近年來(lái),深度學(xué)習(xí)發(fā)展迅猛,在國(guó)內(nèi)外都引起廣泛關(guān)注。由于深度學(xué)習(xí)具有強(qiáng)大的學(xué)習(xí)能力,已經(jīng)成功應(yīng)用于多種模式分類(lèi)問(wèn)題中。在實(shí)際生活中,樣本的特征維數(shù)經(jīng)常會(huì)很高,而樣本的獲取總是存在困難,因此小樣本問(wèn)題是普遍存在的。研究如何在小規(guī)模的樣本集提高學(xué)習(xí)算法的準(zhǔn)確率具有重要意義。本文提出了基于概率圖模型的分類(lèi)方法。首先我們給出了聚合空間和特征空間的定義,證明聚合空間可表示對(duì)象集的邊緣概率,特征空間可表示對(duì)象集的聯(lián)合概率。運(yùn)用概率圖模型理論,將聚合空間和特征空間構(gòu)造為結(jié)點(diǎn)集在聚合空間集和其自己的連接邊上構(gòu)造權(quán)重,通過(guò)學(xué)習(xí)訓(xùn)練樣本,更新參數(shù)。實(shí)現(xiàn)網(wǎng)絡(luò)的分類(lèi)功能。為了驗(yàn)證本文方法的有效性,和在小樣本集中分類(lèi)的準(zhǔn)確率,在15Scence和Caltech101圖像數(shù)據(jù)集上進(jìn)行驗(yàn)證試驗(yàn)。實(shí)驗(yàn)結(jié)果表明本文方法在小樣本集上有較好的分類(lèi)效果。其次,提出基于概率圖模型的表情分類(lèi)方法。在傳統(tǒng)表情識(shí)別方法研究中,研究者多將整張面部表情圖像作為特征信息,從而忽視了面部各區(qū)域之間的相互關(guān)系�；诖�,本文提出了一種表情區(qū)域分割方法,將面部表情圖像劃分為5個(gè)面部區(qū)域,基于概率圖模型的理論基礎(chǔ),構(gòu)建5個(gè)表情分類(lèi)子網(wǎng)絡(luò),建立Soft... 

【文章來(lái)源】：遼寧工程技術(shù)大學(xué)遼寧省

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

人臉表情識(shí)別流程圖

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文7所有單個(gè)節(jié)點(diǎn)所對(duì)應(yīng)的分布的乘積[31]。貝葉斯定理如下:（2.6）式中是已知后發(fā)生的條件概率。也由于得自的取值而被稱(chēng)作的后驗(yàn)概率。是已知后發(fā)生的條件概率。也由于得自的取值而被稱(chēng)作的后驗(yàn)概率。是的先驗(yàn)概率或邊緣概率。是的先驗(yàn)概率或邊緣概率。之所以稱(chēng)為”先驗(yàn)”是因?yàn)樗豢紤]任何B方面的因素。貝葉斯定理可表述為：后驗(yàn)概率=（相似度*先驗(yàn)概率）/標(biāo)準(zhǔn)化常量貝葉斯網(wǎng)絡(luò)通過(guò)一個(gè)有向無(wú)環(huán)圖來(lái)表示一組隨機(jī)變量跟他們的條件依賴(lài)關(guān)系。每一個(gè)節(jié)點(diǎn)通過(guò)條件概率分布來(lái)參數(shù)化。如圖2.1是一個(gè)簡(jiǎn)單的貝葉斯網(wǎng)絡(luò)，其對(duì)應(yīng)的全概率公式為：（2.7）圖2.1貝葉斯網(wǎng)絡(luò)示例Figure2.1IllustratingofBayesiannetwork2.1.3馬爾科夫隨機(jī)場(chǎng)馬爾科夫隨機(jī)場(chǎng)采用無(wú)向圖來(lái)表達(dá)變量間的相互作用[32]。馬爾可夫隨機(jī)場(chǎng)是生成式模型，生成式模型最關(guān)心的是變量的聯(lián)合概率分布。由于變量之間沒(méi)有明確的因果關(guān)系，它的聯(lián)合概率分布通常會(huì)表達(dá)為一系列勢(shì)函數(shù)（potentialfunction）的乘積。如圖2.2所示。圖中的每個(gè)節(jié)點(diǎn)表示一個(gè)或一組變量，節(jié)點(diǎn)之間的邊表示兩個(gè)變量之間的依賴(lài)關(guān)系。馬爾科夫隨機(jī)場(chǎng)有一組勢(shì)函數(shù)，是定義在變量子集上的非負(fù)實(shí)數(shù)，主要用于定義概率分布函數(shù)。()(|)(|)()PAPBAPABPBP(A|B)BABAP(A|B)ABABP(A)AP(B)BP(a,b,c)P(c|a,b)P(b|a)P(a)

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文8圖2.2馬爾科夫隨機(jī)場(chǎng)示例Figure2.2IllustratingofMarkovrandomfield對(duì)于圖中節(jié)點(diǎn)的一個(gè)子集，若其中任意兩節(jié)點(diǎn)間都右邊鏈接，則稱(chēng)該節(jié)點(diǎn)子集為一個(gè)“團(tuán)”。多個(gè)變量之間的聯(lián)合概率分布能基于團(tuán)分解為多個(gè)因子的乘積，每個(gè)因子僅與一個(gè)團(tuán)相關(guān)。即對(duì)于個(gè)變量，所有團(tuán)構(gòu)成一個(gè)集合，稱(chēng)這個(gè)集合為，與團(tuán)對(duì)應(yīng)的的集合記為，則聯(lián)合概率定義為：（2.8）其中為團(tuán)對(duì)應(yīng)的勢(shì)函數(shù)，用于對(duì)團(tuán)中的變量關(guān)系進(jìn)行建模，為規(guī)范化因子，以確保是被正確定義的概率。2.1.4概率圖模型的分類(lèi)概率圖模型的分類(lèi)原理如下：給出一個(gè)對(duì)象集，求該對(duì)象集出現(xiàn)的情況屬于每個(gè)類(lèi)別的概率，發(fā)生概率最大的類(lèi)別即為該對(duì)象的所屬類(lèi)別。概率圖模型的分類(lèi)思想用數(shù)學(xué)語(yǔ)言表示如下：1）假設(shè)12(,,,)nXxxxC是一個(gè)對(duì)象集，它可能所屬的類(lèi)別集為12(,,,)mYyyyC；2）計(jì)算該對(duì)象在類(lèi)別集上的概率分布為12(|),(|),,(|)mPyXPyXPyXμ；3）找出概率分布中概率值最大的一項(xiàng)，即計(jì)算12(|)max{(|),(|),,(|)}jmPyXPyXPyXPyX（2.9）其中j[1,m]，jy就是對(duì)象集所屬類(lèi)別。概率圖模型分類(lèi)的關(guān)鍵技術(shù)在于步驟2）中的概率分布，如何計(jì)算該概率分布即為本文研究重點(diǎn)。2.2參數(shù)訓(xùn)練概率圖模型的應(yīng)用需要解決結(jié)構(gòu)學(xué)習(xí)、參數(shù)學(xué)習(xí)和概率推理三個(gè)問(wèn)題[27]。結(jié)構(gòu)學(xué)習(xí)是n12{,,,}nxxxxCQCQxP(x)1()()QQQCPxxZQQQ()QQxQCZxP(x)


本文編號(hào)：2977541