CN113963410A - 一种基于改进遗传算法的人脸识别优化方法 - Google Patents
一种基于改进遗传算法的人脸识别优化方法 Download PDFInfo
- Publication number
- CN113963410A CN113963410A CN202111249512.8A CN202111249512A CN113963410A CN 113963410 A CN113963410 A CN 113963410A CN 202111249512 A CN202111249512 A CN 202111249512A CN 113963410 A CN113963410 A CN 113963410A
- Authority
- CN
- China
- Prior art keywords
- network
- probability
- fitness
- population
- genetic algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Image Analysis (AREA)
Abstract
一种基于改进遗传算法的人脸识别优化方法,该方法首先通过对样本数据集进行PCA降维和归一化处理,能在提升运算效率的同时不影响识别准确率;接着利用基于改进的遗传算法来对卷积神经网络模型的超参数进行全局调优,得到超参数调优后的卷积神经网络模型;最后将测试集输入训练好的卷积神经网络模型进行人脸识别测试。该方法将遗传算法与卷积神经网络相结合,并对遗传算法中的交叉概率和变异概率进行改进,有效避免了传统参数寻优过程中容易陷入局部最优解的情况,且在人脸识别准确率以及迭代次数上具有更好的效果。
Description
技术领域
本发明涉及人脸识别技术领域,具体涉及一种人脸识别方法研究。
背景技术
近年来,随着人工智能的快速发展,人脸图像信息处理和识别技术也在日益更新,其中人脸识别也得到相当大的重视。但是,人脸识别领域目前仍然有许多问题还未能解决,有待进行深入的研究。随着深度学习的发展,对于标签数据集的要求也越来越高,这就导致网络模型需要优化的超参数越来越多。比如最常用的识别模型卷积神经网络存在大量的超参数需要优化。
目前比较流行的参数调优方法都存在着一系列的问题,例如交叉验证,它主要是将原始的数据样本随机分为k组,每次将其中的一组作为测试集,其他的k-1组作为训练集,最后将k个分类模型正确率的均值作为评价模型的性能。此算法需要重复的进行训练和测试,计算量大。对于网格搜索算法,该方法主要是通过穷举所有组合,最终找到识别模型的最优参数。最大的优势就是可以进行并行处理,但是当网格密度较大时,搜索精度高运算开销大,反而可能会漏掉最优解。
上述两种方法都存在计算复杂度比较高、搜索耗时的缺陷。近年来,人们从自然界的进化中得到启示,应用群体智能优化算法对分类器的最优参数进行研究。例如遗传算法,可以有效解决参数容易陷入局部最优解的情况。除此之外还有粒子群优化算法、蚁群算法以及差分进化算法等。
发明内容
针对现有技术的不足,本发明目的在于提供一种将遗传算法和卷积神经网络相结合的人脸识别方法,通过改进后的遗传算法来对卷积神经网络进行超参数寻优,解决了传统参数寻优过程中可能陷入局部最优解的问题,同时提高了人脸识别的准确率。
一种基于改进遗传算法的人脸识别优化方法,包括以下步骤:
步骤1,,通过网络公开的人脸数据来构建人脸样本数据集,并对人脸样本数据集中的训练数据集与测试数据集进行预处理;
步骤2,利用基于改进的遗传算法来对卷积神经网络模型的超参数进行全局调优,通过对卷积层滤波器和全连接层的连接权重的不断优化,确定最优的卷积神经网络模型的超参数,并得到训练好的卷积神经网络模型;
所述步骤2中,在进行种群初始化后,通过评估神经网络性能并分配选择概率,进行交叉产生分享双亲网络属性的交叉子代,然后选取父代网络变异生成变异子代,将交叉子代和变异子代加入下一代种群进行替换优化,实现迭代训练;
步骤3,将样本测试集输入到由步骤2训练好的卷积神经网络模型中,从而完成人脸识别。
进一步地,步骤1具体分步骤如下:
步骤1.1,将人脸样本数据集按照比例划分为训练数据集和测试数据集;
步骤1.2,对训练数据集和测试数据集分别进行PCA特征提取,并对降维处理后的数据进行归一化处理。
进一步地,步骤2具体分步骤如下:
步骤2.1初始化:创建初始种群,种群中的每个染色体代表一个网络,并将每个网络中的卷积层看成一个整体作为染色体中的一个元素,每个网络中的全连接层看成一个整体作为染色体中的另一个元素。即每个染色体元素包含卷积层中滤波器的所有值,或者包含一个全连接层的所有连接权重;
