基于粒子群算法和神经网络的人脸识别分类器研究

合集下载

《2024年基于深度学习的人脸识别方法研究综述》范文

《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人脸识别技术已经成为了人工智能领域的研究热点。

基于深度学习的人脸识别方法以其高精度、高效率的特点，在众多领域得到了广泛应用。

本文旨在全面梳理和总结基于深度学习的人脸识别方法的研究现状、主要技术、应用领域及未来发展趋势。

二、人脸识别技术的发展历程人脸识别技术自诞生以来，经历了从传统的手工特征提取方法到基于深度学习方法的演变。

早期的人脸识别主要依靠人工设计的特征提取算法，如主成分分析（PCA）、线性判别分析（LDA）等。

随着深度学习技术的崛起，卷积神经网络（CNN）等人脸识别算法得到了广泛应用。

三、基于深度学习的人脸识别方法（一）深度卷积神经网络（Deep Convolutional Neural Network, DCNN）DCNN是目前应用最广泛的人脸识别方法之一。

通过训练大量的数据，DCNN可以自动学习和提取人脸特征，从而提高识别的准确性。

同时，DCNN具有较好的泛化能力，可以应对不同的人脸表情、光照、姿态等变化。

（二）深度学习与特征融合在人脸识别中，特征提取是关键的一步。

通过将深度学习与其他特征提取方法相结合，如基于局部二值模式（LBP）的特征提取方法，可以进一步提高人脸识别的准确性和鲁棒性。

此外，多模态特征融合技术也可以提高人脸识别的性能。

（三）基于深度学习的无约束人脸识别无约束人脸识别是近年来研究的热点。

由于实际应用中的人脸图像往往存在光照、姿态、表情等变化，因此基于深度学习的无约束人脸识别技术显得尤为重要。

该技术通过训练大量的无约束人脸数据，使得模型能够适应各种复杂的人脸变化。

四、主要技术应用领域（一）安防领域基于深度学习的人脸识别技术在安防领域得到了广泛应用。

例如，公安系统可以通过该技术对犯罪嫌疑人进行快速检索和比对，提高破案效率。

此外，该技术还可以应用于门禁系统、监控系统等场景。

（二）金融领域在金融领域，基于深度学习的人脸识别技术可以用于身份验证、支付等方面。

机械工程中的优化算法应用研究

机械工程中的优化算法应用研究在机械工程中，优化算法的应用研究主要集中在解决复杂问题和寻找最优解决方案上。

这些算法通过模拟自然界中的生物进化、群体行为等原理，或者采用数学建模等方式，能够在较短的时间内找到较好的解决方案。

以下是一些常见的优化算法及其在机械工程中的应用：1. 遗传算法：遗传算法是一种模拟生物进化过程的优化算法，通过选择、交叉和变异等操作，逐步逼近最优解。

在机械工程中，遗传算法可以用于解决结构设计、参数优化等问题。

例如，可以利用遗传算法对机械结构进行拓扑优化，以实现结构轻量化或提高结构性能等目标。

2. 粒子群优化算法：粒子群优化算法是一种模拟鸟群觅食行为的优化算法，通过粒子之间的信息共享和协作，寻找最优解。

在机械工程中，粒子群优化算法可以用于解决路径规划、机器人控制等问题。

例如，可以利用粒子群优化算法对机器人的运动轨迹进行规划，以实现避障、最短路径等目标。

3. 模拟退火算法：模拟退火算法是一种模拟固体退火过程的优化算法，通过模拟物体内部粒子的热运动过程，寻找全局最优解。

在机械工程中，模拟退火算法可以用于解决布局优化、调度等问题。

例如，可以利用模拟退火算法对工厂布局进行优化，以减少物料搬运成本和提高生产效率。

4. 神经网络优化算法：神经网络优化算法是一种基于人工神经网络的优化算法，通过训练神经网络模型来逼近最优解。

在机械工程中，神经网络优化算法可以用于解决故障诊断、预测等问题。

例如，可以利用神经网络对机械设备的运行状态进行监测和故障诊断，以提前发现潜在故障并采取相应的维修措施。

