人工神经网络方法在人脸检测与数据挖掘中的应用

《人工神经网络方法在人脸检测与数据挖掘中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、电子科技大学硕士学位论文人工神经网络方法在人脸检测与数据挖掘中的应用姓名：刘强申请学位级别：硕士专业：计算机软件与理论指导教师：章毅20050518人工神经网络方法在人脸检测和数据挖掘中的应用摘要人工神经网络(ANN)是一种用以模拟人类智能的复杂网络，现已广泛应用于智能控制、系统辨识、智能检测等领域。在分析人工神经网络结构和特性的基础上，本文探讨它在人脸检测和数据挖掘中的应用。本文的主要工作反映在以下两个方面：1．基于BP网络的人脸检测系统本文设计并实现了一套人脸检测系统，并重点研究了其中用于鉴别人脸图像的BP神经网络部分。BP神经网

2、络是一种多层前馈神经网络，能够通过有教师学习，获得对人脸图像特征和规则的隐性表达。在设计中，我们一方面针对人脸图像的特殊性，对传统的BP神经网络结构进行了改进；另一方面，针对原有BP神经网络算法效率较低、容易陷入局部极小等缺陷，优化了网络参数的调整方式；最后，针对非人脸样本不足的问题，采用了自举的网络训练方式。实验结果证明，整套人脸检测系统能够在给定图片中较准确地定位出直立的甚至带有轻微旋转的正面人脸；而改进后的BP网络缩短了学习时间，提高了学习效率，并在一定程度上避免了学习中的局部极小问题。2．基于GHSOM网络的一种类别型数据的聚

3、类方法聚类是数据挖掘中的一种非常重要的技术和方法，而类别型数据的聚类一直是其中难于解决的问题之一。围绕着该问题，本文首先提出了一种新型的类别型数据量化方法，将不易数值化类别型数据转化为高维空间中的数值型向量；然后，采用改进的GHSOM网络对量化后的数据进行了聚类。GHSOM网络是一种无教师学习网络，能够在学习的过程中自适应地拓展网络结构，非常适于高维空间中的聚类问题。在此，本文不但对GHSOM的训练过程进行了改进，解决了原网络聚类时出现的粒化问题；而且，对自组织训练学习算法进行了优化，一定程度上提高了网络迭代训练的速度。实验结果证明，

4、本文提出的量化方法很好地再现了数据的原始特征，并在一定程度上解决了类别型数据数值化的问题：而改进后的GHSOM网络在聚类过程中，具有更快的训练速度以及聚类的质量。关键字：神经网络，人脸检测，数据挖掘垒三登丝婴塑查鳖奎△墅垫型塑鏊塑茎塑生塑窒星AbstraetArtificialNeuralNetwork(ANN)isacomplexnetworkwhichcouldsimulatesomeintelligentbehaviorsofhuman．Ithasbeenwidelyappliedinthefieldsofintelligent

5、control，systemidentification，andintelligentsupervisionetc．BasedoiltheanalysisofthemodelandcharacterofANN，thispapermainlydiscussestheapplicationofitinFaceDetectionandDataMiningThemainworkofthispapercanbeconcludedintothefollowingtwoaspects．1．FaceDetectionSystemBasedonBPNe

6、uralNetworkThispaperdesignedandrealizedaFaceDetectionSystem，withemphasisoi3．investigatingthepartofBPnetworkwhosefunctionistodistinguishfaceimages．BPnetworkisamultilayerfeed-forwardnetwork，whichcouldacquiretheunderlyingpatternoffaceimagethroughsupervisedlearning．Inviewof

7、thespecialtyoffaceimage，wefirstlyadjustedthetraditionalarchitectureoftheBPnetwork．Then，weoptimizedthewayofmningnetwork’sparameters，inordertoavoidthedefectsofBPalgorithm，suchasinferiorefficiencyandeasilygettingintolocalminimumetc．Besidesthat，weadoptedabootstrappingmethod

8、duringnetwork’straining，successfullysolvingthedeficiencyofnon-facetrainingsamples．Experimentsdemonstratethatth