论文研究-基于遗传神经网络的人脸识别分类器设计 .pdf

在本篇论文中，作者赵天刚和杜谦讨论了如何设计一种基于遗传神经网络的人脸识别分类器，旨在解决传统神经网络在训练过程中时间长、收敛速度慢以及易陷入局部极值的不足。本研究结合了遗传算法和神经网络的优势，提出了一种合作式的遗传神经网络，通过实验验证了该方法能够在减少训练次数的同时提升网络的收敛性。 论文对人脸识别技术进行了简要介绍，指出人脸识别是一种广泛应用于国家重要机关及社会安防领域的技术，它通过图像处理和模式识别技术识别或验证人脸特征。人脸识别技术通常涉及预处理、特征提取和特征匹配三个步骤。由于神经网络具有良好的容错性和局部寻优特点，它常被用作人脸识别的分类器。然而，传统神经网络训练过程存在效率低下、收敛困难等问题，为此作者提出将遗传算法引入神经网络训练中。 遗传算法作为优化算法的一种，受到达尔文进化论和孟德尔遗传学理论的启发，通过编码、选择、交叉和变异等遗传操作对问题进行优化。作者利用遗传算法能够以种群为单位同时进行多个解的搜索，发挥其隐含的并行性，并通过随机选择、交叉和变异操作来提高搜索效率和收敛速度。 在论文中，作者详细描述了人脸特征提取的方法，首先将人脸图像看作随机向量，通过代数运算提取特征，使用特征脸空间表示每一幅人脸图像，并将特征映射到神经网络中作为输入值。接着，作者阐述了神经网络的基本原理，神经网络通过大量神经元的连接以及不同兴奋状态，实现大规模并行处理和信息存储。文章强调了神经网络在处理不完全信息和非线性输入输出关系时具有优越性。 基于上述研究背景，作者将遗传算法作为算子应用于神经网络训练中，设计了适应度函数来指导神经网络结构的生成。在神经网络设计步骤中，作者提出了编码方案，产生了初始种群，并根据经验公式确定了隐含层节点数和输出层节点数。在引入遗传算法后，神经网络的训练过程通过选择、交叉和变异操作来进化种群，从而得到更优的神经网络结构。 论文的实验仿真表明，合作式的遗传神经网络在训练次数明显减少的同时，收敛性得到了提升，验证了该分类器设计的有效性。 总结来说，本篇论文的主要知识点包括： 1. 人脸识别技术的发展背景和应用领域。 2. 神经网络在人脸识别分类器中的应用及其不足。 3. 遗传算法的基本原理、操作流程和优点。 4. 遗传神经网络的构建方法和实验验证。 5. 人脸识别分类器的设计流程和关键技术点。 6. 特征提取的方法和在人脸识别中的应用。 通过这篇论文，我们可以了解到如何通过遗传算法改进传统神经网络在人脸识别中的不足，提高其训练效率和准确性。此外，研究还展示了如何结合两种算法的优势，设计出更高效的分类器。这些知识点对于人工智能领域的研究和应用具有重要的参考价值。