总之，随着计算机技术和人工智能技术的不断发展，优化算法在机械工程中的应用将会越来越广泛。

未来，将会有更多的智能优化算法被应用到机械工程中，为机械工程的发展带来更多的创新和突破。

粒子群算法与神经网络结合的优化算法研究

粒子群算法与神经网络结合的优化算法研究随着人工智能和数据分析的快速发展，优化算法作为一种重要的数学方法，在各个领域中得到了广泛应用。

其中，粒子群算法和神经网络结合的优化算法，已经成为优化问题的一种新思路。

粒子群算法是一种优化算法，灵感来源于鸟群捕食的策略。

鸟群在进行捕食时，会根据周围环境和食物的分布情况，不断调整自己的方向和速度。

同样，粒子群算法中的“粒子”，也会根据周围其他粒子的信息和当前环境的优化目标，去更新自己所处的位置和速度。

神经网络作为另一种常用的数学方法，其本质是一种多层次的非线性函数。

神经网络通常被用来解决分类、识别和预测等问题。

其通过对输入变量的权重和偏差进行变化，不断调整模型参数，从而优化预测的准确性和泛化能力。

将这两种方法进行结合，即可形成一种有效的优化算法。

具体而言，粒子群算法可以用来寻找神经网络中的最优参数，从而提高模型的性能。

而神经网络则可以作为粒子群算法的优化目标，通过反馈神经网络预测误差，不断调整粒子的位置和速度。

这种结合方法的好处在于，能够同时利用粒子群算法的全局优化和神经网络的非线性优势。

在一些特定的优化问题中，甚至可以得到比单一方法更优秀的解决方案。

另外，在实际应用中，这种结合方法也有着很大的潜力。

例如，在智能物流中，可以运用粒子群算法从一堆货物中找出最优的装载方式，在这个过程中可以利用神经网络为每个货物进行分类，不断调整粒子，从而更好地进行装载。

在医学影像诊断中，可以利用神经网络对医学影像进行自动识别和分析，然后通过粒子群算法优化多个相关参数，从而提高诊断准确率。

总之，粒子群算法和神经网络结合的优化算法，在各个领域中有着重要的应用和价值。

虽然这种结合方法还处于起步阶段，但我们相信在不久的将来，它们将会得到更广泛的应用，并为我们带来更加稳健、高效和准确的优化算法。

基于群体智能的算法——粒子群算法与人工蜂群算法的比较研究

基于群体智能的算法——粒子群算法与人工蜂群算法的比较研究近年来，随着计算机技术的飞速发展和应用场景的日益复杂化，一些新的算法也在人工智能领域中崭露头角。

基于群体智能的算法便是其中之一。

这种算法是一个集合了多个个体的群体通过相互协作达成目标的智能体系，是现代人工智能发展领域的一个核心研究方向之一。

其中，粒子群算法和人工蜂群算法是两种主流群体智能算法，在许多实际问题的解决中得到了广泛应用。

本文旨在深入研究两者的优缺点，以期为相关领域的研究人员提供一些借鉴和参考。

一、粒子群算法粒子群算法是一种通过模拟鸟群、鱼群等动物群体行为的数学模型来解决各类最优化问题的智能算法。

该算法在1995年由J. Kennedy和R.C. Eberhart提出，其核心思想是模拟群体行为，以达到寻找最优解的目的。

在该算法中，粒子被视为潜在的最佳解，通过信息交互和学习的方式来不断优化解空间，从而最终实现全局最优解的搜索。

粒子群算法的基本流程如下：1. 初始化种群：随机初始化多个粒子，给出每个粒子的位置以及速度。

2. 计算适应度函数：将每个粒子的位置带入适应度函数中，并得出代价最小化问题的解。

3. 更新位置和速度：根据当前粒子的位置和速度以及全局最优解来更新每个粒子的速度和位置。

4. 重复步骤2和3，直到满足给定条件。

与其他优化算法相比，粒子群算法具有以下优点：1. 非线性优化能力强：由于该算法采用了类生物群体行为的方法，在搜索空间中能够穿过山峰，快速的找到全局最优解，尤其是对于非线性最优化问题的求解更为有效。

