卷积神经 络表情识别,神经 络表情识别

1、如何通过人工神经 络实现图像识别

人工神经 络（Artificial Neural Networks）（简称ANN）系统从20 世纪40 年代末诞生至今仅短短半个多世纪，但由于他具有信息的分布存储、并行处理以及自学习能力等优点，已经在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。尤其是基于误差反向传播（Error Back Propagation）算法的多层前馈 络（Multiple-Layer Feedforward Network）(简称BP 络)，可以以任意精度逼近任意的连续函数，所以广泛应用于非线性建模、函数逼近、模式分类等方面。
目标识别是模式识别领域的一项传统的课题，这是因为目标识别不是一个孤立的问题，而是模式识别领域中大多数课题都会遇到的基本问题，并且在不同的课题中，由于具体的条件不同，解决的方法也不尽相同，因而目标识别的研究仍具有理论和实践意义。这里讨论的是将要识别的目标物体用成像头(红外或可见光等)摄入后形成的图像信 序列送入计算机，用神经 络识别图像的问题。
一、BP 神经 络
BP 络是采用Widrow-Hoff 学习算法和非线性可微转移函数的多层 络。一个典型的BP 络采用的是梯度下降算法，也就是Widrow-Hoff 算法所规定的。backpropagation 就是指的为非线性多层 络计算梯度的方法。一个典型的BP 络结构如图所示。
我们将它用向量图表示如下图所示。
其中：对于第k 个模式对，输出层单元的j 的加权输入为
该单元的实际输出为
而隐含层单元i 的加权输入为
该单元的实际输出为
函数f 为可微分递减函数
其算法描述如下：
（1）初始化 络及学习参数，如设置 络初始权矩阵、学习因子等。
（2）提供训练模式，训练 络，直到满足学习要求。
（3）前向传播过程：对给定训练模式输入，计算 络的输出模式，并与期望模式比较，若有误差，则执行（4）；否则，返回（2）。
（4）后向传播过程：a. 计算同一层单元的误差；b. 修正权值和阈值；c. 返回（2）
二、 BP 络隐层个数的选择
对于含有一个隐层的三层BP 络可以实现输入到输出的任何非线性映射。增加 络隐层数可以降低误差，提高精度，但同时也使 络复杂化，增加 络的训练时间。误差精度的提高也可以通过增加隐层结点数来实现。一般情况下，应优先考虑增加隐含层的结点数。
三、隐含层神经元个数的选择
当用神经 络实现 络映射时，隐含层神经元个数直接影响着神经 络的学习能力和归纳能力。隐含层神经元数目较少时， 络每次学习的时间较短，但有可能因为学习不足导致 络无法记住全部学习内容；隐含层神经元数目较大时，学习能力增强， 络每次学习的时间较长， 络的存储容量随之变大，导致 络对未知输入的归纳能力下降，因为对隐含层神经元个数的选择尚无理论上的指导，一般凭经验确定。
四、神经 络图像识别系统
人工神经 络方法实现模式识别，可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题，允许样品有较大的缺损、畸变，神经 络方法的缺点是其模型在不断丰富完善中，目前能识别的模式类还不够多，神经 络方法允许样品有较大的缺损和畸变，其运行速度快，自适应性能好，具有较高的分辨率。
神经 络的图像识别系统是神经 络模式识别系统的一种，原理是一致的。一般神经 络图像识别系统由预处理，特征提取和神经 络分类器组成。预处理就是将原始数据中的无用信息删除，平滑，二值化和进行幅度归一化等。神经 络图像识别系统中的特征提取部分不一定存在，这样就分为两大类：① 有特征提取部分的：这一类系统实际上是传统方法与神经 络方法技术的结合，这种方法可以充分利用人的经验来获取模式特征以及神经 络分类能力来识别目标图像。特征提取必须能反应整个图像的特征。但它的抗干扰能力不如第2类。② 无特征提取部分的：省去特征抽取，整副图像直接作为神经 络的输入，这种方式下，系统的神经 络结构的复杂度大大增加了，输入模式维数的增加导致了 络规模的庞大。此外，神经 络结构需要完全自己消除模式变形的影响。但是 络的抗干扰性能好，识别率高。
当BP 用于分类时，首先要选择各类的样本进行训练，每类样本的个数要近似相等。其原因在于一方面防止训练后 络对样本多的类别响应过于敏感，而对样本数少的类别不敏感。另一方面可以大幅度提高训练速度，避免 络陷入局部最小点。
由于BP 络不具有不变识别的能力，所以要使 络对模式的平移、旋转、伸缩具有不变性，要尽可能选择各种可能情况的样本。例如要选择不同姿态、不同方位、不同角度、不同背景等有代表性的样本，这样可以保证 络有较高的识别率。
构造神经 络分类器首先要选择适当的 络结构：神经 络分类器的输入就是图像的特征向量；神经 络分类器的输出节点应该是类别数。隐层数要选好，每层神经元数要合适，目前有很多采用一层隐层的 络结构。然后要选择适当的学习算法，这样才会有很好的识别效果。在学习阶段应该用大量的样本进行训练学习，通过样本的大量学习对神经 络的各层 络的连接权值进行修正，使其对样本有正确的识别结果，这就像人记数字一样， 络中的神经元就像是人脑细胞，权值的改变就像是人脑细胞的相互作用的改变，神经 络在样本学习中就像人记数字一样，学习样本时的 络权值调整就相当于人记住各个数字的形象， 络权值就是 络记住的内容， 络学习阶段就像人由不认识数字到认识数字反复学习过程是一样的。神经 络是按整个特征向量的整体来记忆图像的，只要大多数特征符合曾学习过的样本就可识别为同一类别，所以当样本存在较大噪声时神经 络分类器仍可正确识别。在图像识别阶段，只要将图像的点阵向量作为神经 络分类器的输入，经过 络的计算，分类器的输出就是识别结果。
五、仿真实验
1、实验对象
本实验用MATLAB 完成了对神经 络的训练和图像识别模拟。从实验数据库中选择0～9 这十个数字的BMP 格式的目标图像。图像大小为16×8 像素，每个目标图像分别加10％、20％、30％、40％、50％大小的随机噪声，共产生60 个图像样本。将样本分为两个部分，一部分用于训练，另一部分用于测试。实验中用于训练的样本为40个，用于测试的样本为20 个。随机噪声调用函数randn(m,n)产生。
2、 络结构
本试验采用三层的BP 络，输入层神经元个数等于样本图像的象素个数16×8 个。隐含层选24 个神经元，这是在试验中试出的较理想的隐层结点数。输出层神经元个数就是要识别的模式数目，此例中有10 个模式，所以输出层神经元选择10 个，10 个神经元与10 个模式一一对应。
3、基于MATLAB 语言的 络训练与仿真
建立并初始化 络
1
2
3
4
5
6
7
8

