基于DSP開發(fā)人臉識別系統(tǒng)(共11頁)

1、精選優(yōu)質(zhì)文檔-傾情為你奉上研究生學(xué)位論文學(xué)位級別 碩 士學(xué)科專業(yè) 控制工程姓 名 指導(dǎo)教師 入學(xué)年月 人臉識別算法研究及其DSP實(shí)現(xiàn)1、 研究背景及意義生物特征鑒別技術(shù)是利用人體特有的生理特征來進(jìn)行身份識別的一種技術(shù)，它提供了一種高可靠性，高穩(wěn)定性的身份鑒別途徑。當(dāng)前，用于個人身份鑒別主要依靠卡、密碼等手段，而這些手段存在攜帶不便、密碼容易被竊等諸多問題。據(jù)統(tǒng)計(jì)，美國每年在福利發(fā)放、信用卡交易、ATM交易等方面由于身份詐騙而造成的損失到達(dá)60億美金。因此用傳統(tǒng)的方法來進(jìn)行身份識別面臨嚴(yán)峻的挑戰(zhàn)。近年來，計(jì)算機(jī)技術(shù)的使用使得使用人類生物特征進(jìn)行身份識別成為可能。與原有的人類身份識別技術(shù)相比，基于

2、人類生物特征的識別技術(shù)具有安全可靠、特征唯一、不易偽造、不可竊取等優(yōu)點(diǎn)。人類本身具有很多相對獨(dú)特的人類特征，如DNA、指紋、虹膜、語音、人臉等?；谶@些相對獨(dú)特的人類特征，結(jié)合計(jì)算機(jī)技術(shù)，發(fā)展起眾多的基于人類生物特征的人類身份識別技術(shù)，如DNA識別技術(shù)、指紋識別技術(shù)、虹膜識別技術(shù)、語音識別技術(shù)、人臉識別技術(shù)。相對于其他的生物特征識別技術(shù)，基于人臉面部特征的識別是一種更直接、更方便、更友好、更容易被人們接受的識別方法，它具有主動性、非侵犯性和用戶友好等許多優(yōu)點(diǎn)，是一種很理想的身份驗(yàn)證手段，多年來一直受到許多研究者的關(guān)注。通常的人臉識別技術(shù)都是基于PC機(jī)和圖像采集卡的，對于處理速度和裝置大小要求高

3、的場合不太適用。隨著數(shù)字信號處理器（DSP）的問世，現(xiàn)代圖像處理技術(shù)系統(tǒng)進(jìn)入了一個新階段。DSP技術(shù)的飛速發(fā)展，其運(yùn)算速度和計(jì)算精度不斷提高，片內(nèi)存儲器容量不斷加大，系統(tǒng)功能、數(shù)據(jù)處理能力以及與外部設(shè)備的通信功能的不斷增強(qiáng)，完全可以開發(fā)出基于DSP的圖像處理系統(tǒng)，為解決這些問題開辟出新的途徑，DSP也成為實(shí)現(xiàn)人臉檢測算法的首選芯片。所以本課不僅有很強(qiáng)的理論研究意義，也有很強(qiáng)的實(shí)際應(yīng)用價值。2、 國內(nèi)外的研究現(xiàn)狀 計(jì)算機(jī)人臉識別的研究起始于20世紀(jì)60年代末。最早期的算法主要是基于部件的，利用人臉的幾何特征來進(jìn)行識別。并且大都在較強(qiáng)約束條件下進(jìn)行的。20世紀(jì)90年代后，形成了大量比較經(jīng)典基于整體

4、的算法如：基于Fisherface（LDA）的人臉識別方法；基于特征臉(PCA)的人臉識別算法；基于模板匹配(Correlation) 的人臉識別算法等；90年代中期后，形成了整體識別與局部分析相結(jié)合的發(fā)展趨勢。此后，經(jīng)過全世界研究的共同努力，人臉識別雖然有了很大的發(fā)展。目前已有產(chǎn)品投入實(shí)際應(yīng)用。但對于復(fù)雜光照問題和多姿態(tài)人臉識別問題的解決還不是十分令人滿意。現(xiàn)階段，發(fā)展趨勢是應(yīng)用紅外的方法及三維空間的識別。 人臉識別領(lǐng)域內(nèi)最著名的國外研究機(jī)構(gòu)包括：美國麻繩理工學(xué)院媒體實(shí)驗(yàn)室及人工智能實(shí)驗(yàn)室、南加州大學(xué)、卡內(nèi)基梅隆機(jī)器人研究及交互系統(tǒng)實(shí)驗(yàn)室、馬里蘭大學(xué)等；從78年以來，國內(nèi)開始了對人臉識別的研