2. 没有要求梯度：粒子群算法是一种基于全局迭代的无梯度算法，具有适应度函数解析式不可用的特点，使其可以高效的解决许多实际问题。

3. 并行度高：由于各个粒子的更新是可并行的，所以该算法可被用于分布式计算和高性能计算。

二、人工蜂群算法人工蜂群算法是一种模拟蜜蜂生态系统在寻找蜜源过程中所体现的集体智能行为，以达到解决优化问题的算法。

基于粒子群优化算法的BP神经网络在图像识别中的应用

ｌｌ
（）１
第Ｐ个输入训练样本输出层第ｋ个神经元的输出信
息为
ｑ
＝
从输入到输出的任意非线性映射。假设输入层、隐
含层和输出层的单元个数分别为ｎｑｍ，、、利用该网络可实现ｎ维输入向量Ｘ＝（－）到ｍ维输－，。
维普资讯
第２５卷第４期２００６年ｌ２月
武
汉
丁
业
学
院
学
报
Ｖｏ＿５ｏ４ｌ２Ｎ．
Ｄｅ２ｏｃ．Ｏ６
ＪｕｎｌｏＷｕａＰｌｔｃｎｃＵｉｅｓｔｏｒａｆｈｎｏｙｅｈｉｎｖｒｉｙ
经验和认知的影响，同时也会受到整体社会行为的
应值，若当前适应值更优，则令当前适应值为该微粒历史最好适应值，并保存该微粒的位置为其个体
历史最好位置；比较群体所有微粒的当前适应值和群体历史最好适应值，若当前适应值更优，则令当前适应值为历史全局最好适应值，并保存历史全局
２粒子群优化算法（ＳＰＯ）
２１粒子群优化算法思想．
粒子群优化算法（ａｉｅＳａｐｍｚｉ，ＰｒｃｗｒＯｔｉｔｎｔｌｍｉａｏ
权值、加速系数、最大允许迭代次数或适应值误差限、各微粒的初始位置和初始速度等。２２３前向计算神经网络直至输出，．．并按预定准
０引言
模式识别是近３Ｏ年来迅速发展起来的新兴学科，主要目的是研究如何用机器来模拟人的学习、识别和思维能力。其中基于视觉图像的模式识别技术广泛应用于工业、商业、农业、军事、医学等领域¨ 。Ｊ人工神经网络中的Ｂ神经网络从仿生学的途Ｐ径模拟了人脑的智能行为如信息处理、存储及检索功能，结构简单，易实现，具有抗干扰能力强、自适能应学习以及能把识别处理和若干预处理融为一体来完成等优点，因此在模式识别中应用非常广泛。传

神经网络的自适应学习算法研究

神经网络的自适应学习算法研究神经网络是一种模拟人类神经系统组织结构和功能的计算机技术，它已经应用于许多领域，如机器人、图像识别、语音识别等。

神经网络的特点是可以通过训练学习数据的特征，并从中提取出模式和规律。

其中一个关键的问题是如何通过学习数据自适应地调整神经网络的权值，以使神经网络能够更好地适应不同的应用场景。

自适应学习算法的基本思想是利用神经网络的反馈机制，通过反复迭代计算误差来改变神经元之间的连接权值，从而使神经网络能够逐步匹配输入数据和期望输出数据之间的关系。

传统的自适应学习算法包括最速下降法、逆Hessian矩阵法、L-BFGS方法等，但它们都有一些局限性，如存在局部极值、收敛速度慢等问题。

因此，近年来，研究人员提出了一些新的自适应学习算法。

一类比较有代表性的自适应学习算法是基于群智能的算法，如粒子群算法（PSO）和蚁群算法（ACO）。

它们都是在模拟生物的群体行为基础上，引入了随机搜索机制来寻找最优解。

PSO算法通过模拟粒子在搜索空间中的位置和速度来确定最优解，而ACO算法则是通过模拟蚂蚁在搜索和寻找食物的过程中释放信息素的行为来确定最优解。

这些算法的优势在于可以自适应地寻找全局最优解，并且不容易陷入局部极值。

另一类自适应学习算法是基于梯度下降优化的算法，如Adam算法和RMSprop 算法。

它们通过基于梯度向量的一阶或二阶矩估计来自适应地调整学习率，在保持收敛速度的同时避免陷入局部极值。

Adam算法具有较快的收敛速度和较强的鲁棒性，它通过动量项和自适应学习率来调整权值的更新步长；而RMSprop算法则通过平均梯度的平方根来调整学习率，有效地降低梯度噪声对权值的影响。

除了这些基于群智能和梯度下降的算法之外，还有一些其他的自适应学习算法，比如基于神经元性质的算法和基于统计估计的算法。

基于神经元性质的算法涉及到神经元突触可塑性、斯皮克和重构等概念，它们利用神经元的特殊性质来调整神经网络，例如，增强学习算法就是基于斯皮克的算法，它通过对神经元的阈值进行调整来优化神经网络的输出。

