设为首页收藏本站
开启辅助访问

在路上

 找回密码
 立即注册
在路上 › 站点首页 ›学习 › 查看内容

基于BP神经网络的人脸识别

2016-8-29 13:14| 发布者: zhangjf| 查看: 674| 评论: 0

摘要: 一.阈值逻辑单元 阈值逻辑单元（threshold logic unit ，TLU），它可以输入一组加权系数的量，对它们进行求和，如果这个和达到或者超过了某个阈值，输出一个量。例如，输入为a1, a2, ..., an和权值 w1, w2, ..., wn ...

一.阈值逻辑单元

  1. 阈值逻辑单元（threshold logic unit ，TLU），它可以输入一组加权系数的量，对它们进行求和，如果这个和达到或者超过了某个阈值，输出一个量。例如，输入为a1, a2, ..., an和权值 w1, w2, ..., wn。接着是求和计算出的 ai x wi ，产生了激发层 t，换一种方法表示：
  2. t = f((a1 x w1)+(a2 x w2)+...+(aI x wI)+...+ (an x wn)+b)
复制代码


我理解的阈值逻辑单元就是用于解决多维线性加权求和问题的工具，那么遇到复杂问题该如何做呢？
二.人工神经网络

  1. 人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
复制代码


通过将多个阈值逻辑单元组合，形成网络，用来模拟非线性的问题。有研究证明，三层的人工神经网络可以模拟各种函数。
三.BP神经网络

  1. BP（Back Propagation）神经网络是一种按误差反向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
  2. 这里利用了偏导数的知识去推导计算公式，具体我没有列出，我自己在理解的时候是读了《人工智能》（机械工业出版社），感兴趣的朋友可以自己看一下。
  3. BP神经网络调整权值的过程更像是一种函数图像逼近的过程，首先猜测一个函数，然后读入一个数据点，根据数据点和函数图像之间的差距调整函数，使得函数图像更符合数据。不断迭代，使得整个数据样本都较为符合我们估计得函数。
复制代码

四.步骤：
1.对权系数置初值
2.输入一组样本及它的希望输出
3.计算实际输出值
4.计算误差值
5.反向传播误差值并调整权值
6.不断训练（重复步骤2~5）
7.利用完成后的神经网络进行预测

五.java代码：
import java.io.File;
import java.io.RandomAccessFile;
import java.util.Random;