5、究。此后在許多研究機(jī)構(gòu)在自然基金、863計(jì)劃等的支持下，有了很大的發(fā)展。著名的有：清華大學(xué)計(jì)算機(jī)系、自動化系，中科院自動化研究所，上海交大圖象處理與模式識別研究所等；他們在人臉識別領(lǐng)域進(jìn)行了大量的探索，積累了豐富的經(jīng)驗(yàn)。3、 研究目的、內(nèi)容和方法3.1 研究目的本課題是基于 DSP 構(gòu)造一個人臉識別系統(tǒng)。本人主要工作是在人臉檢測部分已經(jīng)完成的基礎(chǔ)上，運(yùn)用合理的人臉的特征提取方法及識別算法，并將算法在DSP硬件平臺上實(shí)現(xiàn)，使得系統(tǒng)最終的識別率、計(jì)算時間等達(dá)到理想的標(biāo)準(zhǔn)。3.2 研究內(nèi)容和方法人臉識別主要可以解決兩大類任務(wù)：一是給定一幅待識別人臉圖像，判斷它是庫中的哪個人，也就是通常所說的身份識別

6、（Recognition），它是個“一對多”的匹配過程；另一個是給定一幅待識別人臉圖像，判斷它是不是某人，也就是身份驗(yàn)證（Authentication），它是個“一對一”的匹配過程。本文研究的人臉識別系統(tǒng)主要應(yīng)用于入口管理，是一個門禁系統(tǒng)，所以屬于“一對多”的身份識別系統(tǒng)。（1） 人臉識別框架人臉圖像識別的框架如圖1所示：圖像獲取人臉檢測人臉檢測、定位圖像預(yù)處理及標(biāo)準(zhǔn)化人臉圖像的有效識別特征提取人臉圖像模板數(shù)據(jù)庫匹配身份認(rèn)證識別訓(xùn)練圖1 人臉圖像識別框架 圖像獲?。簭臄z像機(jī)等圖像輸入設(shè)備, 捕獲圖像。人臉檢測及定位：從捕獲的圖像中檢測是否有人臉, 如果有則定位人臉區(qū)域. 人臉圖像預(yù)處理： 對人

7、臉圖像進(jìn)行預(yù)處理, 包括人臉圖像的濾波去噪、直方圖均衡等并對圖像作旋轉(zhuǎn)、幾何校正, 并對人臉進(jìn)行灰度、尺寸等的歸一化. 人臉特征提?。?人臉的表示具有多樣性和唯一性, 對人臉特征的抽取既要保持這種多樣性和唯一性, 又要實(shí)現(xiàn)有效圖像降維, 以加快學(xué)習(xí)識別過程。人臉識別：將待識別的人臉圖像或者特征與人臉數(shù)據(jù)庫中的進(jìn)行比對和匹配。人臉識別判決方法的選擇決定于識別率的高低, 是人像識別的最關(guān)鍵的技術(shù)。（2）人臉檢測方法人臉檢測實(shí)際上是區(qū)分“人臉”和“非人臉”。其基本思想是基于知識或統(tǒng)計(jì)的方法對人臉建模，然后比較所有待檢測區(qū)域與已建立模型的匹配度，從而得到可能存在的人臉區(qū)域。人臉檢測方法一般分為以下幾類

