基于RBM多层神经网络的身份识别研究

摘要

生物特征身份识别一直是人工智能,图象处理和模式识别等领域最具挑战性的研究课题之一。生物特征身份识别包括三个主要技术环节,即生物信息采集与预处理、生物特征提取和分类识别。
　　 身份识别的难点主要在于生物特征本身:高维,多变形,有冗余,多噪声等等,这使得特征提取成为身份识别中最为关键的一环。过去人们往往采用PCA,KPCA等算法来做特征提取,然而他们有一个共同的特点——单层结构。这些算法无法获取某些对于分类非常关键的隐性特征,而通常对于多层的结构比如多层神经网络,又因为训练方法的低效和计算能力不足而被束之高阁。
　　 受限玻尔兹曼机(RBM)是一种无向图模型,本文将引入一种新的学习方法用来无监督的分层预训练RBM,将训练好的RBM组建成一个多层的神经网络。然后再用有监督的学习方式比如误差反传来微调中间隐层的权值。这种无监督预训练结合有监督训练的方式在人脸识别数据库中获得了很好的效果。
　　 当今多生物特征融合技术越来越受到研究者的重视,较之单模生物特征识别多生物特征识别在识别率,抗噪性等方面获得更好的结果,所以最后我们引入了人脸与语音融合的融合识别模型,其更好的识别效果在我们的实验中得到了验证。