% ================
S1 = 24;% 隐层神经元数目S1 选为24
[R,Q] = size(numdata);
[S2,Q] = size(targets);
F = numdata;
P=double(F);
net = newff(minmax(P),[S1 S2],{‘logsig’
‘logsig’},’traingda’,’learngdm’)
这里numdata 为训练样本矩阵，大小为128×40， targets 为对应的目标输出矩阵，大小为10×40。
newff(PR,[S1 S2…SN],{TF1 TF2…TFN}，BTF,BLF,PF)为MATLAB 函数库中建立一个N 层
前向BP 络的函数，函数的自变量PR 表示 络输入矢量取值范围的矩阵[Pmin max];S1~SN 为各层神经元的个数；TF1~TFN 用于指定各层神经元的传递函数；BTF 用于指定 络的训练函数；BLF 用于指定权值和阀值的学习函数；PF 用于指定 络的性能函数，缺省值为‘mse’。
设置训练参数
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

net.performFcn = ‘sse’; %平方和误差
性能函数
net.trainParam.goal = 0.1; %平方和误
差目标
net.trainParam.show = 20; %进程显示
频率
net.trainParam.epochs = 5000;%最大训
练步数
net.trainParam.mc = 0.95; %动量常数
络训练
net=init(net);%初始化 络
[net,tr] = train(net,P,T);％ 络训练
对训练好的 络进行仿真
D=sim(net,P);
A = sim(net,B);
B 为测试样本向量集,128×20 的点阵。D 为 络对训练样本的识别结果，A 为测试样本的 络识别结果。实验结果表明： 络对训练样本和对测试样本的识别率均为100％。如图为64579五个数字添加50%随机噪声后 络的识别结果。
六、总结
从上述的试验中已经可以看出，采用神经 络识别是切实可行的，给出的例子只是简单的数字识别实验，要想在 络模式下识别复杂的目标图像则需要降低 络规模，增加识别能力，原理是一样的。

