基于BP神經(jīng)網(wǎng)絡(luò)的臉譜分析

1、基于BP神經(jīng)網(wǎng)絡(luò)的臉譜分析(姓名:疏興旺專業(yè)：09級計(jì)算機(jī)應(yīng)用技術(shù)學(xué)號:S09081203142)摘要本文是利用BP神經(jīng)網(wǎng)絡(luò)的優(yōu)秀分析能力，對綜合臉譜進(jìn)行分析，可以得出臉譜圖像的一般特征，通過這一研究可以得出相似圖片之間的差別，在人工智能方面，可以對其差別進(jìn)行分析，并做出相應(yīng)的指令。特別是在倉庫的智能管理方面非常有益。關(guān)鍵詞數(shù)據(jù)挖掘臉譜分析BP神經(jīng)網(wǎng)絡(luò).八.亠1、前言:目前，隨著經(jīng)濟(jì)水平的穩(wěn)步發(fā)展，智能分析圖片，并做出相應(yīng)的反應(yīng)變的理所應(yīng)當(dāng)，也變的相當(dāng)迫切。選用BP神經(jīng)網(wǎng)絡(luò)的前趨后向反饋分析能力，對相似圖片做出的反應(yīng)簡單快捷，能很好的解決這一問題。臉譜的分析在警察辦案中有很大的作用，可以有效分

2、析出罪犯的英雄。在倉庫的視頻的使用中，能夠讓倉庫在無人管理的情況下對一些突變做出應(yīng)有的反應(yīng)！2、BP神經(jīng)網(wǎng)絡(luò)概述BP網(wǎng)絡(luò)是在1974年由Worbos提出，1986年Rumelhart和McCelland等人對具有非線性連續(xù)轉(zhuǎn)移函數(shù)的多層前饋網(wǎng)絡(luò)的誤差反向傳播(ErrorBackProragation)算法進(jìn)行了詳盡的分析，實(shí)現(xiàn)了Minsky關(guān)于多層前饋網(wǎng)絡(luò)的設(shè)想。BP算法基本思想:學(xué)習(xí)過程由信號的正向傳播與誤差的逆向傳播兩個過程組成，正向傳播時(shí)，模式作用于輸入層，經(jīng)隱層處理后，傳向輸出層。若輸出層未能得到期望的輸出，則轉(zhuǎn)入誤差的逆向傳播階段，將輸出誤差按某種形式通過隱層向輸入層逐層返回，并分?jǐn)?/p>

3、給各層的所有單元，從而獲得各層單元的誤差信號，以作為修改各單元權(quán)值的依據(jù)，這種信號正向傳播與誤差逆向傳播的各層權(quán)矩陣的修改過程是周而復(fù)始地進(jìn)行的。權(quán)值不斷修改的過程，也就是網(wǎng)絡(luò)的學(xué)習(xí)過程。此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差逐漸減少到可接受的程度或達(dá)到設(shè)定的學(xué)習(xí)次數(shù)為止。BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行設(shè)計(jì)時(shí)，主要考慮以下因素。網(wǎng)絡(luò)層數(shù)。一般BP網(wǎng)絡(luò)由一個輸入層，一個輸出層，及若干隱含層構(gòu)成。實(shí)際應(yīng)用中，通常利用一個隱含層就基本上能滿足大部分應(yīng)用問題的需求，因?yàn)閮蓪拥纳窠?jīng)網(wǎng)絡(luò)可以逼近任何非線性函數(shù)。而盲目地增加隱含層層數(shù)，往往會使學(xué)習(xí)速度變慢，同時(shí)增加了結(jié)構(gòu)的復(fù)雜性。輸入層節(jié)點(diǎn)數(shù)。輸入層節(jié)點(diǎn)數(shù)由影響輸出變量的變量

4、個數(shù)來決定，一般來說有幾個變量對輸出變量的結(jié)果有影響就選擇幾個輸入層節(jié)點(diǎn)。輸入網(wǎng)絡(luò)的節(jié)點(diǎn)過少，會使得網(wǎng)絡(luò)不能很好地獲得輸入與輸出數(shù)據(jù)的非線性關(guān)系，如果過多，就會增加過度適應(yīng)的危險(xiǎn)和增大了訓(xùn)練集的大小。輸出層節(jié)點(diǎn)數(shù)。輸出層節(jié)點(diǎn)數(shù)取決于輸出數(shù)據(jù)類型和表示該類型所需的具體數(shù)據(jù)。隱層節(jié)點(diǎn)數(shù)。一個具有無限隱層節(jié)點(diǎn)的兩層BP網(wǎng)絡(luò)可以逼近任何非線性函數(shù)，但對于輸入與輸出均為有限個的網(wǎng)絡(luò)，并不需要無限個隱層節(jié)點(diǎn)，這就涉及到如何選擇隱層節(jié)點(diǎn)數(shù)的問題，而這一問題的復(fù)雜性，使得至今為止，尚未找到一個很好的解析式，隱層節(jié)點(diǎn)數(shù)往往根據(jù)前人設(shè)計(jì)所得的經(jīng)驗(yàn)和自己進(jìn)行試驗(yàn)來確定，也可從1、2、3開始。一般認(rèn)為，隱層節(jié)點(diǎn)數(shù)與數(shù)