基于粒子群优化的深度神经网络分类算法

基于粒子群优化的深度神经网络分类算法董晴;宋威【摘要】针对神经网络分类算法中节点函数不可导,分类精度不够高等问题,提出了一种基于粒子群优化(PSO)算法的深度神经网络分类算法.使用深度学习中的自动编码机,结合PSO算法优化权值,利用自动编码机对输入样本数据进行编解码,为提高网络分类精度,以编码机本身的误差函数和Softmax分类器的代价函数加权求和共同作为PSO算法的评价函数,使编码后的数据更加适应分类器.实验结果证明:与其他传统的神经网络相比,在邮件分类问题上,此分类算法有更高的分类精度.%Aiming at problem that classification precision of neural network algorithm is not very high and node function doesn't have derivate,a new classification algorithm of deep neural network based on particle swarm optimization(PSO) is e autoencoder of deep study,and combined with PSO algorithm to optimize the weight,coder and decoder for input sample data using autoencoder.In order to improve the classification precision of network,take the error function of autoencoder and cost function of softmax classifier weight sum as evaluation function of PSO algorithm in common,making coded data more adapter to the classifier.The experimental results show that compared with other traditional neural network,the classification algorithm has higher classification precision on Email classification.【期刊名称】《传感器与微系统》【年(卷),期】2017(036)009【总页数】5页(P143-146,150)【关键词】深度神经网络;自动编码机;粒子群优化算法;分类【作者】董晴;宋威【作者单位】江南大学物联网工程学院,江苏无锡214122;江南大学物联网工程学院,江苏无锡214122【正文语种】中文【中图分类】TP183近年来，神经网络的研究一直受到学者们的关注，如感知机[1]，反向传播(back propogation,BP)神经网络[2]，径向基函数(radial basis function,RBF)神经网络及其各种改进算法[3～5]等。

粒子群算法的仿真与实现国外研究现状

粒子群算法的仿真与实现国外研究现状
本文将介绍粒子群算法在国外的研究现状，并对其仿真与实现进行探讨。

粒子群算法是一种基于群体智能的全局优化算法，通过模拟鸟群的飞行行为，在搜索空间中寻找最优解。

自1995年由Eberhart和Kennedy提出以来，粒子群算法已经被广泛应用于机器学习、图像处理、网络优化等领域。

目前，国外粒子群算法的研究主要集中在以下几个方面：
1. 算法的改进和优化。

如基于分布式粒子群算法、混合粒子群算法等，通过改进算法的搜索策略和参数设置，提高算法的搜索效率和准确性。

2. 算法在复杂问题中的应用。

如在无线传感器网络中的布局优化、神经网络的训练过程中的权重调整等，将粒子群算法应用于实际问题的求解中。

3. 算法的并行化和加速。

如基于GPU的粒子群算法、基于MapReduce的粒子群算法等，将算法的计算过程并行化和分布式处理，提高算法的速度和效率。

在粒子群算法的仿真与实现方面，主要涉及以下几个方面：
1. 算法的程序实现。

将算法的数学模型转化为计算机程序，实现算法的求解过程。

2. 算法的可视化展示。

通过可视化技术，将算法的搜索过程以图形化方式展现出来，方便研究人员观察和分析算法的性能。

3. 算法的优化与加速。

通过程序的优化和并行化，提高算法的求解速度和效率。

总之，粒子群算法在国外的研究已经取得了许多进展，并在实际问题中得到广泛应用。

对于粒子群算法的仿真与实现，除了程序实现以外，还需要注意算法的优化和加速，以提高算法的求解效率。

基于粒子群优化的人工神经网络模型参数调优研究

基于粒子群优化的人工神经网络模型参数调优研究人工神经网络（Artificial Neural Networks, ANN）作为一种基于生物神经系统模拟的人工智能技术，被广泛应用于模式识别、数据挖掘、图像处理等领域。