8、： 基于知識的人臉檢測基于知識的人臉檢測算法是利用人臉的先驗(yàn)知識導(dǎo)出的規(guī)則來進(jìn)行人臉檢測的。人臉局部總是存在一定的規(guī)律，例如：人的兩個眼睛總是對稱分布在人臉的上半部分，鼻子和嘴唇中心點(diǎn)的連線與兩眼之間的連線大體垂直，灰度圖像中眼睛要比臉上其他地方暗等。這些規(guī)則可以表述為人臉局部特征之間的相對距離和位置關(guān)系，當(dāng)滿足這些規(guī)則的圖像區(qū)域找到后，就認(rèn)為一幅人臉圖像已被檢測出來。這種方法所存在的問題主要是:檢測率不高,如果圖像背景中存在類人臉區(qū)域,則必然會導(dǎo)致誤檢;對于不同視角的人由于某些人臉特征不可見,所以不能使用這種方法檢測;用于描述人臉特征之間關(guān)系的規(guī)則不易設(shè)計(jì),規(guī)則制定的過高或者過低會造成拒識或

9、誤識。基于面部重要器官特征的人臉檢測方法在人臉識別研究的初期應(yīng)用比較多,現(xiàn)在人們往往把它作為其它檢測方法的輔助手段。 基于統(tǒng)計(jì)的人臉檢測這種方法遵循一種統(tǒng)一的模式，即首先通過學(xué)習(xí)，在大量訓(xùn)練樣本集的基礎(chǔ)上建立一個能對人臉和非人臉進(jìn)行正確識別的分類器，然后對被檢測圖像進(jìn)行全局掃描，用分類器檢測掃描到的圖像窗口是否包含人臉，若有，則給出人臉?biāo)诘奈恢谩?shí)際上,人臉檢測問題被轉(zhuǎn)化為了統(tǒng)計(jì)模式識別中的二分類問題。采用這種檢測模式的理論依據(jù)是：人臉具有統(tǒng)一的結(jié)構(gòu)模式，如果把所有的圖像集看作一個高維線形空間，那么人臉圖像集只對應(yīng)于其中的某個子空間。于是可以通過檢驗(yàn)待測圖像窗口是否落在這個子空間中來判斷其是

10、否為人臉。因此，可以通過大量的人臉和非人臉樣本來建立一個分類器，使它能夠正確分辨這兩種不同的分類模式，再利用訓(xùn)練好的分類器在未知的圖像中檢測人臉。采用這種檢測策略的關(guān)鍵在于如何選取大量的具有代表性的圖像樣本，特別是非人臉圖像樣本，來訓(xùn)練分類器。采用這種方法進(jìn)行人臉檢測的例子有Sung和Poggio提出的基于樣本學(xué)習(xí)的人臉檢測方法，Rouly5,6,7等實(shí)現(xiàn)的基于神經(jīng)網(wǎng)絡(luò)的方法；Turk, Pentland, Moghaddam8,9 提出的基于主成分分析（PrincipalComponent Analysis, PCA）的人臉檢測方法；Osuna10等的基于支持向量基（SVM）的方法；Paul

11、 Viola 和 Michael Jones提出的基于Adaboost 的人臉檢測算法。 基于特征的人臉檢測基于特征的人臉檢測方法將人臉視為顯著器官的組合，通過不同的方法，檢測出不同的人臉面部特征的位置，然后根據(jù)它們之間的空間幾何關(guān)系來定位人臉；或者根據(jù)人臉固有的、不變的特性，如輪廓規(guī)則、膚色、紋理規(guī)則等，通過檢測是否滿足這些規(guī)則等來檢測和定位人臉。這一類方法有基于膚色的人臉檢測、具有局部特征的人臉檢測、基于多個特征綜合的檢測方法等。 基于模型的人臉檢測所謂基于模型的方法，是指從構(gòu)造人臉或某個面部器官的模型出發(fā)。通過各種模型搜索和匹配算法，結(jié)合對模型參數(shù)的調(diào)整，達(dá)到檢測和定位的目的。模型匹配方

12、法通常是基于特征的方法的進(jìn)一步確認(rèn)。基于模型的方法包括早期的基于預(yù)定模型匹配的檢測方法11,12 以及后來的基于變形模型13，14的匹配方法。早期基于預(yù)定模型匹配的檢測方法是這樣做的:首先建立一個標(biāo)準(zhǔn)的人臉模型,由包含局部人臉特征的子模型構(gòu)成,然后對一幅輸入圖像進(jìn)行全局搜索,對應(yīng)不同尺度大小的圖像窗口,計(jì)算與標(biāo)準(zhǔn)人臉模型中不同部分的相關(guān)系數(shù),通過預(yù)先設(shè)置的閾值來判斷該圖像窗口中是否包含人臉。這種方法易于實(shí)現(xiàn)，但是也存在著缺點(diǎn)：圖像噪聲對檢測結(jié)果影響很大，因此需要對輸入圖像做適當(dāng)?shù)念A(yù)處理，而且模型的大小是人為設(shè)定的，因此不能動態(tài)檢測眼睛等器官的位置。這種方法的優(yōu)點(diǎn)在于,能夠檢測不同大小、具有不同

