动态模糊神经网络补偿模糊神经元函数逼近人脸识别张量脸算法状态估计硕士论文

动态模糊神经网络的应用及研究计算机软件与理论，2011，硕士【摘要】模糊神经网络是在现代信息科学领域中发展非常迅速的重要学科之一。模糊神经网络集模糊系统知识的明显表达和神经网络强大的学习功能于一体,具有学习功能和自适应能力,并被广泛的应用于工业过程控制、机器控制、消费电子、系统辨识、模式识别、图像处理、数据挖掘等多个领域。在现有的模糊神经网络系统中,研究主要集中在模糊神经网络的表达方式和参数确定上,而对神经网络的辨识问题仍未解决。本文在前人的研究基础上,对动态模糊神经网络及其应用进行了深入的研究,取得如下成果:(1)针对未知状态的人脸识别提出了一种基于状态估计的张量分解的人脸特征提取方法。张量脸算法是分析和表达多因素影响的人脸图像结构的一种有效的数学模型,在原有的张量脸算法的基础上结合状态估计方法,对待识别人脸进行特征提取,通过动态模糊神经网络分类器进行识别,结果表明基于状态估计的张量分解方法的正确识别率高于原有的张量脸算法和常用的PCA人脸特征提取方法,而且网络训练速度也有提高。(2)在对动态模糊神经网络深入研究的基础上,本文又将补偿模糊神经元引入到动态模糊神经网络,提出了一种改进的动态模糊神经网络,即动态补偿模糊神经网络。通过在ORL人脸数据库和W...更多还原【Abstract】Fuzzyneuralnetworkisoneofthemostimportantsubjectwhichdevelopsveryquicklyinthefieldofinformationscience.Fuzzyneuralnetworksintegratefuzzysystemsknowledgewhichhasaobviouslyexpressionandpowerfullearningfunction,withalearningfunctionandadaptiveability,andiswidelyusedinindustrialprocesscontrol,machinecontrol,consumerelectronic,systemidentification,patternrecognition,imageprocessing,dataminingandotherfields.Nowadaystheresearchonfuzz...更多还原【关键词】动态模糊神经网络；补偿模糊神经元；函数逼近；人脸识别；张量脸算法；状态估计；【Keywords】dynamicfuzzyneuralnetworks；compensatoryfuzzyneural；functionapproximation；facerecognition；tensorfacesalgorithm；stateestimation；摘要3-4Abstract4第一章绪论7-111.1研究背景和意义71.2动态模糊神经网络的提出7-81.3动态模糊神经网络的特点81.4课题研究的现状概述8-91.5本文的研究内容9-101.6本文的组织结构10-11第二章基础理论及算法11-282.1动态模糊神经网络的结构11-122.2动态模糊神经网络的学习算法12-172.2.1模糊规则产生准则12-132.2.2前提参数确定13-142.2.3权值的确定14-152.2.4规则修剪技术15-172.3张量脸算法17-192.4补偿模糊神经元19-202.4.1积极模糊神经元192.4.2消极模糊神经元192.4.3补偿模糊神经元19-202.5动态模糊神经网络的一般应用20-262.5.1函数逼近20-222.5.2非线性动态系统辨识22-252.5.3时间序列预测25-262.6本章小结26-28第三章动态模糊神经网络在人脸识别中的应用28-353.1引言283.2人脸特征提取28-303.2.1主元分析法PCA28-293.2.2基于状态估计的张量分解方法29-303.2.3实验与分析303.3基于动态模糊神经网络的人脸识别分类器设计30-343.3.1Weizman人脸数据库31-323.3.2分类器设计32-333.3.3实验结果分析33-343.4本章小结34-35第四章改进的动态模糊神经网络及其在人脸识别中的应用35-414.1引言354.2动态补偿模糊神经网络的结构35-364.3动态补偿模糊神经网络的学习算法36-374.4实验与分析37-404.4.1ORL人脸数据库37-384.4.2Weizmann人脸数据库384.4.3实验结果比较38-404.5本章小结40-41第五章广义的动态模糊神经网络及应用41-495.1引言415.2广义的动态模糊神经网络的结构41-425.3广义的动态模糊神经网络的学习算法42-465.3.1规则产生准则42-445.3.2输入变量的敏感性445.3.3高斯函数宽度修正44-465.4实验46-485.5本章小结48-49第六章总结与展望49-516.1本文总结49-506.2研究展望50-51致谢51-52参考文献52-56