類。

  (ii)正確歸類規(guī)則:若類別k包含許多其他類別l的數(shù)據(jù),則需要將類別k進一步細分為兩個聚類。

  重復(fù)上述步驟,直至選定的全部人臉圖像的訓(xùn)練樣本都被處理為止,整個RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)隨之確定。

  2.RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)調(diào)整

  定義誤差函數(shù)為:



  其中,lky和lkt表示在輸出層ky節(jié)點上對應(yīng)第l個訓(xùn)練樣本的實際輸出值和理想輸出值。通過線性最小二乘法求解最佳連接權(quán)值*W。

  RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練收斂性能,如圖2的實例所示。圖2為RBF神經(jīng)網(wǎng)絡(luò)誤差輸出曲線圖,圖中的橫軸表示RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的迭代次數(shù),縱軸表示RBF神經(jīng)網(wǎng)絡(luò)實際誤差的輸出值,即訓(xùn)練迭代一次新網(wǎng)絡(luò)的輸出值與原先網(wǎng)絡(luò)按誤差函數(shù)公式(2)計算得到的結(jié)果。實驗條件為在Yale數(shù)據(jù)庫中,選取15個類別的人臉圖像,每個類別選取11張人臉圖像作為訓(xùn)練樣本,提取每個人臉圖像的特征值數(shù)量為90,對應(yīng)于網(wǎng)絡(luò)的訓(xùn)練集為一個165×90的矩陣時,得到RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的誤差函數(shù)輸出情況。在具體實驗中,設(shè)定RBF神經(jīng)網(wǎng)絡(luò)停止參數(shù)訓(xùn)練調(diào)整的條件為:當(dāng)前一次系統(tǒng)輸出誤差值與當(dāng)前系統(tǒng)輸出誤差值的變化量相差小于0.01時,RBF神經(jīng)網(wǎng)絡(luò)停止參數(shù)訓(xùn)練調(diào)整。圖2表明,RBF 神經(jīng)網(wǎng)絡(luò)的誤差輸出值下降得很快,在迭代過程不到15次的情況下,誤差曲線就進入系統(tǒng)誤差值輸出相差較小的范圍內(nèi),收斂速度較快。



圖2 RBF網(wǎng)絡(luò)誤差輸出曲線圖

  3.聚類算法的仿真實驗

  參數(shù)設(shè)定值的不同,將對基于聚類算法的人臉圖像識別的結(jié)果產(chǎn)生影響,例如對子圖像劃分的個數(shù)、子圖像奇異值向量保留的個數(shù)、聚類因數(shù)α、γ因數(shù)的選取等。對不同參數(shù)初始化時設(shè)定不同的數(shù)值,將得到的實驗結(jié)果進行對比和綜合分析,進而確定包括輸入層、輸出層、隱含層節(jié)點數(shù)目及其核函數(shù)的選取等在內(nèi)的合理的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),確定包括貝葉斯分類器的權(quán)值分配、閾值選取等在內(nèi)的合適融合策略,以便進行深入的研究。

  實驗中,訓(xùn)練樣本為Yale人臉庫中的每人前6張照片,共90張,測試樣本為每人的后5張照片,共75張。樣本完整訓(xùn)練誤差容限為1,訓(xùn)練最大次數(shù)為120。

  (1)在γ因數(shù)取為0.8、子圖像的數(shù)目為32塊、保留子圖像的奇異值個數(shù)為10的條件下,測試不同聚類因數(shù)α取值、不同聚類個數(shù)(即RBF神經(jīng)網(wǎng)絡(luò)隱含節(jié)點個數(shù))情況下的識別率。如圖3中data1所示。



圖3 不同參數(shù)下的識別結(jié)果

  實驗結(jié)果表明,隨著聚類因數(shù)α的增大,聚類個數(shù)也在增多,當(dāng)α>3.0以后,識別率趨于穩(wěn)定。而且,在RBF神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點數(shù)增多的情況下,會加大RBF神經(jīng)網(wǎng)絡(luò)的計算負擔(dān)。因此,最終選擇聚類因數(shù)α=3.5,來進一步研究子圖像權(quán)重的賦值。

  (2)在聚類因數(shù)α取為3.5、子圖像的數(shù)目為32塊、保留子圖像的奇異值個數(shù)為10的條件下,測試不同γ因數(shù)情況下的識別率,如圖3中data2所示(data2與data3重合)。實驗結(jié)果表明,在γ因數(shù)逐漸增大的情況下,識別率隨之逐漸提高并趨于穩(wěn)定。因此,最終選擇γ=0.8,來進一步研究子圖像權(quán)重的賦值。