13、偏轉(zhuǎn)角度的物體。但是其缺點(diǎn)是檢測前必須根據(jù)待測人臉的形狀來設(shè)計(jì)輪廓,否則會影響收斂的結(jié)果;當(dāng)對圖像進(jìn)行全局搜索時,計(jì)算時間過長。一般來說，人臉檢測分為以上四大類，而事實(shí)上對有些人臉檢測的方法分類是比較困難的，因?yàn)橛行┓椒◤牟煌慕嵌确治鰰r，完全可以將它分到其他不同的類別中。同時很多研究者可能綜合了多種方法的思想，形成一種新的人臉檢測方暗，來提高檢測的效果。（3）人臉識別方法人臉的特征提取和特征識別(匹配) 是人臉識別中最為關(guān)鍵的兩個問題。事實(shí)上,人臉識別研究的發(fā)展主要就體現(xiàn)在這兩個問題上,即提取人臉的什么特征和用什么手段進(jìn)行分類。在這里，將這兩個問題都?xì)w于人臉識別算法里。針對這兩個問題，人們提

14、出了許多種人臉識別算法：面部幾何特征的識別方法；基于特征臉(特征子空間) 15的人臉識別算法；基于模板匹配(靜態(tài)匹配和彈性匹配) 的人臉識別算法；基于人工神經(jīng)網(wǎng)絡(luò)的識別算法16 ；等灰度線法17 ；基于特征融合的人臉識別算法18 等許多種： 基于面部幾何特征人臉識別算法 這類識別方法將人臉用一個幾何特征矢量來表示（特征提取），用模式識別中層次聚類的思想設(shè)計(jì)分類器達(dá)到識別目的（人臉識別）。常采用的幾何特征有人臉的眼睛、眉毛、鼻子、嘴等重要器官的局部形狀特征，臉型特征及五官在臉上分布的幾何特征。在這種基于幾何特征的識別中，識別總是歸為特征矢量的匹配，基于歐式距離的判決是常用的識別方法。 基于特征臉

15、(特征子空間) 的人臉識別算法對人臉識別技術(shù)影響最大的是特征臉技術(shù)。它根據(jù)一組人臉訓(xùn)練圖像構(gòu)造主元子空間。由于主元具有人的臉的形狀，也稱為特征臉。特征臉相當(dāng)于與人臉協(xié)方差矩陣的主特征值有關(guān)的特征向量。主元子空間大大降低了原始空間的維數(shù)，識別時將待識別圖像投影到這個主元子空間上，得到一組投影系數(shù)，和各個已知人的人臉圖像進(jìn)行比較和識別。利用特征臉的方法進(jìn)行人臉識別有其它人臉識別算法不能替代的優(yōu)勢,所以在人臉識別領(lǐng)域,特征子空間的方法是人們研究的一個熱門方向。 基于模板匹配(靜態(tài)匹配和彈性匹配) 的人臉識別算法模板匹配方法的思想是:庫中存儲著已知人臉的若干模板,這些模板既可以是整張人臉的灰度圖像(v

16、iew based) ,也可以是各生理特征區(qū)域的灰度圖像( sub view based) , 還可以選擇經(jīng)過某種變換的人臉圖像作為模板存儲。識別的時候,經(jīng)過同樣變換的輸入圖像的所有像素點(diǎn)位置與庫中所有模板采用歸一化相關(guān)度量進(jìn)行匹配識別,來達(dá)到分類的目的,完成人臉的識別。上述為靜態(tài)模板匹配,但是它存在著對不同表情的人臉魯棒性差的缺點(diǎn),針對這一情況,人們提出了彈性模板匹配。彈性模板匹配是根據(jù)待檢測人臉特征的先驗(yàn)的形狀信息(通常利用小波特征) ,定義一個參數(shù)描述的形狀模型,該模型的參數(shù)反映了對應(yīng)特征形狀的可變部分,它們最終通過模型與圖像的邊緣、峰、谷和灰度分布特性的動態(tài)地交互適應(yīng)來得以修正，可以較

