基于人工智能化算法的圖像識(shí)別及生成-全文預(yù)覽
【正文】 更新判別器時(shí)的迭代次數(shù)設(shè)為1 生成訓(xùn)練集： load（39。最后用SVM對(duì)電腦生成的手寫(xiě)數(shù)字分類，看是否能“騙過(guò)”分類器。模型通過(guò)框架中（至少）兩個(gè)模塊：生成模型（Generative Model）和判別模型（Discriminative Model）的互相博弈學(xué)習(xí)產(chǎn)生相當(dāng)好的輸出。 為了方便與SVM的結(jié)果作比對(duì)，ANN的訓(xùn)練集和測(cè)試集與SVM相同，并且不加入自己人臉。 分類前，我們還需對(duì)PCA后的數(shù)據(jù)進(jìn)行歸一化處理，將圖像矩陣的每一個(gè)元素映射到（1，1）之間。 2 SVM對(duì)人臉?lè)诸? SVM（支持向量機(jī)）是Corinna Cortes和Vapnik等于1995年首先提出的，在機(jī)器學(xué)習(xí)中，支持向量機(jī)是與相關(guān)的學(xué)習(xí)算法有關(guān)的監(jiān)督學(xué)習(xí)模型，可以分析數(shù)據(jù)，識(shí)別模式，用于分類和回歸分析。 從圖4可以看出，當(dāng)保留維數(shù)為100維時(shí)，即能保留人臉90%的信息，而之后隨著保留維數(shù)的增多，保留信息的增多變緩。 提取單一維度的特征做還原 為了研究不同維度所代表的人臉的信息，我們把PCA之后的每一個(gè)特征向量單獨(dú)提取出來(lái)對(duì)人臉做還原，還原的時(shí)候不加入平均臉并且做直方圖均衡化。我們對(duì)每一個(gè)維度去平均，構(gòu)成一個(gè)新的行向量，這就是平均臉。旨在利用降維的思想，把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)綜合指標(biāo)。 完美WORD格式 基于人工智能算法的圖像識(shí)別與生成 摘要：本次報(bào)告的工作是利用PCA，SVM以及人工神經(jīng)網(wǎng)絡(luò)（ANN）實(shí)現(xiàn)對(duì)人臉的特征提取、分類和預(yù)測(cè)。 關(guān)鍵詞：人工智能；圖像識(shí)別；數(shù)據(jù) 中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：10093044（2018）13017302 1 P
教學(xué)教案相關(guān)推薦
鄂ICP備17016276號(hào)-1