步骤2.2评估:将训练数据集中的人脸图像数据输入到种群中的每个网络,评估每个网络的性能,使用每个网络的准确率作为种群个体的适应度值,为每个网络分配一个适应度值;
步骤2.3选择:为每一个网络分配一个选择概率,选择操作采用轮盘赌方法,每个网络的适应度越高,其被选择的可能性就越大;
步骤2.4交叉:重复两次选择操作,选取两个网络作为双亲,通过交叉产生一个新的交叉子代,交叉子代分享双亲的一些属性;
步骤2.5变异:进行一次选择操作,选取一个网络作为父代,通过变异产生一个新的变异子代,变异子代的部分属性与父代相同;
步骤2.6替换:新生的子代将会加入到下一代种群中,替换掉适应度最低的个体;
判断是否达到最大迭代次数,若不满足则返回步骤2.2,如满足则在种群中选择适应度最佳的个体作为训练好的卷积神经网络。
进一步地,所述步骤2.1初始化操作是指创建初始种群,并设置参数包括种群规模、最大迭代次数、最大交叉概率、最小交叉概率、最大变异概率、最小变异概率;种群中的网络具有相同的结构,所有的卷积层、池化层和全连接层具有相同的维度,滤波器和连接权重是随机分配的。
进一步地,所述步骤2.2评估操作是指将训练数据集图片输入到种群中的所有网络进行训练,计算预测输出与样本标签之间的损失函数值,并得到每个网络的识别准确率,将识别准确率作为每个网络的适应度值。
进一步地,所述步骤2.3选择操是指采用轮盘赌方法,网络的适应度越高,则越有可能被选为繁殖的双亲或父代;用Pi表示第i个网络被选中的概率,fi表示第i个网络的适应度值,N为种群大小,则第i个网络被选中的概率为:
在变异进程中,选择操作将会选择一个网络作为父代,由父代来产生子代,首先从[0,1]上的均匀分布中产生一个随机数与Pi比较,如果小于Pi,则第i个网络就会被选择;在交叉进程中,选择操作将会选择两个网络作为双亲,由双亲产生一个子代,那么以上选择过程将会进行两次。
进一步地,所述步骤2.4交叉操作是指采用自适应交叉概率,当网络的适应度较高时,对应于较低的交叉概率,保护当前网络进入下一代;当网络适应度较低时,对应较高的交叉概率,促使当前网络被淘汰掉;
用Pc表示交叉概率,Pcmax表示最大交叉概率,Pcmin表示最小交叉概率,f表示网络适应度,fmax表示种群最大适应度,favg表示种群平均适应度,f'表示待交叉双亲适应度较大者的适应度,则交叉概率公式为:
在交叉操作中,两个双亲网络会产生一个新的子代;从[0,1]上的均匀分布中产生一个随机数与交叉概率Pc比较,如果该随机数小于Pc,则该双亲网络进行交叉操作;首先复制双亲网络的精确副本,并随机选取双亲中的一个,对于包含卷积层的染色体元素,将相应的滤波器复制到子代;对于包含全连接层的染色体元素,仍然随机选择双亲中的一个,并将所有神经元的权重复制到子代。
进一步地,所述步骤2.5变异操作是指采用自适应变异概率,当网络的适应度较高时,对应于较低的变异概率,保护当前网络进入下一代;当网络适应度较低时,对应较高的变异概率,促使当前网络被淘汰掉;
用Pm表示变异概率,Pmmax表示最大变异概率,Pmmin表示最小变异概率,则变异概率公式为:
在变异操作中,父代网络会产生一个新的子代;从[0,1]上的均匀分布中产生一个随机数与变异概率Pm比较,如果该随机数小于Pm,则该父代网络进行变异操作;首先复制父代网络的精确副本,对于包含卷积层的染色体元素,则对滤波器中的每个值用一个以该值为均值、标准差为0.5的高斯噪声替代;对于包含全连接层的染色体元素,则将每一个神经元的权重加上一个来自初始分布的随机数。
进一步地,所述步骤2.6替换操作保证种群大小N保持不变。
与现有技术相比,本发明具备的有益效果为:
(1)利用改进的遗传算法来对卷积神经网络模型的超参数进行全局调优,避免了传统参数优化方法中卷积神经网络模型参数可能陷入局部最优解的情况,加快了搜索能力,并且提高了人脸识别的准确率。
(2)通过对遗传算法进行改进,采用动态的交叉概率和变异概率,对种群中具有较低适应度的个体给予更大的交叉概率和变异概率,对较高适应度的个体给予更小的交叉概率和变异概率,从而促使了整个种群向最优解方向进化,加快了超参数寻优的速度。
附图说明
图1是本发明实施例中所述的基于改进遗传算法的人脸识别优化方法流程图。
图2是本发明实施例中所述的遗传算法流程图。
图3为本发明实施例中所述的SchafferF6函数示意图。