17、好地檢測出相應(yīng)的特征形狀。由于可變形模板要采用優(yōu)化算法在參數(shù)空間內(nèi)進(jìn)行能量函數(shù)極小化,因此算法的主要缺點(diǎn)在于兩點(diǎn):一、對參數(shù)初值的依賴程度高,很容易陷入局部最小;二、計(jì)算時間長。 基于神經(jīng)網(wǎng)絡(luò)的人臉識別算法神經(jīng)網(wǎng)絡(luò)由于其并行式的信息處理方式以及分布式的編碼存儲方式，故可用于模式識別，且不受目標(biāo)形變的影響。神經(jīng)網(wǎng)絡(luò)在人臉識別中的應(yīng)用很廣，它有其特殊的適合于人臉識別的優(yōu)勢。該方法把模型的統(tǒng)計(jì)特征隱含于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)中。對于人臉這種復(fù)雜的、難以顯示描述的模型，基于神經(jīng)網(wǎng)絡(luò)的方法具有顯著的優(yōu)勢。通常利用神經(jīng)網(wǎng)絡(luò)進(jìn)行識別需要考慮兩方面的因素: (1) 選擇人臉圖像的哪些參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入; (

18、2) 選擇何種神經(jīng)網(wǎng)絡(luò)。通常將全局的特征提取與人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來，這樣在人臉識別方面得到比較好的效果。 其他人臉識別算法以上介紹的是幾種典型的人臉識別方法,從分析中可以看出,每種方法各有其優(yōu)缺點(diǎn),因此一些學(xué)者傾向于將多種方法綜合起來,或同時利用不同種類的特征。稱為多數(shù)據(jù)融合的方法。此外還有紅外人臉識別方法和三維人臉識別方法。（4） 研究方案作為人臉識別系統(tǒng)的前提,快速有效的人臉檢測至關(guān)重要。現(xiàn)在由于彩色圖像獲取的廣泛使用,利用色彩信息進(jìn)行人臉檢測,具有直觀、簡單、快速的特點(diǎn),非常適用于作為自動人臉識別系統(tǒng)的人臉粗定位環(huán)節(jié)。對于同一種族的人來說,其膚色具有較強(qiáng)的共性,并且一般都明顯有別于大多數(shù)

19、背景的顏色。利用這一點(diǎn),可以快速地大致框出人臉可能存在的區(qū)域。主要是根據(jù)皮膚顏色在顏色空間中的分布,用統(tǒng)計(jì)的方法進(jìn)行分割算法的設(shè)計(jì)以判斷某個像素點(diǎn)是否屬于人臉區(qū)域。同時,為了增強(qiáng)算法對光照條件改變的魯棒性,通常將像素點(diǎn)的顏色從RGB 空間變換到其他空間中,只利用其中的色度和飽和度的信息進(jìn)行判斷。在本研究課題的人臉檢測部分，采用以上方法即用膚色信息對圖像進(jìn)行分割得到人臉的候選區(qū)域。在人臉的特征提取和特征識別部分，將采取先用小波變換和核主元分析方法相結(jié)合的方法對人臉圖像進(jìn)行特征提取，然后依據(jù)支持向量機(jī)方法對所提取的主元特征進(jìn)行分類識別。1.小波變換本次設(shè)計(jì)將采用二維小波變換對人臉圖像做頻域分解。通

20、過一次小波變換可以得到四個區(qū)域：低頻區(qū)域LL，高頻區(qū)域LH、HL、HH，分別是水平分量、垂直分量、對角分量。對每次變換得到的LL還可以再次進(jìn)行小波變換。采用小波變換出于兩個方面的考慮，其一，研究指出，低頻子圖像包含了原始圖像的主要描述信息，而其他3個高頻子圖像包含的信息較少。并且人臉的表情變化和少許遮掩只影響圖像中高頻部分的變化，這樣人臉圖像的低頻部分就在有表情變化的情況下仍然比較穩(wěn)定，因此可以考慮僅對人臉圖像的低頻部分進(jìn)行識別，而利用小波變換可以達(dá)到這個目的；其二，因?yàn)榍笕√卣鲿r要求本征值特征，計(jì)算量較大，而如果只利用小波變換的低頻圖像的話，數(shù)據(jù)量就減少到了原來的四分之一(僅作一次變換)，可