  (3)在聚類因數(shù)α取為3.5、γ因數(shù)取為0.8、子圖像的數(shù)目為32塊的條件下,測試每個子圖像保留不同奇異值個數(shù)時識別率的情況,如圖3中data3所示。實驗結(jié)果表明,在子圖像的奇異值個數(shù)增加的情況下,識別率的有所增加并趨于穩(wěn)定。最終選擇保留子圖像的奇異值個數(shù)為10,來進一步研究子圖像權(quán)重的賦值。

  (4)在聚類因數(shù)α取為3.5、γ因數(shù)取為0.8的條件下,測試保留不同奇異值特征個數(shù)時識別率的情況。如圖3中data4所示,其中,每個子圖像保留奇異值的個數(shù)×子圖像數(shù)目=每幅圖像的奇異值特征個數(shù)。

  實驗結(jié)果表明,人臉圖像劃分的子圖像數(shù)目較多的情況下,識別率較高,而且當(dāng)子圖像的數(shù)目達到32塊時,識別率已經(jīng)趨于穩(wěn)定狀態(tài)。人臉圖像劃分的子圖像數(shù)目不宜過多,這樣會使每幅人臉圖像的奇異值特征個數(shù)過大,進而增加RBF神經(jīng)網(wǎng)絡(luò)的計算負擔(dān)。最終選擇子圖像的數(shù)目為32塊的情況,來進一步研究子圖像權(quán)重的賦值。

  4.仿真實驗結(jié)果分析

  基于上述仿真實驗數(shù)據(jù)進行參數(shù)設(shè)定,在人臉識別仿真系統(tǒng)中測試情況如圖4所示。


 

圖4 人臉識別仿真系統(tǒng)

  根據(jù)實驗結(jié)果確定聚類因數(shù) α=3.5、γ=0.8、保留子圖像的奇異值個數(shù)為10。人臉圖像的子圖像數(shù)目對應(yīng)于RBF神經(jīng)網(wǎng)絡(luò)輸入空間的維數(shù)r,樣本庫中的人臉圖像類別數(shù)對應(yīng)于輸出空間的維數(shù)s,每類人臉圖像樣本的子圖像的特征空間數(shù)目對應(yīng)隱含層節(jié)點數(shù)u,根據(jù)上述實驗結(jié)果調(diào)整u不超過120。對人臉圖像進行分塊,在樣本數(shù)量很大、維數(shù)很高的情況下,有效地減少了計算量。但是,子圖像數(shù)目不宜過多,否則增加神經(jīng)網(wǎng)絡(luò)計算負擔(dān),識別率也會有所下降。

  5.結(jié)語

  本文研究了基于聚類算法的人臉識別方法。根據(jù)人臉圖像劃分子圖像的數(shù)目和所選定的訓(xùn)練或測試人臉圖像的類別數(shù)的情況,確定RBF神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層的節(jié)點數(shù);根據(jù)RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練識別效果,通過調(diào)整中間隱含層節(jié)點數(shù)、核函數(shù)及其中心點和寬度,通過基于聚類算法的人臉識別仿真實驗,具體量化了中間隱含層節(jié)點數(shù)與子圖像的對應(yīng)關(guān)系、每幅子圖像中奇異值向量的保留個數(shù)、聚類因數(shù)的選取等各項參數(shù),為進一步根據(jù)各個子圖像權(quán)值的合理分配,提高人臉識別的識別精度和良好的識別速度提供了有效的參數(shù)支持。

本站聲明: 本文章由作者或相關(guān)機構(gòu)授權(quán)發(fā)布,目的在于傳遞更多信息,并不代表本站贊同其觀點,本站亦不保證或承諾內(nèi)容真實性等。需要轉(zhuǎn)載請聯(lián)系該專欄作者,如若文章內(nèi)容侵犯您的權(quán)益,請及時聯(lián)系本站刪除。
換一批
延伸閱讀

摘要:分析了劣化絕緣子紅外熱像診斷的原理及去噪方法,采用直方圖均衡化處理方法實現(xiàn)了絕緣子紅外熱像的圖像增強效果,提出了采用RBF神經(jīng)網(wǎng)絡(luò)進行劣化絕緣子人工智能識別的方法,該方法通過提取絕緣子的一系列溫度特征參數(shù),準(zhǔn)確實現(xiàn)...

關(guān)鍵字: 絕緣子 紅外成像 RBF神經(jīng)網(wǎng)絡(luò)

將代理商角色轉(zhuǎn)變?yōu)槌瑥婎檰柨梢詭椭鹑诜?wù)機構(gòu)為數(shù)字主導(dǎo)的消費階層提供服務(wù)。  開發(fā)一個將金融產(chǎn)品與增值服務(wù)捆綁在一起的合作伙伴生態(tài)系統(tǒng)為改善金融健康提...

