基于Gabor小波＋PCA＋LDA特征提取方法的人脸表情识别
基于Gabor小波＋PCA＋LDA特征提取方法的人脸表情识别20机电技术2011年12月=∑cm=∑mc×(-0509-n)U=(a-n(2×3.1415926)×vm第四步:初始模型确定下来以后,采用则将该待识别人脸表情判别为第讠类表情Baum- Welch算法对参数进行重估计,迭代调整模3人脸表情实验及分析型参数以达最优化。这样就完成了训练建模工作,获得了在粗分本文在JAFF( (Japanese Female Facial Expre类层次下代表7种人脸表情的HMM模型sso)表情数据库中进行实验。 JAFFE人脸表情库1=(A,B,n)(=1,2,…7)。由10个人,共213幅图像组成,每人都包含愤怒、23HMM人脸表情分类厌恶、恐惧、高兴、悲伤、惊讶和中性7种表情,每人每种表情2~4幅,每种表情共有27幅。对待识别的人脸表情图像,按本节22中模型本文实验与 Micael等的测试方法相似,把数训练步骤的第一步获得观察向量O,然后计算观据库中的210张图像分成3个部分,每个部分包含察向量O与已训练好的HMM模型1=(A,B,)10个人,且每个人包含7幅不同表情图像,每次使的似然概率P(O|λ)(=12,…,7)。通过用其中的一个部分训练各个表情的HMM模型,剩Forward -Backward算法来计算似然概率,如果下的两个部分用来测试。循环操作3次,然后对这P(O|4),ie(12…,7在P(O|4)(=1,2…,7)3次取平均值,得出表情识别率。本方法获取的表中最大,即情识别率见表1P(Oa )=max p(oa)表1人脸表情识别结果愤怒厌恶恐惧高兴中性悲伤惊讶识别率/%愤怒91.67厌恶5400009000恐惧559167高兴00095.00中性549000悲伤9333惊讶5693.33整体识别率92.14从表1中可以看出,本方法可以获得较好的表高的问题,提出了一种新的人脸表情识别方法。情识别率,但是,从实验中也可发现,不管是有本方法通过更加有效的 Gabor小波+PCA+LDA表没有减少分类类别数,实验中始终存在误识别。情特征提取方法,然后结合HMM模型建立7个对从实验数据库中发现,库中某些人的7种表情变化应基本表情+中性表情的模型,进行识别分类,并并不明显,即使人眼也无法确定其表情类别,以且取得了92.14%的整体识别率。同时,在实验中致算法在识别时出现错误。发现,由于人脸实验数据库中某些人的7种表情变4结论化并不明显,即使人眼也无法确定其表情类别,以致算法在识别时出现错误。本文针对目前人脸表情的整体识别率普遍不(下转第35页)第6期林彩丽等:磁流变阻尼器减振系统的分数阶微分方程研究[2] DROZDOVAD Mechanicsofviscoelasticsolids[M]. New York: John Wiley &Sons Ltd, 1998: 21-65[]LAKESR S. Viscoelastic solids[M]. London: CRC Press, 1998: 63-110[4] Stanway R, Sproston, J L, Stevens N G Non-liner modeling of an electrorheological vibration damper. J. Electrostatics,1987,20.[5]周强,瞿伟廉磁流变阻尼器的两种力学模型和试验验证地震工程与工程振动2002240).[6] Gamoto D R, Filisko F E Dynamic mechanical studies of electrorheological materials: moderate frequencies. I. Rheology,1991,35(3)[7]汪建晓孟光.磁流变阻尼器用于振动控制的理论及实验研究门]振动与冲击,2001,20(2)[8] Wen Y K Method of random vibration of hysteretic systems[]. Joumal of Engineering Mechanics Division, ASCE,102(EM2),1976[9]Spencer Jr. B F, Dyke S J, Sain M K, Carlson, J D Phenomenological model of a magnetorheological damper. J Engrg. MechASCE1997,123[10薛定宇陈阳泉高等应用数学问题的 MATLAB解DM清华大学出版社,2010[l]周云谭平.