【实战项目】BP神经网络识别人脸朝向----MATLAB实现
- (꒪ꇴ꒪ ),Hello我是祐言QAQ
- 我的博客主页:C/C++语言,数据结构,Linux基础,ARM开发板,网络编程等领域UP🌍
- 快上🚘,一起学习,让我们成为一个强大的攻城狮!
- 送给自己和读者的一句鸡汤🤔:集中起来的意志可以击穿顽石!
- 作者水平很有限,如果发现错误,请在评论区指正,感谢🙏
一 、必备知识
1.2 BP神经网络简介
BP(back propagation)神经网络是1986年由Rumelhar和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络模型之一,它是一种多层前向网络,由输入层、输出层、隐含层(可以是一层或多层)构成,一种典型的三层BP神经网络模型如图1所示。反向传播算法的主要思想是把学习过程分为2个阶段:第1阶段(正向传播过程),输入信息从输入层开始逐层计算个单元的实际输出值,每一层神经元的状态只对下一层神经元的状态产生影响;第2阶段(反向传输过程),若在输出层未能够得到期望的输出值,则逐层递归计算实际输出与期望输出之间的差值,根据此误差修正前层权值使误差信号趋向最小。它通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差变化而逐渐逼近目标。每次权值和误差的变化都与网络误差的影响成正比。

图1 经典三层BP网络模型图
1.2 实验要求
利用BP神经网络的理论知识,对图像中人脸朝向判别进行实验研究。实验采用Matlab工具箱进行BP网络设计,实现对人脸角度方向的判别,讨论输入和目标向量设计BP神经网络结构的设计,以及网络参数和训练参数的设定等问题。最终实现BP神经网络可以根据输入图像的二值化等信息,对于给出的人脸图像中的人脸是朝向左、左前、前、右前或右进行识别。
二、实验原理
2.1 基本原理
人工神经网络无需事先确定输入输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统,人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。
基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
接下来详细了解下信号的前向传播过程以及误差的反向传播过程:


2.1 BP网络的特点
BP网络总括起来,具有以下主要优点:
(1)只要有足够多的隐含层和隐节点,BP网络可以逼近任意的非线性映射关系;
(2)BP网络的学习算法属于全局逼近的方法,因而它具有较好的泛化能力。
它的主要缺点是:
(1)收敛速度慢;
(2)局部极值;
(3)难以确定隐含层和隐节点的个数。
从原理上,只要有足够多的隐含层和隐节点,即可实现复杂的映射关系,但是如何根据特定的问题来具体确定网络的结构尚无很好的方法,仍需要凭借经验和试凑。
BP网络能够实现输入/输出的非线性映射关系,但它并不依赖于模型。其输入与输出之间的关联信息分散地存储于连接权中。由于连接权的个数很多,个别神经元的损坏只对输入/输出关系有较小的影响,因此BP网络显示了较好的容错性。
三、实验结果
4.1 训练过程





4.2 测试结果

测试结果:


四、实验总结
通过本次实验我们更加深入的学习到BP神经网络的理论知识,掌握BP神经网络的算法原理以及如何在MATLAB中实现利用MATLAB完成BP神经网络实现人脸朝向分类的程序编写,这也使得我们掌握了在MATLAB中实现一些小型程序的编写能力,实验中我们不妨有一些知识是在课本上没有学习到的,因此我们在实验初期查阅了很多关于BP神经网络的资料,以及如何在MATLAB中实现BP神经网络的代码,当然我们也遇到了一些问题,比如,设置参数问题中,到底是运行越多越好呢还是达到目的就好,也做了很多查阅和讨论。
更多C/C++语言、Linux系统、数据结构和ARM板实战相关文章,关注专栏:
手撕C语言
玩转linux
脚踢数据结构
系统、网络编程
探索C++
6818(ARM)开发板实战
📢写在最后
- 今天的分享就到这啦~
- 觉得博主写的还不错的烦劳
一键三连喔~ - 🎉🎉🎉感谢关注🎉🎉🎉
相关文章:
【实战项目】BP神经网络识别人脸朝向----MATLAB实现
(꒪ꇴ꒪ ),Hello我是祐言QAQ我的博客主页:C/C语言,数据结构,Linux基础,ARM开发板,网络编程等领域UP🌍快上🚘,一起学习,让我们成为一个强大的攻城狮࿰…...
java数据结构_二叉树_5.5
2.7 二叉树的相关操作 1. size方法 获取二叉树元素个数 思路:遍历思路,在前面文章中,前序 中序 后序遍历的时候,会把树中的所有结点遍历一次。可以添加一个计数器,遍历一个结点就加一次。 于是有如下代码࿱…...
Deepseek-R1推理模型API接入调用指南 ChatGPT Web Midjourney Proxy 开源项目接入Deepseek教程
DeepSeek-R1和OpenAI o1模型都属于推理任务模型,两个模型各有优点:DeepSeek-R1 在后训练阶段大规模使用了强化学习技术,在仅有极少标注数据的情况下,极大提升了模型推理能力。在数学、代码、自然语言推理等任务上,性能…...
计算机网络(4)TCP断开
1、TCP 断开连接四次挥手流程 TCP 断开连接是通过四次挥手方式。双方都可以主动断开连接,断开连接后主机中的「资源」将被释放。 2、为什么 TIME_WAIT 等待的时间是 2MSL? 3、为什么需要 TIME_WAIT 状态? 4、拔掉网线后, 原本的 …...
科技云报到:科技普惠潮流渐起,“开源”将带我们走向何方?
科技云报到原创。 开源决定软件未来,已成为全球技术和产业创新的主导模式之一。“开源”思想的诞生,可以说是计算机发展史中极具理想主义和浪漫主义色彩的一页,是科技自由与技术极客思想的延伸。 数字化浪潮奔涌,从软件开发的底…...
【论文笔记】On Generative Agents in Recommendation
论文信息 标题: On Generative Agents in Recommendation 会议: SIGIR 24 —— CCF-A 作者: An Zhang, Yuxin Chen, Leheng Sheng 文章链接: On Generative Agents in Recommendation 代码链接: On Generative Agents…...
使用 Spring Boot 和 Canal 实现 MySQL 数据库同步
文章目录 前言一、背景二、Canal 简介三、主库数据库配置1.主库配置2.创建 Canal 用户并授予权限 四.配置 Canal Server1.Canal Server 配置文件2.启动 Canal Server 五.开发 Spring Boot 客户端1. 引入依赖2. 配置 Canal 客户端3. 实现数据同步逻辑 六.启动并测试七.注意事项八…...
vue3 在element-plus表格使用render-header
在vue2中 element表格render-header 源码是有返回h()函数的 在vue3 element-plus 表格源码 render-header函数没有返回h函数了 所以需要用render-header方法中创建虚拟DOM节点的话需要引用h方法 <el-table-column header-align"right" align"right" …...
算法——结合实例了解Minimax算法(极小化极大算法)
计算机科学中最有趣的事情之一就是编写一个人机博弈的程序。有大量的例子,最出名的是编写一个国际象棋的博弈机器。但不管是什么游戏,程序趋向于遵循一个被称为Minimax算法,伴随着各种各样的子算法在一块。本篇将简要介绍 minimax 算法&#…...
使用 DeepSeek 生成商城流程图
步骤 1.下载 mermaid 2.使用 DeepSeek 生成 mermaid 格式 3.复制内容到 4.保存备用。 结束。...
什么是GraphQL?
如果你在寻找漏洞利用方式,请参考下面的文章 GraphQL API 漏洞 |网络安全学院 GitHub - swisskyrepo/PayloadsAllTheThings: A list of useful payloads and bypass for Web Application Security and Pentest/CTF GraphQL 查询(Query) GraphQL 既不是…...
Spring Boot 的约定优于配置,你的理解是什么?
Spring Boot 的“约定优于配置”:开发效率的革命性提升 在软件开发中,开发者常常需要花费大量时间编写繁琐的配置文件,尤其是在传统的 Java EE 或 Spring 框架中。而 Spring Boot 通过“约定优于配置”(Convention Over Configur…...
C#开源大型商城系统之B2B2C+O2O一体化_OctShop
一、应用背景与引言 在当今数字化商业的浪潮中,电子商务平台的构建成为众多企业拓展业务、提升竞争力的关键举措。C# 语言以其强大的功能、高效的性能以及良好的开发框架支持,在商城系统开发领域占据着重要地位。独立开源的大型 C# 商城系统,…...
gitte远程仓库修改后,本地没有更新,本地与远程仓库不一致
问题 :gitte远程仓库修改后,本地没有更新,本地与远程仓库不一致 现象: [cxqiZwz9fjj2ssnshikw14avaZ rpc]$ git push Username for https://gitee.com: beihangya Password for https://beihangyagitee.com: To https://gitee.c…...
【对比】Pandas 和 Polars 的区别