谷歌人工智能写作项目：小发猫

2、可鉴别的多特征联合稀疏表示人脸表情识别方法

基于稀疏表示的人脸表情识别系统研究

3、什么是人体神经 络/h2>

神经系统
概述
神经系统nervous system是机体内起主导作用的系统。内、外环境的各种信息，由感受器接受后，通过周围神经传递到脑和脊髓的各级中枢进行整合，再经周围神经控制和调节机体各系统器官的活动，以维持机体与内、外界环境的相对平衡。
人体各器官、系统的功能都是直接或间接处于神经系统的调节控制之下，神经系统是整体内起主导作用的调节系统。人体是一个复杂的机体，各器官、系统的功能不是孤立的，它们之间互相联系、互相制约；同时，人体生活在经常变化的环境中，环境的变化随时影响着体内的各种功能。这就需要对体内各种功能不断作出迅速而完善的调节，使机体适应内外环境的变化。实现这一调节功能的系统主要就是神经系统。
神经系的基本结构
神经系统是由神经细胞（神经元）和神经胶质所组成。
1．神经元。
神经元neuron是一种高度特化的细胞，是神经系统的基本结构和功能单位，它具有感受刺激和传导兴奋的功能。神经元由胞体和突起两部分构成。胞体的中央有细胞核，核的周围为细胞质，胞质内除有一般细胞所具有的细胞器如线粒体、内质 等外，还含有特有的神经原纤维及尼氏体。神经元的突起根据形状和机能又分为树突dendrite和轴突axon。树突较短但分支较多，它接受冲动，并将冲动传至细胞体，各类神经元树突的数目多少不等，形态各异。每个神经元只发出一条轴突，长短不一，胞体发生出的冲动则沿轴突传出。
根据突起的数目，可将神经元从形态上分为假单极神经元、双极神经元和多极神经元三大类。
根据神经元的功能，可分为感觉神经元、运动神经元和联络神经元。感觉神经元又称传入神经元，一般位于外周的感觉神经节内，为假单极或双极神经元，感觉神经元的周围突接受内外界环境的各种刺激，经胞体和中枢突将冲动传至中枢；运动神经元又名传出神经元，一般位于脑、脊髓的运动核内或周围的植物神经节内，为多极神经元，它将冲动从中枢传至肌肉或腺体等效应器；联络神经元又称中间神经元，是位于感觉和运动神经元之间的神经元，起联络、整合等作用，为多极神经元。
2．神经胶质。
神经胶质neuroglia数目较神经元，突起无树突、轴突之分，胞体较小，胞浆中无神经原纤维和尼氏体，不具有传导冲动的功能。神经胶质对神经元起着支持、绝缘、营养和保护等作用，并参与构成血脑屏障。
3．突触。
神经元间联系方式是互相接触，而不是细胞质的互相沟通。该接触部位的结构特化称为突触synapse，通常是一个神经元的轴突与另一个神经元的树突或胞体借突触发生机能上的联系，神经冲动由一个神经元通过突触传递到另一个神经元。
神经系统的构成
神经系统分为中枢神经系统和周围神经系统两大部分。中枢神经系统包括脑和脊髓。脑和脊髓位于人体的中轴位，它们的周围有头颅骨和脊椎骨包绕。这些骨头质地很硬，在人年龄小时还富有弹性，因此可以使脑和脊髓得到很好的保护。脑分为端脑、间脑、小脑和脑干四部分。脊髓主要是传导通路，能把外界的刺激及时传送到脑，然后再把脑发出的命令及时传送到周围器官，起到了上通下达的桥梁作用。周围神经系统包括脑神经、脊神经和植物神经。脑神经共有12对，主要支配头面部器官的感觉和运动。人能看到周围事物，听见声音，闻出香臭，尝出滋味，以及有喜怒哀乐的表情等，都必须依靠这12对脑神经的功能。 脊神经共有31对，其中包括颈神经8对，胸神经12对，腰神经5对，骶神经5对，尾神经 1对。脊神经由脊髓发出，主要支配身体和四肢的感觉、运动和反射。植物神经也称为内脏神经，主要分布于内脏、心血管和腺体。心跳、呼吸和消化活动都受它的调节。植物神经分为交感神经和副交感神经两类，两者之间相互桔抗又相互协调，组成一个配合默契的有机整体，使内脏活动能适应内外环境的需要。
神经系统
神经系统是人体内由神经组织构成的全部装置。主要由神经元组成。神经系统由中枢神经系统和遍布全身各处的周围神经系统两部分组成。中枢神经系统包括脑和脊髓，分别位于颅腔和椎管内，是神经组织最集中、构造最复杂的部位。存在有控制各种生理机能的中枢。周围神经系统包括各种神经和神经节。其中同脑相连的称为脑神经，与脊髓相连的为脊神经，支配内脏器官的称植物性神经。各类神经通过其末梢与其他器官系统相联系。神经系统具有重要的功能，是人体内起主导作用的系统。一方面它控制与调节各器官、系统的活动，使人体成为一个统一的整体。另一方面通过神经系统的分析与综合，使机体对环境变化的刺激作出相应的反应，达到机体与环境的统一。神经系统对生理机能调节的基本活动形式是反射。人的大脑的高度发展，使大脑皮质成为控制整个机体功能的最高级部位，并具有思维、意识等生理机能。神经系统发生于胚胎发育的早期，由外胚层发育而来。
小脑、大脑和神经系统
大脑的功能主要有：进行理论性的思考、判断事物、说话、掌管本能以及掌管情感。神经的功能是传递脑部的指令到身体各部位，再由末梢神经和中枢神经将身体各部位所收集的情 回传到大脑进行资料分析的。
小脑的功能是由旧小脑负责保持身体的平衡，例如站立、行走、运动。而新小脑是负责将大脑所传达的粗略运动指令进行仔细调整后，通过神经细胞，以电脑的速度和准确性，传到身体的每个部位。小脑皮质每1mm2聚集了50万个神经细胞，之所以我们能够使全身的肌肉协调地进行各种动作，例如挥杆自如，全部都是因为新小脑，即神经细胞的聚合体，以千分之一秒的速度来准确地处理了大脑发出的运动指令，如果这里出了问题，就无法巧妙用手握住物体，又或无法做到协调的动作了。
保护脑部的正常运作
大家对脑部和神经粗略地了解了一些主要功能，现在我们要学习如何去保护及保证脑部及神经系统能发挥正常的功能。因为当它们正常操作时，我们的高尔夫球和生活才能好好享受。首先要了解脑部会有机会出现一些疾病和原因，脑部常见的疾病有脑血管阻塞或破裂即是脑中风，但它并不是单一的疾病，而是脑梗塞、脑出血、蜘蛛膜下出血等会使脑血管产生障碍的各种疾病的总称。而这些病的背景都是动脉硬化，再加上精神过度紧张、饮酒、身体过度疲劳而身体已到了最危险的时候，一触即发而造成出血的结果。
而神经有可能出现的疾病就是神经痛，例如三叉神经痛、枕神经痛、肋间神经痛和坐骨神经痛等等，根据一些医书的解释是由於某些部位的神经受到压迫，例如：肌肉的过份紧张收缩和骨的移位而令某些神经受到过大的压力而痛，又或者由於颈椎、腰椎、脊椎变形、又或者由於肿痛等原因而导致神经痛，而引起这些病的根本原因通常是由於长期身体处於高度的精神紧张、饮食不健康、长期缺乏运动，而长期累积太多有害物质又排不出体外，加上工作的压力就很容易令身体去到危险程度。
希望大家能够提醒自己，用聪明的方法消除精神和身体的疲劳，同时要让身体摄取各种营养素、维他命、氨基酸、矿物质等等，以及多做运动去消除精神上的压力，令坏胆固醇无法在身体囤积，同时听音乐或出去旅行，又或者种种花草、浸浸温泉、做做运动按摩和多做伸展运动和多在清新空气的地方做深呼吸，以达到最健康。