關(guān)鍵字: BSP 數(shù)字化 因數(shù) 生態(tài)系統(tǒng)

摘 要:對于化工生產(chǎn)過程中的放熱反應(yīng)來說,其反應(yīng)器溫度控制系統(tǒng)不僅具有強耦合、非線性等特點,同時還具有熱危險性,傳統(tǒng)的PID控制策略往往不能滿足其穩(wěn)定性要求。文章通過建立RBF神經(jīng)網(wǎng)絡(luò)模型,提出了一種基于徑向基神經(jīng)網(wǎng)絡(luò)R...

關(guān)鍵字: 反應(yīng)器 溫度控制 RBF神經(jīng)網(wǎng)絡(luò) SMPT1000

摘 要:在無線傳感網(wǎng)中,由于無線信道的不穩(wěn)定性、海量數(shù)據(jù)傳輸?shù)膿砣?、?jié)點故障等影響,導(dǎo)致WSN中數(shù)據(jù)經(jīng)常發(fā)生大規(guī)模丟失。針對這一問題,文中提出了基于徑向基神經(jīng)網(wǎng)絡(luò)的無線傳感網(wǎng)丟失數(shù)據(jù)恢復(fù)算法。該算法能夠有效通過數(shù)據(jù)丟失節(jié)...

關(guān)鍵字: 無線傳感網(wǎng) RBF神經(jīng)網(wǎng)絡(luò) 數(shù)據(jù)恢復(fù) WSN

摘要:提出了一種通過符號化方法對授時系統(tǒng)時間偏差進行預(yù)測的方法。該方法利用矢量擬合來表達時間序列的走勢形態(tài),采用聚類算法對形態(tài)進行聚類,然后根據(jù)聚類結(jié)果得到符號序列,并用不完全抽取方法來抽取序列模式。預(yù)測時,可根據(jù)學(xué)習(xí)得...

關(guān)鍵字: 時間序列 符號化 聚類算法 模式抽取

交流電路中消耗的電能可以用直角三角形的三個邊來表示,通常稱為功率三角形 我們在關(guān)于交流電路的電力教程中看到過其中包含電阻和電容或電阻和電感,或兩者都包含有功功率和無功功率。因此,為了讓我們計算消耗的總功率,我們需要知道電...

關(guān)鍵字: 交流電路 因數(shù)

摘 要: 介紹了以80C196為核心的介質(zhì)損耗因數(shù)自動測量系統(tǒng),使用了Flash Memory和高速A/D等技術(shù),克服了一般測量系統(tǒng)在反接測量時的絕緣和干擾等問題,達到了較高的測量精度。關(guān)鍵詞: 介質(zhì)損耗因數(shù)tgδ 閃速...

關(guān)鍵字: 介質(zhì) 因數(shù) 測量

近日,美國國立衛(wèi)生院發(fā)布了長達100多頁的《精準(zhǔn)醫(yī)療項目集群——建立21世紀(jì)醫(yī)學(xué)研究基金會》的白皮書,包括來自學(xué)術(shù)界、政府部門和產(chǎn)業(yè)的專家建議。NIH專家Francis S.Collins倡議,應(yīng)該讓每一個美國公民分享他...

關(guān)鍵字: 因數(shù) NI MDASH 數(shù)據(jù)庫

將來醫(yī)學(xué)的空想是領(lǐng)略DNA和疾病之間的接洽,并以此為基本為患者擬定本性化的治療方案??墒?,科學(xué)家意識到這樣的「本性化」或「精準(zhǔn)」醫(yī)學(xué)有一個困難:如安在擔(dān)?;驍?shù)據(jù)和醫(yī)療記錄安詳?shù)耐瑫r,可以或許運用云端強大的計較本領(lǐng)闡明找...

關(guān)鍵字: 加密 因數(shù) 解密 SD

量子計算機是一種基于量子力學(xué)的計算設(shè)備,用來存儲數(shù)據(jù)的對象是量子比特而非經(jīng)典計算機的電子比特??茖W(xué)界普遍認為,由于量子計算機能夠利用量子糾纏和疊加等獨特的量子物理屬性,在運行某些特定算法時,它會比現(xiàn)有

關(guān)鍵字: 量子計算機 量子算法 ALGORITHM 因數(shù)

模擬

31144 篇文章

關(guān)注

發(fā)布文章

編輯精選

技術(shù)子站

關(guān)閉