基于RBM多層神經(jīng)網(wǎng)絡(luò)的身份識(shí)別研究.pdf

1、生物特征身份識(shí)別一直是人工智能,圖象處理和模式識(shí)別等領(lǐng)域最具挑戰(zhàn)性的研究課題之一。生物特征身份識(shí)別包括三個(gè)主要技術(shù)環(huán)節(jié),即生物信息采集與預(yù)處理、生物特征提取和分類(lèi)識(shí)別。
　　 身份識(shí)別的難點(diǎn)主要在于生物特征本身:高維,多變形,有冗余,多噪聲等等,這使得特征提取成為身份識(shí)別中最為關(guān)鍵的一環(huán)。過(guò)去人們往往采用PCA,KPCA等算法來(lái)做特征提取,然而他們有一個(gè)共同的特點(diǎn)——單層結(jié)構(gòu)。這些算法無(wú)法獲取某些對(duì)于分類(lèi)非常關(guān)鍵的隱性特征,而通

2、常對(duì)于多層的結(jié)構(gòu)比如多層神經(jīng)網(wǎng)絡(luò),又因?yàn)橛?xùn)練方法的低效和計(jì)算能力不足而被束之高閣。
　　 受限玻爾茲曼機(jī)(RBM)是一種無(wú)向圖模型,本文將引入一種新的學(xué)習(xí)方法用來(lái)無(wú)監(jiān)督的分層預(yù)訓(xùn)練RBM,將訓(xùn)練好的RBM組建成一個(gè)多層的神經(jīng)網(wǎng)絡(luò)。然后再用有監(jiān)督的學(xué)習(xí)方式比如誤差反傳來(lái)微調(diào)中間隱層的權(quán)值。這種無(wú)監(jiān)督預(yù)訓(xùn)練結(jié)合有監(jiān)督訓(xùn)練的方式在人臉識(shí)別數(shù)據(jù)庫(kù)中獲得了很好的效果。
　　 當(dāng)今多生物特征融合技術(shù)越來(lái)越受到研究者的重視,較之單模生