图4为本发明实施例中所述的识别准确率对比图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
基于改进遗传算法的人脸识别优化方法,包括如下步骤:
步骤1:通过获取网上公开的LFW数据集来构建数据样本,将数据样本按照7:3的比例划分为数据集和训练集,并进行预处理。LFW数据集是人脸识别领域比较权威的数据集,共有13233张人脸图像,共有5749个人。
(1)将第一步获取的图像进行预处理操作,包括去除噪声、归一化操作等。预处理的目的是使接下来的工作变得简单、高效。
(2)特征提取。在这一步中,对预处理过的图片进行特征提取,来获取图片中重要的、具有很高代表性的信息。通常采用的方法是降维操作,本发明采用的是PCA主成分分析法。
步骤2:利用基于改进的遗传算法来对卷积神经网络模型的超参数进行全局调优,通过对卷积层滤波器和全连接层连接权重的不断优化,确定最优的卷积神经网络模型的超参数,并得到训练好的卷积神经网络模型,具体分步骤如下:
(1)初始化:创建初始种群,并设置种群规模、最大迭代次数、最大交叉概率、最小交叉概率、最大变异概率、最小变异概率等参数。种群中的每个染色体代表一个网络,并将每个网络中的卷积层看成一个整体作为染色体中的一个元素,每个网络中的全连接层看作一个整体作为染色体中的另一个元素。即每个染色体元素包含卷积层中滤波器的所有值,或者包含一个全连接层的所有连接权重。种群中的网络具有相同的结构,所有的卷积层、池化层和全连接层具有相同的维度,但它们的滤波器和连接权重是随机分配的。
(2)评估:将训练样本数据集中的人脸图像数据输入到种群的每个网络中进行训练,计算预测输出与样本标签之间的损失函数值,得到每个网络的识别准确率。评估每个网络的性能,使用每个网络的准确率作为种群个体的适应度值,为每个网络分配一个适应度值。
(3)选择:为每一个网络分配一个选择概率,选择操作采用轮盘赌方法,网络的适应度越高,则越有可能被选为繁殖的双亲或父代。用Pi表示第i个网络被选中的概率,fi表示第i个网络的适应度值,N为种群大小,则第i个网络被选中的概率为:
在变异进程中,选择操作将会选择一个网络作为父代,由父代来产生子代,首先从[0,1]上的均匀分布中产生一个随机数与Pi比较,如果小于Pi,则第i个网络就会被选择。在交叉进程中,选择操作将会选择两个网络作为双亲,由双亲产生一个子代,那么以上选择过程将会进行两次。
(4)交叉:重复两次选择操作,选取两个网络作为双亲,通过交叉产生一个新的子代,子代会分享双亲的一些属性。从[0,1]上的均匀分布中产生一个随机数与交叉概率Pc比较,如果该随机数小于Pc,则该双亲网络进行交叉操作。首先复制双亲网络的精确副本,并随机选取双亲中的一个,对于包含卷积层的染色体元素,将相应的滤波器复制到子代。对于包含全连接层的染色体元素,仍然随机选择双亲中的一个,并将所有神经元的权重复制到子代。
(5)变异:进行一次选择操作,选取一个网络作为父代,通过变异产生一个新的子代,子代的部分属性与父代相同。从[0,1]上的均匀分布产生一个随机数与变异概率Pm比较,如果该随机数小于Pm,则该父代网络进行变异操作。首先复制父代网络的精确副本,对于包含卷积层的染色体元素,则对滤波器中的每个值用一个以该值为均值、标准差为0.5的高斯噪声替代。对于包含全连接层的染色体元素,则将每一个神经元的权重加上一个来自初始分布的随机数。
为解决传统遗传算法可能陷入局部最优解的情况并加快搜索能力,对遗传算法的交叉概率和变异概率进行改进,用Pc表示交叉概率,Pcmax表示最大交叉概率,Pcmin表示最小交叉概率,f表示网络适应度,Pm表示变异概率,Pmmax表示最大变异概率,Pmmin表示最小变异概率,fmax表示种群最大适应度,favg表示种群平均适应度,f'表示待交叉双方适应度较大者的适应度,k1,k2,k3,k4为常数,均在0到1之间,传统遗传算法的交叉概率和变异概率如下:
但是,由于当个体适应度接近或者等于种群的最大适应度时,会出现交叉概率Pc和变异概率Pm接近零的情况,使得处在进化初期的个体处于基本不变的状态,加大了陷入局部最优解的可能。主要是由于在进化初期时,处于较高适应度的个体可能是目标问题的局部最优解或全局最优解,导致种群进化陷入局部最优解的可能加大。针对以上的缺陷,对交叉概率和变异概率做了如下改进:
改进后的动态交叉概率和变异概率拥有了自适应的能力,当个体的适应度较高时,对应于较低的交叉概率和变异概率,保护当前个体进入下一代;当个体适应度较低时,对应较高的交叉和变异概率,促使当前个体被淘汰掉。当个体适应度接近最大适应度时,交叉概率和变异概率也不会趋向于0,并根据网络适应度调整,使得参数在调优时不会处于一种停滞不前的状态。