5、據(jù)、尋找的模式以及網(wǎng)絡(luò)的類型都有直接的關(guān)系。另外，隱層節(jié)點(diǎn)數(shù)太多會導(dǎo)致學(xué)習(xí)時(shí)間過長;而隱層節(jié)點(diǎn)數(shù)太少，容錯性差，識別未經(jīng)學(xué)習(xí)的樣本能力低，所以必須綜合多方面的因素進(jìn)行設(shè)計(jì)。隱層節(jié)點(diǎn)數(shù)的初始值可由(1)式來確定:式中:m、n分別為輸入層結(jié)點(diǎn)數(shù)與輸出層結(jié)點(diǎn)數(shù)，l為隱層節(jié)點(diǎn)數(shù)。傳遞函數(shù)。BP神經(jīng)網(wǎng)絡(luò)中的傳遞函數(shù)通常采用S(sigmoid)型函數(shù)，即上式中x為前面組合函數(shù)的結(jié)果，一般取進(jìn)入單元的輸入加權(quán)和。3、訓(xùn)練BP網(wǎng)絡(luò)從：/afs/project/theo-8/faceimages/faces_4.tar.Z下載CMU的臉譜庫，然后對樣本進(jìn)行訓(xùn)練1.訓(xùn)練BP網(wǎng)絡(luò)1.1選擇訓(xùn)練BP網(wǎng)絡(luò)去學(xué)習(xí)功能，人

6、名Name、人臉朝向Direction、心情Emotion是否帶眼鏡glasses。通過對話框左上角的ComboBox選擇這四種功能類型1.2選擇迭代次數(shù)(iteratetime)或停止迭代誤差(StopError),兩者默認(rèn)值為100000和0.003，即分別表示迭代到100000次時(shí)停止(不管誤差多少)，或迭代直到誤差小于指定值時(shí)停止(可能會迭代很多很多次).這里的100000次是訓(xùn)練的下界，到達(dá)100000次迭代時(shí)，可能還沒有訓(xùn)練到樣本集中最后一個樣本，因此會多訓(xùn)練幾次，程序在使用delta法則來訓(xùn)練樣本樣，后面的誤差是每個樣本訓(xùn)練完后的平均誤差，而不是當(dāng)前訓(xùn)練圖片的誤差1.3確定隱藏層

7、神經(jīng)元個數(shù)(Hiddenlayerunits),默認(rèn)為3個(網(wǎng)絡(luò)只含一個隱藏層，多層網(wǎng)絡(luò)其實(shí)也一樣)，由于所需隱單元個數(shù)的多少目前仍而理論依據(jù),因此當(dāng)隱層個數(shù)太少,無法達(dá)到識別率時(shí),考慮調(diào)大一點(diǎn),不過由于隱層個數(shù)調(diào)大后,權(quán)值會增加,訓(xùn)練會明顯變慢另外，當(dāng)BP網(wǎng)絡(luò)要學(xué)習(xí)目標(biāo)比較復(fù)雜時(shí)，隱層單元個數(shù)不因過少，不然可能無法收斂.L4確定學(xué)習(xí)速率(learningrate)和沖量(momentum),默認(rèn)值都是0.3,默認(rèn)值的設(shè)置不需要太大，太大了會導(dǎo)致無法收斂，太小了會收斂很慢，而且結(jié)果誤差會很大。1.5參數(shù)都設(shè)好了，點(diǎn)擊Train按鈕開始訓(xùn)練,對話框下方的Status噲動態(tài)顯示當(dāng)前迭代的次數(shù)，而圖

8、片下方也會動態(tài)更新當(dāng)前迭代中的圖片路徑.要說明的是:如果迭代次數(shù)少，很快就會訓(xùn)練完,如果次數(shù)多的話,就看你電腦的性能了，在訓(xùn)練100000次左右或更多的時(shí)候,識別精度已經(jīng)可以達(dá)到80%左右,或以上(這和測試樣本有關(guān))，另外創(chuàng)建神經(jīng)網(wǎng)絡(luò)時(shí),如果讓隱層至輸出層權(quán)值隨機(jī)生成,那么同樣訓(xùn)練100000次,結(jié)束時(shí)的誤差也不會一樣.1.6訓(xùn)I練完后，左邊的列表框(ErrorList)會列出訓(xùn)練過程的一些信息，包括這次訓(xùn)練總共花了多少時(shí)間(最上一行)，第幾次(time)迭代,當(dāng)前迭代誤差(cur_err),平均誤差(avg_err).2測試BP網(wǎng)絡(luò)測試功能,位于主對話框右上角，上面的一組select和var