21、以較大的提高運(yùn)算速度。常用的小波函數(shù)有Harr小波，Marr小波，Morlet小波，Daubechies小波。在各種小波中，Daubechies小波具有最小支集和廣義線性相位，而且Daubechies小波具有良好的局部化性質(zhì)，可以不斷地以任意精度逼近所要討論的系統(tǒng)，因此在構(gòu)造小波濾波器時選用了Daubechies小波。2核主元分析方法（KPCA）主元分析方法(Principal Components Analysis，PCA)是一種有效的特征提取法。該方法依據(jù)輸入原始數(shù)據(jù)構(gòu)成的協(xié)方差矩陣，計(jì)算前M個較大特征值所對應(yīng)的特征向量，以此作為最佳投影方向。當(dāng)進(jìn)行特征提取時，將原始數(shù)據(jù)向最佳投影方向線性

22、地投影到主元空間，從而得到原始數(shù)據(jù)的特征，這種方法將數(shù)據(jù)從原來的R 維空間降維投影到M 維空間(R M ) , 在降維后保存了數(shù)據(jù)中的主要信息, 從而使數(shù)據(jù)更易于處理，這種提取特征法被廣泛地應(yīng)用于人臉識別中。傳統(tǒng)的主元分析法(PCA)是基于原始特征的一種線性變換，當(dāng)原始數(shù)據(jù)存在非線性屬性時，使用PCA分析后留下的顯著成分就可能不再反映這種非線性屬性。在人臉圖像中，有相當(dāng)部分對分類有用的非線性成分，理論上KPCA方法將優(yōu)于PCA。由于PCA僅從象素的2階依賴上考慮，對多像素之間的依賴性或像素的高階關(guān)系不敏感?？紤]了人臉的高階統(tǒng)計(jì)量的核主元分析法(KPCA)將有利于人臉識別KPCA的基本思想是通過

23、一個非線性變換把輸人數(shù)據(jù)，映射到一個高維的特征空間。即可以把在輸人空間無法線性分類的數(shù)據(jù)變換到特征空問再利用PCA進(jìn)行特征提取。3支持向量機(jī) 支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC 維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以期獲得最好的推廣能力(Generalization Ability)。具有以下幾個優(yōu)點(diǎn)： （1）它專門針對小樣本情況，其目標(biāo)是得到現(xiàn)有信息的最優(yōu)解而不是當(dāng)樣本數(shù)目趨于無窮時的最優(yōu)解； （2）算法最終將轉(zhuǎn)化成為一個二次型尋優(yōu)問題，從理論上說，得到的將是全局最優(yōu)點(diǎn)，解決了在神經(jīng)網(wǎng)絡(luò)方法中無法避免的局部極值問

24、題；（3）算法將實(shí)際問題通過非線性變換轉(zhuǎn)換到高維的特征空間，在高維空間中構(gòu)造線性判別函數(shù)來實(shí)現(xiàn)原空間中的非線性判別函數(shù)，特殊性質(zhì)能保證機(jī)器有較好的推廣能力，同時它巧妙地解決了維數(shù)問題，其算法復(fù)雜度與樣本維數(shù)無關(guān)；概括說，支持向量機(jī)就是首先通過用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一個高維空間，在這個空間中求廣義最優(yōu)分類面。SVM分類函數(shù)形式上類似于一個神經(jīng)網(wǎng)絡(luò)，輸出是中間節(jié)點(diǎn)的線性組合，每個中間節(jié)點(diǎn)對應(yīng)一個支持向量。在SVM 方法中，只要定義不同的內(nèi)積函數(shù)，就可以實(shí)現(xiàn)多項(xiàng)式逼近、貝葉斯分類器、徑向基函數(shù)(Radial Basic Function 或RBF)方法、多層感知器網(wǎng)絡(luò)等許多現(xiàn)有學(xué)習(xí)算法。4系統(tǒng)結(jié)構(gòu)系統(tǒng)主要分為兩個過程：1訓(xùn)練階段（紅線）。對