4、神经 络 的四个基本属性是什么/h2>

神经 络 的四个基本属性：

（1）非线性：非线性是自然界的普遍特征。脑智能是一种非线性现象。人工神经元处于两种不同的激活或抑制状态，它们在数学上是非线性的。由阈值神经元组成的 络具有更好的性能，可以提高 络的容错性和存储容量。

（2）无限制性：神经 络通常由多个连接广泛的神经元组成。一个系统的整体行为不仅取决于单个神经元的特性，而且还取决于单元之间的相互作用和互连。通过单元之间的大量连接来模拟大脑的非限制性。联想记忆是一个典型的无限制的例子。

（3）非常定性：人工神经 络具有自适应、自组织和自学习的能力。神经 络处理的信息不仅会发生变化，而且非线性动态系统本身也在发生变化。迭代过程通常用来描述动态系统的演化。

（4）非凸性：在一定条件下，系统的演化方向取决于特定的状态函数。例如，能量函数的极值对应于系统的相对稳定状态。非凸性是指函数具有多个极值，系统具有多个稳定平衡态，从而导致系统演化的多样性。

扩展资料：

神经 络的特点优点：

人工神经 络的特点和优越性，主要表现在三个方面：

第一，具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经 络， 络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经 络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。

第二，具有联想存储功能。用人工神经 络的反馈 络就可以实现这种联想。

第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经 络，发挥计算机的高速运算能力，可能很快找到优化解。

参考资料：

5、神经 络的发展趋势如何/h2>

6、人工神经 络的基本特征

人工神经 络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经 络处理、记忆信息的方式进行信息处理。人工神经 络具有四个基本特征：
（1）非线性 非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的 络具有更好的性能，可以提高容错性和存储容量。
（2）非局限性 一个神经 络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。
（3）非常定性 人工神经 络具有自适应、自组织、自学习能力。神经 络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。
（4）非凸性 一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。
人工神经 络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。 络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信 与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在 络处理单元的连接关系中。人工神经 络是一种非程序化、适应性、大脑风格的信息处理 ，其本质是通过 络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科。
人工神经 络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符 的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。