基于神經(jīng)網(wǎng)絡的人臉識別(附代碼)

【代碼及說明見第四頁】基于三層BP神經(jīng)網(wǎng)絡的人臉識別實驗要求采用三層前饋BP神經(jīng)網(wǎng)絡實現(xiàn)標準人臉YALE數(shù)據(jù)庫的識別。二、BP神經(jīng)網(wǎng)絡的結構和學習算法實驗中建議采用如下最簡單的三層BP神經(jīng)網(wǎng)絡，輸入層為，有n個神經(jīng)元節(jié)點，輸出層具有m個神經(jīng)元，網(wǎng)絡輸出為,隱含層具有k個神經(jīng)元，采用BP學習算法訓練神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡的結構BP網(wǎng)絡在本質上是一種輸入到輸出的映射，它能夠學習大量的輸入與輸出之間的映射關系，而不需要任何輸入和輸出之間的精確的數(shù)學表達式，只要用已知的模式對BP網(wǎng)絡加以訓練，網(wǎng)絡就具有輸入輸出對之間的映射能力。BP網(wǎng)絡執(zhí)行的是有教師訓練，其樣本集是由形如（輸入向量，期望輸出向量）的向量對構成的。在開始訓練前，所有的權值和閾值都應該用一些不同的小隨機數(shù)進行初始化。BP算法主要包括兩個階段：(1)向前傳播階段①從樣本集中取一個樣本(Xp,Yp)，將Xp輸入網(wǎng)絡，其中Xp為輸入向量，Yp為期望輸出向量。②計算相應的實際輸出Op。在此階段，信息從輸入層經(jīng)過逐級的變換，傳送到輸出層。這個過程也是網(wǎng)絡在完成訓練后正常運行時執(zhí)行的過程。在此過程中，網(wǎng)絡執(zhí)行的是下列運算：(2)向后傳播階段①計算實際輸出Op與相應的理想輸出Yp的差；②按極小化誤差的方法調整權矩陣。這兩個階段的工作一般應受到精度要求的控制，定義(1)作為網(wǎng)絡關于第p個樣本的誤差測度（誤差函數(shù)）。而將網(wǎng)絡關于整個樣本集的誤差測度定義為(2)如前所述，將此階段稱為向后傳播階段，也稱之為誤差傳播階段。為了更清楚地說明本文所使用的BP網(wǎng)絡的訓練過程，首先假設輸入層、中間層和輸出層的單元數(shù)分別是N、L和M。X=(x0,x1,…,xN-1)是加到網(wǎng)絡的輸入矢量，H=(h0,h1,…,hL-1)是中間層輸出矢量，Y=(y0,y1,…,yM-1)是網(wǎng)絡的實際輸出矢量，并且用D=(d0,d1,…,dM-1)來表示訓練組中各模式的目標輸出矢量。輸出單元i到隱單元j的權值是Vij，而隱單元j到輸出單元k的權值是Wjk。另外用θk和Φj來分別表示輸出單元和隱單元的閾值。于是，中間層各單元的輸出為：(3)而輸出層各單元的輸出是：(4)其中f(*)是激勵函數(shù)，采用S型函數(shù)：(5)在上述條件下，網(wǎng)絡的訓練過程如下：(1)選定訓練集。由相應的訓練策略選擇樣本圖像作為訓練集。(2)初始化各權值Vij，Wjk和閾值Φj，θk，將其設置為接近于0的隨機值，并初始化精度控制參數(shù)ε和學習率α。(3)從訓練集中取一個輸入向量X加到網(wǎng)絡，并給定它的目標輸出向量D。(4)利用式(7)計算出一個中間層輸出H，再用式(8)計算出網(wǎng)絡的實際輸出Y。(5)將輸出矢量中的元素yk與目標矢量中的元素dk進行比較，計算出M個輸出誤差項：對中間層的隱單元也計算出L個誤差項：functionmain()%%clcclearall;%closeall;load('date1_5.mat','feature');warningoffallSamNum=35;%輸入樣本數(shù)量TestSamNum=35;%測試樣本數(shù)量ForcastSamNum=20;%預測樣本數(shù)量HiddenUnitNum=8;%中間層隱節(jié)點數(shù)量取8InDim=40;%網(wǎng)絡輸入維度OutDim=4;%網(wǎng)絡輸出維度%%inputp=[];t=[];pnew=[];fori=1:55if(mod(i,11)<=7&&mod(i,11)>0)p=[p;feature(i,:)];elsepnew=[pnew;feature(i,:)];endendp=p';pnew=pnew';%%outputs1=[00000000000000000000000000000000000];s2=[00000000000000000000011111111111111];s3=[00000001111111111111100000000000000];s4=[11111110000000111111100000001111111];t=[s1;s2;s3;s4];size(t)%%4*35輸出size(p)%%40*35輸入[SamIn