磁流变阻尼控制理论与技术DM科学出版社200712]王振滨曹广义分数微积分的两种系统建模方法系统仿真学报,2004,64):810812(上接第20页)参考文献[1] ZHAO Quan-you, PAN Bao-chang, PAN Jian- jia, et al. Facial expression recognition based on fusion of Gabor and LBPfeatures[A]. In: Proceedings of the 2008 International Conference on Wavelet Analysis and Pattern Recognition[C], HongKong,IEEE,2008(8):362-367[2]Tang Fang-qi, Deng Ben-zai. Facial Expression Recognition using AAM and Local Facial Features [A]. In: Proceedings ofthe Third Intcmational Conference on Natural Computation[C], Haikou, China, IEEE, 2007(8): 632-635[3]陈培俊基于静态图像的人脸表情识别研究成都西南交通大学,2007[4] Lades M, Vorbruggen J C, Buhmann J. Distortion invariant object recognition in the dynamic linkarchitecture[].IEEE Transactions on Computers, IEEE, 1993, 42(3): 300-311[5]彭辉张长水荣钢等基于KL变换的人脸自动识别方法清华大学学报自然科学版,2007,37(6:6770[6]DudaR O, Hart P E, Stork DG Pattern Classification(second edition). New York: Wiley, 2001[7李云霞李治柱吴亚栋基于HMM的关键词识别系统门计算机工程200,30(7:130-132谨致作者敬请本刊作者允诺:稿件中没有侵犯他人著作权或其它权利的内容并且文责自负;投寄给本刊的稿件(论文、图表、照片等)自发表之日起,其专有出版权和网络传播权即授于本刊,并许可本刊在本刊网站或本刊授权的网站上传播及中国核心期刊(遵选)数据库、中国学术期刊综合评价数据库、中文科技期刊数据库、中国台湾华艺数据库全文收录。对上述合作若有异议者,烦请来稿时向本刊申明,未作中明者,本刊将视为同意,谢谢合作。并致诚挚敬意。《机电技术》编辑部基于 Gabor小波十PCA+LDA征提取方法的人脸表情识别旧数据文接作者:李烈熊,苏两河作者单位李烈熊(福硅船政交通职№学院,福廷福州,350007),苏河(福建电力职技术学院,福建泉州刊名:机电技术英文刊名:MECHANICAL AND ELECTRICAL TECHNOLOGY年,卷(期)201,34(6)参考文献(7条)1. ZHAO Quan-you; PAN Bao-chang PAN Jian-jia Facial expression recognition based on fusion of Gabor and LBPfeatures 20082. Tang Fang-qi; Deng Ben-zai Facial Expression Recognition using AAM and Local Facial Features 20073.陈培俊基丁静态图像的人脸表情识别研究20074. Lades M: Vorbmggen J C; Buhmann J Distortion invariant object recognition in the dynamic link architecture1993(03)5.彭辉;张长水;荣钢基于K-变换的人脸自动识别方法2007(6)6. Duda R 0: Hart P E Stork D G Pattern Classificat ion(second edition) 20017.李云霞;李治柱:吴亚栋基于HM的关键词识别系统[期刊论文]计算机工程2004(07本文链接http://d.g.wanfangdata.comcn/periodiCaljdjs201106005.aspx