9、ify按扭用于測試單張人臉圖片，下面一組select和varify按扭用于批量測試人臉圖片，并統(tǒng)計(jì)準(zhǔn)確率.2.1測試單張圖片2.1.1點(diǎn)右上第一個Select按鈕彈出打開文件對話框：OpenLookin:choonchooneft_neutral_open_4.pgmchoon_l亡ft_n亡utrolSiijnglais亡弓斗,pgmchoonJeft_sad_open_4.pgmchoon_left_angry_ope仃_斗.pgmchoon_lft_h3ppy_op已n_斗.pgmchoonJeft_happy_sunglasses_4,pgmchoondioonchoonchoonch

10、oonchoonJeft_sad_sunglaHaes_4.匚_right_angry_open_4.pgr_right_angry_sunglasses_right:_happy_open_4.pgi_right:_happy_sunglasses._right:_neutral_open_4,pcOpenCancel.J.藝匸！”i；Filename:|clnoon_lefteutral_open_4.pgmRiesoftype:PGMRiesPGM選中一張沒有訓(xùn)練過的人臉圖片(pgm格式)，點(diǎn)擊Open”按鈕(你的電腦可能是”打開”銨鈕)2.1.2然后點(diǎn)擊右上的Varify，按鈕,會顯示

11、網(wǎng)絡(luò)對選中圖片的測試結(jié)果，結(jié)果顯示在下面的列表框(VarifyResult內(nèi)，內(nèi)容如下：1=0.1402162=0.03596013=0.303774=0.174941straight解釋一下：一條橫線上面的四行表示：網(wǎng)絡(luò)第幾個輸出單元=值，橫線下面的straight表示根據(jù)輸出層每個單元的值得出的結(jié)果:人臉朝向是正面(straight).正確與否可通過與文件名相應(yīng)信息比較可知.2.2人臉圖片批量測試2.2.1點(diǎn)右上第二個Select按鈕彈出打開文件夾對話框：選擇之前存放測試樣本集人臉圖片的文件夾，如D:tammo,這個文件夾內(nèi)都是用于測試的pgm人臉圖片.如果操作無誤，按鈕左邊會顯示選中文夾

12、中的第一張人臉圖片.2.2.2然后點(diǎn)擊下面的Varify按鈕，會顯示網(wǎng)絡(luò)對選中文夾內(nèi)所有人臉圖片的測試結(jié)果結(jié)果顯示在下面的列表框(VarifyResult)內(nèi)，內(nèi)容形式如下：tammo_upad_unglasses_4.pgm1=0.14：；94i2=0.0?-2S2493=0.6299364=0.324938straight-：dpWFlONGAccuracy:031.3.3由于文夾內(nèi)可能會有很多人臉文件,于輸出信息會有很多,但每個文件的測試輸出信息都如2.1.2節(jié)中類似,要有三點(diǎn)說明:(1)最上面輸出被測試文件名.(2)輸出結(jié)果和正確結(jié)果有比較，如：straightup,左邊straigh

13、t為網(wǎng)絡(luò)輸出結(jié)果,右邊up為正確結(jié)果(從文件名中獲取),由于兩個內(nèi)容不同,所以該圖片測試結(jié)果是錯誤，即WRONG,如正確則顯示RIGHT.(3)最后顯示總的正確率，如上4、BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)實(shí)現(xiàn)關(guān)鍵代碼for(j=0;jm_nOutput;j+)for(i=0;im_nHidden;i+)delta_w=(m_eta*m_OutputErrorjm_HiddenUniti)+(m_momentum*m_preH2OWeightj*m_nHidden+i);m_H2OWeightj*m_nHidden+i+=delta_w;m_preH2OWeightj*m_nHidden+i=delta_w;

14、神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)圖解輸入層單元的第一個結(jié)點(diǎn)和隱藏層的第一個結(jié)點(diǎn)都為偏置單元,注意看LayerForward()里的兩行:m_InputUnit0=1.0;和m_HiddenUnit0=1.0;就是了,偏置的輸出永遠(yuǎn)為1,這里固定就行.而輸出層是沒有偏置單元的.那么對于上面演示程序啟動后,在不改任何參數(shù)的情況下(3個隱單元和4個輸出單元),構(gòu)造的網(wǎng)絡(luò)如下圖:偏置單元用藍(lán)色實(shí)心圓圈表示.其輸出固定為1.0h2.打3hl，hO=l(xO=l?xlTx9604.3運(yùn)行實(shí)例圖：結(jié)束語：通過上文以及圖，我們可以看到：BP神經(jīng)網(wǎng)絡(luò)通過選取lteratetime、Hiddenlayerunits、Learningrate、Momentum的值可以對選取的圖片進(jìn)行train，所獲取的數(shù)據(jù)基本與原件相符。通過這一實(shí)現(xiàn)，我們將這一實(shí)例使用到其他圖片的識別上面，比如可以獲取倉庫每秒的圖片，分析每長圖片之間的區(qū)別，來判斷倉庫中是否有老鼠，