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%原始樣本對（輸入和輸出）初始化rand('state',sum(100*clock))%依據(jù)系統(tǒng)時鐘種子產生隨機數(shù)SamOut=tn;TestSamIn=SamIn;%這里取輸入樣本與測試樣本相同因為樣本容量偏少TestSamOut=SamOut;%也取輸出樣本與測試樣本相同MaxEpochs=50000;%最多訓練次數(shù)為50000lr=0.035;%學習速率為0.035E0=0.65*10^(-3);%目標誤差為0.65*10^(-3)W1=0.5*rand(HiddenUnitNum,InDim)-0.2;%初始化輸入層與隱含層之間的權值B1=0.5*rand(HiddenUnitNum,1)-0.2;%初始化輸入層與隱含層之間的閾值W2=0.5*rand(OutDim,HiddenUnitNum)-0.2;%初始化輸出層與隱含層之間的權值B2=0.5*rand(OutDim,1)-0.2;%初始化輸出層與隱含層之間的閾值ErrHistory=[];%給中間變量預先占據(jù)內存fori=1:MaxEpochs%HiddenOut=logsig(W1*SamIn+repmat(B1,1,SamNum));%隱含層網(wǎng)絡輸出HiddenOut=1./(1+exp(-(W1*SamIn+repmat(B1,1,SamNum))));%隱含層網(wǎng)絡輸出NetworkOut=W2*HiddenOut+repmat(B2,1,SamNum);%輸出層網(wǎng)絡輸出Error=SamOut-NetworkOut;%實際輸出與網(wǎng)絡輸出之差SSE=sumsqr(Error);%能量函數(shù)（誤差平方和）ErrHistory=[ErrHistorySSE];ifSSE<E0,break,end%調整權值（閾值）Delta2=Error;Delta1=W2'*Delta2.*HiddenOut.*(1-HiddenOut);dW2=Delta2*HiddenOut';dB2=Delta2*ones(SamNum,1);dW1=Delta1*SamIn';dB1=Delta1*ones(SamNum,1);%對輸出層與隱含層之間的權值和閾值進行修正W2=W2+lr*dW2;B2=B2+lr*dB2;%對輸入層與隱含層之間的權值和閾值進行修正W1=W1+lr*dW1;B1=B1+lr*dB1;endHiddenOut=1./(1+exp(-((W1*SamIn+repmat(B1,1,TestSamNum)))));%隱含層輸出最終結果NetworkOut=W2*HiddenOut+repmat(B2,1,TestSamNum);%輸出層輸出最終結果a=postmnmx(NetworkOut,mint,maxt);%還原網(wǎng)絡輸出層的結果%%%利用訓練好的網(wǎng)絡進行預測pnewn=tramnmx(pnew,minp,maxp);%歸一化；HiddenOut=1./(1+exp(-(W1*pnewn+repmat(B1,1,ForcastSamNum))));anewn=W2*HiddenOut+repmat(B2,1,ForcastSamNum);%輸出層輸出預測結果%把網(wǎng)絡預測得到的數(shù)據(jù)還原為原始的數(shù)量級；anew=postmnmx(anewn,mint,maxt);answer=zeros(1,size(anew,2));d=1;forj=1:20fori=4:-1:1answer(j)=answer(j)+anew(i,j)*d;d=d*2;endd=1;endanswer=answer+0.5;answer=floor(answer)

function[feature]=read_can_use()clc,clear;%%fori=1:5forjj=1:11%%s1='YALE\subject0';s2=int2str(i);s22='_';s222=int2str(jj);s3='.bmp';str=strcat(s1,s2);str=strcat(str,s22);str=strcat(str,s222);str=strcat(str,s3);a2=imread(str);M=double(a2);%%num=1;forj=1:10fork=1:4x=i;%將圖片的灰度矩陣劃分成32塊小矩陣temp_num1=size(M,1)./10;%100*80temp_num2=size(M,2)./4;temp=M((j-1)*temp_num1+1:j*temp_num1,(k-1)*temp_num2+1:k*temp_num2);%對每個小矩陣進行SVD變