通过对遗传算法的交叉概率和变异概率的改进,大大提高了遗传算法的收敛精度,加快了收敛速度。改进后的遗传算法在保持群体多样性的同时,也保证了遗传算法的收敛性。针对卷积神经网络有大量超参数以及权重需要优化的特点,通过采用改进后的遗传算法优化卷积神经网络的超参数,解决了传统参数优化方法中可能陷入局部最优解的问题,并加了快搜索能力。
(6)替换:新生的子代将会加入到下一代种群中,替换掉适应度最低的个体。判断是否达到最大迭代次数,若不满足则返回步骤(2),满足则在种群中选择适应度最佳的个体作为训练好的卷积神经网络。
步骤3:对步骤2得到的训练好的卷积神经网络模型,将样本测试集输入到模型中,从而完成人脸识别。
本发明通过对遗传算法的交叉概率和变异概率进行改进,并利用改进后的遗传算法对卷积神经网络模型的超参数进行优化,解决了传统卷积神经网络模型在超参数调优时计算复杂度比较高,容易陷入局部最优解的情况,加快了收敛速度,并且有效提高了人脸识别的准确率。
通过实验进行验证,选取了SchafferF6函数进行测试,并对其仿真进行比较和分析:
SchafferF6函数如图3所示。该函数在自变量取值范围内由无穷多个极大值点,其中只有一个(0,0)处为全局最大值点,最大值为1。仿真结果如下所示:
基本遗传算法与改进的遗传算法对比结果
由上分析可知:
对于简单遗传算法,在遗传迭代500次后,没有一次能找到全局极大值点;采用改进后的遗传算法后在500次迭代后找到了24次全局极大值点(0,0),平均迭代次数384.3;从上表可以发现采用改进的策略可以大大提高找到最优解的成功率,同时加快了遗传算法的寻优速度。
将改进后的遗传算法用于优化CNN人脸识别结果准确率的提升,其中CNN和GA-CNN结果如图4所示。第一部分为只用CNN识别的精度,第二部分为用GA_CNN优化结果,每一部分中的上图为识别准确率,下图为损失。通过对比,在不使用遗传算法优化卷积神经网络时,识别准确率为81.3%,提出的GA_CNN具有更好的识别效果,最好的识别率分别为95.5%。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (9)
1.一种基于改进遗传算法的人脸识别优化方法,其特征在于:所述方法包括以下步骤:
步骤1,通过网络公开的人脸数据来构建人脸样本数据集,并对人脸样本数据集中的训练数据集与测试数据集进行预处理;
步骤2,利用基于改进的遗传算法来对卷积神经网络模型的超参数进行全局调优,通过对卷积层滤波器和全连接层的连接权重的不断优化,确定最优的卷积神经网络模型的超参数,并得到训练好的卷积神经网络模型;
所述步骤2中,在进行种群初始化后,通过评估神经网络性能并分配选择概率,进行交叉产生分享双亲网络属性的交叉子代,然后选取父代网络变异生成变异子代,将交叉子代和变异子代加入下一代种群进行替换优化,实现迭代训练;
步骤3,将样本测试集输入到由步骤2训练好的卷积神经网络模型中,从而完成人脸识别。
2.根据权利要求1所述的一种基于改进遗传算法的人脸识别优化方法,其特征在于,步骤1具体分步骤如下:
步骤1.1,将人脸样本数据集按照比例划分为训练数据集和测试数据集;
步骤1.2,对训练数据集和测试数据集分别进行PCA特征提取,并对降维处理后的数据进行归一化处理。
3.根据权利要求1所述的一种基于改进遗传算法的人脸识别优化方法,其特征在于,步骤2具体分步骤如下:
步骤2.1初始化:创建初始种群,种群中的每个染色体代表一个网络,并将每个网络中的卷积层看成一个整体作为染色体中的一个元素,每个网络中的全连接层看成一个整体作为染色体中的另一个元素。即每个染色体元素包含卷积层中滤波器的所有值,或者包含一个全连接层的所有连接权重;
步骤2.2评估:将训练数据集中的人脸图像数据输入到种群中的每个网络,评估每个网络的性能,使用每个网络的准确率作为种群个体的适应度值,为每个网络分配一个适应度值;
步骤2.3选择:为每一个网络分配一个选择概率,选择操作采用轮盘赌方法,每个网络的适应度越高,其被选择的可能性就越大;
步骤2.4交叉:重复两次选择操作,选取两个网络作为双亲,通过交叉产生一个新的交叉子代,交叉子代分享双亲的一些属性;
步骤2.5变异:进行一次选择操作,选取一个网络作为父代,通过变异产生一个新的变异子代,变异子代的部分属性与父代相同;
步骤2.6替换:新生的子代将会加入到下一代种群中,替换掉适应度最低的个体;
判断是否达到最大迭代次数,若不满足则返回步骤2.2,如满足则在种群中选择适应度最佳的个体作为训练好的卷积神经网络。