人工神经网络模型的性能很大程度上取决于其参数的选择。

因此，如何有效地优化神经网络模型的参数成为一个重要的研究问题。

本文将基于粒子群优化（Particle Swarm Optimization, PSO）算法，探讨在人工神经网络模型中进行参数调优的研究。

一、粒子群优化算法简介粒子群优化算法是一种基于种群智能的全局优化算法，它模拟了鸟群觅食的行为。

算法通过引入粒子的概念，将优化问题转化为粒子在解空间中搜索最优解的过程。

每个粒子根据自身的当前位置和速度，以及整个种群中历史最优位置的信息，通过不断更新来寻找全局最优解。

二、基于粒子群优化的人工神经网络参数调优方法1. 神经网络模型的构建首先，需要确定神经网络的结构，包括输入层、隐藏层和输出层的神经元数量和连接方式。

根据实际问题，选择适当的激活函数和误差函数。

然后，初始化神经网络的权重和偏置值。

2. 参数优化目标函数的定义在人工神经网络中，通常采用误差函数（Error Function）作为优化的目标函数。

例如，对于回归问题，可以选择均方误差（Mean Squared Error, MSE）作为目标函数；对于分类问题，可以选择交叉熵损失函数（Cross-Entropy Loss）作为目标函数。

3. 粒子群优化算法与神经网络模型的结合将粒子群优化算法引入到神经网络参数优化的过程中。

初始化一定数量的粒子，每个粒子表示一组神经网络的参数。

根据粒子的当前位置和速度，计算下一次迭代的位置和速度，并更新每个粒子的最佳位置。

在每一次迭代中，对每个粒子的位置进行更新，并计算目标函数的值。

最后，选择全局最优粒子的位置作为优化后的神经网络参数。

三、实验设计与结果分析本研究选取了经典的鸢尾花数据集作为实验对象，构建了一个包含两个隐藏层的前馈神经网络模型，并将该模型的参数进行优化。

基于粒子群优化算法的研究

1、参数优化：这方面的研究主要集中在如何调整算法的参数以获得更好的优化效果。例如，如何设置惯性权重w、加速常数c1和c2等参数。
2、混合算法：这方面的研究主要集中在如何将粒子群优化算法与其他优化算法或启发式算法相结合，以获得更好的优化效果。例如，将粒子群优化算法与遗传算法相结合，形成一种混合的优化算法。
1、函数优化：粒子群优化算法可以用于寻找给定函数的最小值或最大值。例如，可以用于求解多元函数的最小值，或者用于约束优化问题。
2、神经网络训练：在神经网络训练中，粒子群优化算法可以用于优化神经网络的连接权值和偏置项，以提高网络的训练效果。
3、控制系统设计：粒子群优化算法可以用于优化控制系统的参数，以提高系统的性能和稳定性。例如，可以用于优化PID控制器的参数。
基于粒子群优化算法的研究
目录
01 粒子群优化算法的基本原理
02
粒子群优化算法的应用领域
03
粒子群优化算法的研究现状
04
粒子群优化算法的发展趋势
05 参考内容
粒子群优化算法是一种基于群体智能的优化算法，它受到鸟群觅食行为的启发而发展起来。在过去的几十年里，粒子群优化算法在许多领域得到了广泛的应用，如函数优化、神经网络训练、控制系统设计等。本次演示将介绍粒子群优化算法的基本原理、应用领域、研究现状和发展趋势。
3、多目标优化：这方面的研究主要集中在如何利用粒子群优化算法解决多目标优化问题。多目标优化问题比单目标优化问题更加复杂，需要考虑多个目标的平衡和优化。
4、约束处理：这方面的研究主要集中在如何处理约束条件。在许多实际问题中，优化问题往往受到一些约束条件的限制，如何处理这些约束条件是优化算法的关键。
2、改进版本