- 2020-12-01下载
- 积分：1
ARMA模型的详细介绍与举例
详细介绍ARMA模型 里面不仅介绍了该模型的实际用法也进行了举例分析计算结果表明,时,预测的标准误差较小,所以选取=。预测第月份的销售收入为计算的程序如卜为移动平均的项数由于的取值不同,的长度不一致,下面使用了细胞数组简单移动平均法只這合做近期预测,而且是预测目标的发展趋势变化不人的情况如果目标的发展趋势存在其它的变化,米用简单移动屮均法就会产生较大的预测偏差和滞后。加权移动平均法在简单栘动平均公式中,每期数据在求平均时的作用是等同的。但是,每期数据所包含的信息量不样,近期数据包含着更多关于未来情况的信息。因此,把各期数据等同看待是不尽合理的,应考虑各期数据的重要性,对近期数据给予较大的权重,这就是加权移动平均法的基本思想。设时间序列为加权移动平均公式为十·十∴+式中为期加权移动平均数;为的权数,它体现了相应的在加权平均数中的重要性。利用加权移动平均数来做预测,其预测公式为即以第期加权移动平均数作为第+期的预测值。例我国年原煤广量如表所示,试用加权移动平均法预测年的产量。表我国原煤产量统计数据及加权移动平均预测值表原煤产量三年加权移动平均预测值相对差(%)解取,按预测公式计算三年加权移动平均预测值,其结果列于表中。年我国原煤产量的预测值为(亿吨这个预测值偏低,可以修正。其方法是:先计算各年预测值与实际值的相对误差,例如年为将相对误差列于表中,再计算总的平均相对误差。由于总预测值的平均值比实际值低,所以可将年的预测值修正为计算的程序如下:在加权移动平均法中,的选择,同样具有一定的经验性。一般的原则是:近期数据的权效人,远期数据的权数小。至于人到什么稈度和小到什么程度,则需要按照预测者对序饥的了解和分析来确定。趋势移动平均法简单移动平均法和加权移动平均法,在时间序列没有明显的趋势变动时,能够准确反映实际情况。但当时间序列出现直线増加或减少的变动趋势时,用简单移动平均法和加权移动平均法来预测就会岀现滞后偏差。因此,需要进行修正,修正的方法是作二次移动平均,利用移动平均滞后偏差的规律米建立直线趋势的预测模型。这就是趋势移动平均法。次移动的平均数为+∴在一次移动平均的基础上再进行一次移动平均就是二次移动平均,其计算公式为D下面讨论如何利用移动平均的潛后偏差建立直线趋势预测模型。设时间序列从某时期开始具有直线趋势,且认为末来时期也按此直线趋势变化,则可设此直线趋势预测模型为其中为当前时期数;为由至预测期的时期数;为截距;为斜率。两者又称为平滑系数现在,我们根据移动平均值来确定平滑系数。由模型()可知所以+…十因此由式(),类似式()的推导,可得所以类似式()的推导,可得于是,由式()和式()可得平滑系数的计算公式为例我国年的发电总量如表所示,试预测和年的发电总量。表我国发电量及一、二次移动平均值计算表年份发电总量次移动平均二次移动平均,=解由散点图可以看出,发电总量基本呈直线上升趋势,可用趋势移动半均法来预测。图原始数据散点图取三,分别计算次和二次移动平均值并列于衣中。再由公式(),得于是,得时直线趋势预测模型为预测年和年的发电总量为计算的程序如下:把原始数据保存在纯文本文件中为移动平均的项数趋势移动平均法对于冋时存在直线趋势与厝期波动的序列,是种既能反映趋势变化,又可以有效地分离出来周期变动的方法。§指数半滑法次移动平均实际上认为最近期数据对未来值影响相同,都力权一;而期以前的数据对未来值没有影响,加权为。但是,二次及更高次移动平均数的权数却不是—,且次数越高,权数的结构越复杂,但永远保持对称的权数,即两端项权数小,中间项权薮大,不符合一般系统的动态性。一般说来历史数据对未来值的影响是随时间间隔的增长而递减的。所以,更切合实际的方法应是对各期观测值依时间顺序进行加权平均作为预测值。指数平滑法可满足这一要求,而且具有简单的递推形式指数平滑法根据平滑次数的不同,又分为一次指数平滑法、二次指数平滑法和三次指数平滑法等,分别介绍如下次指数平滑法.预测模型设时间序列为,a为加权系数,
- 2020-12-05下载
- 积分：1