4.根据权利要求3所述的一种基于改进遗传算法的人脸识别优化方法,其特征在于,所述步骤2.1初始化操作是指创建初始种群,并设置参数包括种群规模、最大迭代次数、最大交叉概率、最小交叉概率、最大变异概率、最小变异概率;种群中的网络具有相同的结构,所有的卷积层、池化层和全连接层具有相同的维度,滤波器和连接权重是随机分配的。
5.根据权利要求3所述的一种基于改进遗传算法的人脸识别优化方法,其特征在于,所述步骤2.2评估操作是指将训练数据集图片输入到种群中的所有网络进行训练,计算预测输出与样本标签之间的损失函数值,并得到每个网络的识别准确率,将识别准确率作为每个网络的适应度值。
7.根据权利要求3所述的一种基于改进遗传算法的人脸识别优化方法,其特征在于,所述步骤2.4交叉操作是指采用自适应交叉概率,当网络的适应度较高时,对应于较低的交叉概率,保护当前网络进入下一代;当网络适应度较低时,对应较高的交叉概率,促使当前网络被淘汰掉;
用Pc表示交叉概率,Pcmax表示最大交叉概率,Pcmin表示最小交叉概率,f表示网络适应度,fmax表示种群最大适应度,favg表示种群平均适应度,f'表示待交叉双亲适应度较大者的适应度,则交叉概率公式为:
在交叉操作中,两个双亲网络会产生一个新的子代;从[0,1]上的均匀分布中产生一个随机数与交叉概率Pc比较,如果该随机数小于Pc,则该双亲网络进行交叉操作;首先复制双亲网络的精确副本,并随机选取双亲中的一个,对于包含卷积层的染色体元素,将相应的滤波器复制到子代;对于包含全连接层的染色体元素,仍然随机选择双亲中的一个,并将所有神经元的权重复制到子代。
8.根据权利要求3所述的一种基于改进遗传算法的人脸识别优化方法,其特征在于,所述步骤2.5变异操作是指采用自适应变异概率,当网络的适应度较高时,对应于较低的变异概率,保护当前网络进入下一代;当网络适应度较低时,对应较高的变异概率,促使当前网络被淘汰掉;
用Pm表示变异概率,Pmmax表示最大变异概率,Pmmin表示最小变异概率,则变异概率公式为:
在变异操作中,父代网络会产生一个新的子代;从[0,1]上的均匀分布中产生一个随机数与变异概率Pm比较,如果该随机数小于Pm,则该父代网络进行变异操作;首先复制父代网络的精确副本,对于包含卷积层的染色体元素,则对滤波器中的每个值用一个以该值为均值、标准差为0.5的高斯噪声替代;对于包含全连接层的染色体元素,则将每一个神经元的权重加上一个来自初始分布的随机数。
9.根据权利要求3所述的一种基于改进遗传算法的人脸识别优化方法,其特征在于,所述步骤2.6替换操作保证种群大小N保持不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111249512.8A CN113963410A (zh) | 2021-10-26 | 2021-10-26 | 一种基于改进遗传算法的人脸识别优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111249512.8A CN113963410A (zh) | 2021-10-26 | 2021-10-26 | 一种基于改进遗传算法的人脸识别优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113963410A true CN113963410A (zh) | 2022-01-21 |
Family
ID=79467142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111249512.8A Pending CN113963410A (zh) | 2021-10-26 | 2021-10-26 | 一种基于改进遗传算法的人脸识别优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963410A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165880A (zh) * | 2023-04-23 | 2023-05-26 | 苏州海豚之星智能科技有限公司 | 遗传算法卷积神经网络的agv调速自动整定pid参数的方法 |
CN117877749A (zh) * | 2024-03-11 | 2024-04-12 | 西安交通大学医学院第一附属医院 | 基于大数据的房颤患者抗凝治疗效果评估与优化方法 |
-
2021