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

改进的粒子群优化算法（Ｓ改善ＢＰＯ）Ｐ网络训练的方法，立一种基于改进的ＰＯＢ建Ｓ－Ｐ神经网络，合理有更
效地确定神经网络的连接权值和阚值，其应用到人脸识别系统中的分类环节中，与单独使用Ｂ将并Ｐ神经网
ＤＵＡＮａｇｊｎＸｉｎ－ｕ
（ＮｎｉｇＣｌｇｆＩｆｒｔｎＴｃｎｌｙＮａｊｇ２０４，ｈｎａｊｏｌｅｏｏｍａｉｅｈｏｏ，ｎｉ１０６Ｃｉａ）ｎｅｎｏｇｎ
ＡｂｔａｔＢｃｕｅＢＰｎｕａｅｗｏｋｆｒｆｃｅｏｎｔｎｃａｓｆｅａｌｗｏｖｒｅｃｎａｙｔａｌｉｔｈｏａｓｒｃ：ｅａｓｅｒｌｔｒｏａｅｒｃｇｉｏｌｓｉｒｈｓｓｏｃｎｅｇｎｅａｄｅｓＯｆｌｎｏｔｅｌｃｌｎｉｉｍｉｉｍ，ｕｉｇｐｒｉｌｗａｍｐｉｚｔｏ（Ｏ）ｔｍｐｏｅｔｅＢｅｗｏｋｔａｎｎｅｈｄ，ｅｔｂｉｈｎｎａｇｒｔｍｎｍｕｓｎａｔｅｓｒｏｔｍｉａｉｎＰＳｃｏｉｒｖｈＰｎｔｒｒｉｉｇｍｔｏｓａｌｉｇａｌｏｉｓｈ
Ｋｅｒｓｆｃｅｏｎｔｎｉｇｌｒｖｌｅｄｃｍｐｓｔｏｙｗｏｄ：ａｅｒｃｇｉｏ；ｓｎｕａａｕｅｏｏｉｎ；ＢＰｎｕａｅｗｏｋａｔｌｗａｍｐｉｚｔｏｉｉｅｒｌｎｔｒ；ｐｒｉｅｓｒｏｔｍｉｉｎｃａ
ｂｓｄｏｈｍｐｏｅＳＢＰｎｕａｅｗｏｋ，ｗｈｃａｒｅｓｎｂｅａｄｅｆｃｉｅｙｔｅｅｍｉｅｔｅｎｕａｅｗｏｋａｅｎｔｅｉｒｖｄＰＯ－ｅｒｌｔｒｎｉｈｃｎｍｏｅｒａｏａｌｎｆｅｔｌＯｄｔｒｎｈｅｒｌｎｔｒｖ
ｒｓｌｓｗｉｈｕｉｇｔｅＢｅｒｌｅｗｏｋｃａｓｆａｉｎｏｌｅｕｔｔｓｎｈＰｎｕａｔｒｌｓｉｉｔｏｎｙ，ｅｐｒｎｈｗｓｔａｈｅｏｎｔｎｓｅｄｉｑｉｋｒａｄｒｃｎｃｘｅｉｍｅｔｏｈｔｔｅｒｃｇｉｏｐｅｓｕｃｅｎｅ — ｓｉｏｎｔｏｅｕｔｉｅｔｒｇｉｎｒｓｌｓｂｔｅ．ｉ
１引言
通常情况下，一个人脸自动识别系统包括以下三个主要技术环节：人脸检测、人脸特征提取、人脸识别。人脸识别即将人脸特征提取结果与库中人
脸对比得出分类结果，即识别分类；类器的选择分在人脸识别系统整个过程中起着成败与否的关键作用。因此，慎重选择研究分类器的设计，保要确具有优秀的识别结果。目前，应用较广泛的人脸识别分类器主要有：最小距离分类器［、于ＰＡ的分类法［、１基］Ｃ２支持向］量机识别方法［、工神经网络［等模式识别方３人］４
ｃｎｅｔｏｉｈｓａｄｔｒｓｏｄ，ａｐｙｎｈｓｍｅｈｄｔｈｌｓｉｃｔｎｏｈａｅｒｃｇｉｏｙｔｍ，ａｄｃｍｐｒｄｏｎｃｉｎｗｅｇｔｎｈｅｈｌｓｐｌｉｇｔｉｔｏＯｔｅｃａｓｆａｉｆｔｅｆｃｅｏｎｔｎｓｓｅｉｏｉｎｏａｅ
第３０卷第２期２０１１年６月
计
算
技
术
与自动
化
Ｖｏ．Ｏ。．１３Ｎｏ２
ＣｏｕｉｇＴｅｈｏｏｙａｄＡｕｏｔｏｍｐｔｅｎｌｇｎｔｍａｉｎｎ
Ｊｎｕ．２０１１
文章编号：０３６９（０１０－０１ — ０１０ — １９２１）２１５３
基于粒子群算法和神经网络的人脸识别分类术学院机电分院，苏南京南江２０４）１０６
摘
要：针对ＢＰ神经网络作为人脸识别分类器具有的收敛速度慢、易陷入局部极小等缺点，出利用提
络分类的结果相比较，验表明，方法识别速度快，别效果更好。实该识关键词：脸识别；异值分解；Ｐ神经网络；子群优化算法人奇Ｂ粒
中图分类号：３１ＴＰ９文献标识码：Ａ
ＦａｅＲｅｏｎｉｉｎＣｌｓｉｉｒＢａｅｎＰＳａｕａｔｒｃｃｇｔｏａｓｆｅｓｄｏＯｎｄＮｅｒｌＮｅｗｏｋ