public class FaceRecognition {

  1. private int picSize = 19 * 19;// 图像大小
  2. private int hiddenSize = 12;// 隐藏层节点个数
  3. private byte[] imageinfor = new byte[374];// 存放图像信息
  4. private double[] input = new double[picSize + 1];// 归一化后的图像信息
  5. private double[][] inputWeight = new double[hiddenSize][picSize + 1];// 输入层参数
  6. private double[] alpha1 = new double[hiddenSize];// 隐藏层调整的梯度
  7. private double[] hiddenWeight = new double[hiddenSize + 1];// 隐藏层参数
  8. private double[] hiddenOutput = new double[hiddenSize + 1];// 隐藏层输出
  9. private double alpha2;// 输出层调整的梯度
  10. private double output;// 输出层
  11. private double ci = 0.3;// 学习率
  12. private double opt;// 期望输出
  13. Random random = new Random();
  14. private double [] pro;
  16. public FaceRecognition() {
  17. }
  19. // 初始化
  20. public void init() {
  21. for (int i = 0; i < hiddenSize; i++) {
  22. for (int j = 0; j < picSize + 1; j++)
  23. inputWeight[i][j] = random.nextDouble() * 2 - 1;
  24. // inputWeight[i][j] =0;
  25. }
  26. for (int i = 0; i < hiddenSize + 1; i++) {
  27. hiddenWeight[i] = random.nextDouble() * 2 - 1;
  28. // hiddenWeight[i]=0;
  29. }
  30. }
  32. // sigmoid
  33. private double Sigmoid(double x) {
  34. return 1.0d / (1.0d + Math.exp(-x));
  35. }
  37. // 图像文件读入
  38. public void PGMReader(String filename) {
  39. File file = new File(filename);
  40. try {
  41. RandomAccessFile in = new RandomAccessFile(file, "r");
  42. in.read(imageinfor);
  43. in.close();
  44. } catch (Exception e) {
  45. e.printStackTrace();
  46. }
  47. for (int i = 0; i < picSize; i++) {
  48. int temp = (int) imageinfor[i + 13];
  49. input[i] = (double) (temp + 128) / 255;
  50. }
  51. input[picSize] = 1.0;
  52. }
  54. public void PGMReader(File file) {
  55. try {
  56. RandomAccessFile in = new RandomAccessFile(file, "r");
  57. in.read(imageinfor);
  58. in.close();
  59. } catch (Exception e) {
  60. e.printStackTrace();
  61. }
  62. for (int i = 0; i < picSize; i++) {
  63. int temp = (int) imageinfor[i + 13];
  64. input[i] = (double) (temp + 128) / 255;
  65. }
  66. input[picSize] = 1.0;
  67. }
  69. public void setOpt(double opt) {
  70. this.opt = opt;
  71. }
  73. private void forward() {
  74. for (int i = 0; i < hiddenSize; i++) {
  75. double temp = 0;
  76. for (int j = 0; j < picSize + 1; j++) {
  77. temp += input[j] * inputWeight[i][j];
  78. }
  79. hiddenOutput[i] = Sigmoid(temp);
  80. }
  81. hiddenOutput[hiddenSize] = 1.0;
  83. double temp = 0;
  84. for (int i = 0; i < hiddenSize + 1; i++) {
  85. temp += hiddenOutput[i] * hiddenWeight[i];
  86. }
  87. output = Sigmoid(temp);
  88. }
  90. public void BP() {
  91. // 计算各层的梯度
  92. alpha2 = (opt - output) * output * (1 - output);
  94. for (int i = 0; i < hiddenSize; i++) {
  95. alpha1[i] = hiddenOutput[i] * (1 - hiddenOutput[i]) * alpha2 * hiddenWeight[i];
  96. }
  98. // 反向传播
  99. for (int i = 0; i < hiddenSize; i++) {
  100. hiddenWeight[i] += ((hiddenOutput[i] * alpha2 * ci) );
  101. for (int j = 0; j < picSize + 1; j++) {
  102. inputWeight[i][j] +=((input[j] * alpha1[i] * ci));
  103. }
  104. }
  105. hiddenWeight[hiddenSize]+=(hiddenOutput[hiddenSize] * alpha2 * ci);
  106. }
  108. public void train() {
  109. String non_facePath = "D://人工智能//face.train//train//non-face";
  110. File non_facFile = new File(non_facePath);
  111. File[] non_faceList = non_facFile.listFiles();
  112. String facePath = "D://人工智能//face.train//train/face";
  113. File faceFile = new File(facePath);
  114. File[] faceList = faceFile.listFiles();
  115. init();
  116. pro =new double [151];
  119. for(int i =0;i<151;i++){
  120. int right = 0;
  121. int facenumber =0;
  122. int nonfacenumber =0;
  124. for (int j = 0; j < 4000; j++) {
  125. int temp = random.nextInt();
  126. if(temp%2 ==0)
  127. { // 正例训练
  128. this.setOpt(1.0);
  129. this.PGMReader(faceList[facenumber]);
  130. this.forward();
  131. this.BP();
  132. facenumber++;
  133. }
  134. else{ // 反例训练
  136. this.setOpt(0.0);
  137. this.PGMReader(non_faceList[nonfacenumber]);
  138. this.forward();
  139. this.BP();
  140. nonfacenumber++;
  141. }
  142. }
  144. for (int j = 2000; j <2400; j++) {
  145. { // 正例测试
  146. this.PGMReader(faceList[j]);
  147. this.forward();
  148. if (output > 0.5)
  149. right++;
  150. }
  151. { // 反例测试
  152. this.PGMReader(non_faceList[j]);
  153. this.forward();
  154. if (output < 0.5)
  155. right++;
  156. }
  157. }
  158. pro[i] = (double) right / 800;
  159. if(i%10==0)
  160. {
  161. System.out.println("第"+i+"次迭代估算正确率为：" + pro[i]);
  162. }
  164. if(pro[i]>=0.95){
  165. System.out.println("第"+i+"次迭代估算正确率为：" + pro[i]);
  166. break;
  167. }
  169. }
  170. }
复制代码

}
这里我采用的数据的格式是PGM，19*19大小的，训练集一共有4800张，一半正例一半反例。
具体的实现，我感觉代码写的比较清楚，我就不赘述了。

收藏 邀请
上一篇：Ubuntu16开发环境配置下一篇：HttpClient4.3.x使用-基础篇

最新评论

相关分类

小黑屋|在路上 ( 蜀ICP备15035742号-1 )  

;

GMT+8, 2025-7-6 20:59

Copyright 2015-2025 djqfx

返回顶部