Pandas vs Polars 对比表 特性PandasPolars开发语言Python(Cython 实现核心部分)Rust(高性能系统编程语言)性能较慢,尤其在大数据集上(内存占用高,计算效率低)极快,利用…...
el-input无法输入0.0001的小数,自动转换为0在vue3中的bug
今天遇到个bug,el-input中只能输入0.1或者输入0.1再加上00成为0.001,不能直接输入0.001,否则自动转换为0。需要去掉 v-model.number后面的 .number 源代码: <el-table-column label"实发数量" width"120"…...
Ubuntu 下 systemd 介绍
系列文章目录 Linux内核学习 Linux 知识(1) Linux 知识(2) WSL Ubuntu QEMU 虚拟机 Linux 调试视频 PCIe 与 USB 的补充知识 vscode 使用说明 树莓派 4B 指南 设备驱动畅想 Linux内核子系统 Linux 文件系统挂载 QEMU 通过网络实现…...
BERT文本分类(PyTorch和Transformers)畅用七个模型架构
(PyTorch)BERT文本分类:七种模型架构 🌟 1. 介绍 使用BERT完成文本分类任务(如情感分析,新闻文本分类等等)对于NLPer已经是很基础的工作了!虽说已迈入LLM时代,但是BERT…...
两步在 Vite 中配置 Tailwindcss
第一步:安装依赖 npm i -D tailwindcss tailwindcss/vite第二步:引入 tailwindcss 更改配置 // src/main.js import tailwindcss/index// vite.config.js import vue from vitejs/plugin-vue import tailwindcss from tailwindcss/viteexport default …...
【vmware虚拟机安装教程】
以下是在VMware Workstation Pro上安装虚拟机的详细教程: 准备工作 下载VMware Workstation Pro 访问VMware官网下载并安装VMware Workstation Pro(支持Windows和Linux系统)。安装完成后,确保已激活软件(试用版或正式…...
统信UOS下告别Anaconda,用pip直接安装最新版Spyder 5.3.3(附Qt插件报错终极解决方案)
统信UOS轻量化部署Spyder 5:pip直装与Qt插件报错全攻略 在国产操作系统生态蓬勃发展的今天,统信UOS以其出色的本地化适配和稳定性赢得了越来越多开发者的青睐。对于数据科学和Python开发者而言,一个轻量高效的开发环境至关重要。本文将带你绕…...
终极小说下载神器:一键保存200+网站小说的完整离线阅读方案
终极小说下载神器:一键保存200网站小说的完整离线阅读方案 【免费下载链接】novel-downloader 一个可扩展的通用型小说下载器。 项目地址: https://gitcode.com/gh_mirrors/no/novel-downloader 在数字阅读时代,小说爱好者常常面临一个令人沮丧的…...
BetterGI游戏自动化助手:如何快速掌握原神自动化操作的完整指南
BetterGI游戏自动化助手:如何快速掌握原神自动化操作的完整指南 【免费下载链接】better-genshin-impact 📦BetterGI 更好的原神 - 自动拾取 | 自动剧情 | 全自动钓鱼(AI) | 全自动七圣召唤 | 自动伐木 | 自动刷本 | 自动采集/挖矿/锄地 | 一条龙 | 全连…...
Python 3.12 Descriptor - 04 - classmethod
Python 3.12 Descriptor - classmethod在 Python 的面向对象编程中,类方法(class method)是一种特殊的方法,它通过 classmethod 装饰器定义,方法的第一个参数是类本身(通常命名为 cls)…...
实测Taotoken在多模型切换下的延迟表现与稳定性观感
实测Taotoken在多模型切换下的延迟表现与稳定性观感 1. 测试环境与方法 本次测试基于实际开发场景,使用Python SDK对接Taotoken平台API,连续调用不同主流模型完成文本生成任务。测试环境为常规云服务器,网络条件稳定。测试过程中重点关注以…...
三步破解游戏窗口限制:Simple Runtime Window Editor 助你实现分辨率自由
三步破解游戏窗口限制:Simple Runtime Window Editor 助你实现分辨率自由 【免费下载链接】SRWE Simple Runtime Window Editor 项目地址: https://gitcode.com/gh_mirrors/sr/SRWE 你是否曾因游戏分辨率限制而无法截取超高清画面?是否为不同平台…...
VMware Horizon桌面USB重定向全指南:从基础配置到摄像头、大容量U盘等疑难场景处理
VMware Horizon桌面USB重定向实战手册:从策略配置到性能调优 虚拟桌面环境中USB设备的无缝使用一直是企业IT运维的痛点。想象一下这样的场景:财务部门需要通过U盘传输敏感报表,设计团队依赖数位板完成创意工作,而销售部门每天都要…...
高效解决IDM试用限制的智能解决方案
高效解决IDM试用限制的智能解决方案 【免费下载链接】idm-trial-reset Use IDM forever without cracking 项目地址: https://gitcode.com/gh_mirrors/id/idm-trial-reset Internet Download Manager(IDM)作为全球领先的下载加速工具,…...
海康威视工业相机SDK开发避坑:MAC地址高低位转换C++实战(附完整源码)
海康威视工业相机SDK开发实战:MAC地址高低位转换的C实现 工业视觉系统中,多相机协同工作时往往需要精准识别每台设备。上周调试产线时遇到一个典型场景:六台同型号海康威视相机通过交换机组网,调试软件却总是随机连接到其中某台。…...
告别手动重建PMI!CATIA图形PMI导入 + Eyeshot集成,为.NET开发者解锁CAD数据新玩法
CATIA图形PMI与Eyeshot深度集成:.NET开发者的CAD数据革命 在工业软件领域,数据流转的完整性与开发效率始终是开发者面临的两大挑战。当CATIA文件中的PMI(产品制造信息)需要在第三方应用中重现时,传统方式往往意味着工…...