- 2021-10-26 CN CN202111249512.8A patent/CN113963410A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165880A (zh) * | 2023-04-23 | 2023-05-26 | 苏州海豚之星智能科技有限公司 | 遗传算法卷积神经网络的agv调速自动整定pid参数的方法 |
CN116165880B (zh) * | 2023-04-23 | 2023-08-04 | 苏州海豚之星智能科技有限公司 | 遗传算法卷积神经网络的agv调速自动整定pid参数的方法 |
CN117877749A (zh) * | 2024-03-11 | 2024-04-12 | 西安交通大学医学院第一附属医院 | 基于大数据的房颤患者抗凝治疗效果评估与优化方法 |
CN117877749B (zh) * | 2024-03-11 | 2024-05-28 | 西安交通大学医学院第一附属医院 | 基于大数据的房颤患者抗凝治疗效果评估与优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188824B (zh) | 一种小样本植物病害识别方法及系统 | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
CN112087447B (zh) | 面向稀有攻击的网络入侵检测方法 | |
CN111414849B (zh) | 一种基于演化卷积神经网络的人脸识别方法 | |
CN113963410A (zh) | 一种基于改进遗传算法的人脸识别优化方法 | |
Abd-Alsabour | A review on evolutionary feature selection | |
JP2002230514A (ja) | 進化的最適化方法 | |
Zhang et al. | Evolving neural network classifiers and feature subset using artificial fish swarm | |
CN112819063B (zh) | 一种基于改进的Focal损失函数的图像识别方法 | |
CN112418261A (zh) | 一种基于先验原型注意力机制的人体图像多属性分类方法 | |
CN112861752A (zh) | 一种基于dcgan与rdn的作物病害识别方法及系统 | |
CN112884149A (zh) | 一种基于随机敏感度st-sm的深度神经网络剪枝方法及系统 | |
CN109583519A (zh) | 一种基于p-Laplacian图卷积神经网络的半监督分类方法 | |
Muthukannan et al. | A GA_FFNN algorithm applied for classification in diseased plant leaf system | |
Skorpil et al. | Back-propagation and k-means algorithms comparison | |
CN116956160A (zh) | 一种基于自适应树种算法的数据分类预测方法 | |
Fonseca et al. | A similarity-based surrogate model for enhanced performance in genetic algorithms | |
Yang et al. | Relative entropy multilevel thresholding method based on genetic optimization | |
CN114782761A (zh) | 基于深度学习的智能仓储物料识别方法和系统 | |
Liu et al. | A novel hybrid model for image classification | |
Gane et al. | A comparison of generative models for sequence design | |
Zheng et al. | Accelerating the classification of very deep convolutional network by a cascading approach | |
CN112418307B (zh) | 一种结合深度学习和集成学习的辐射源个体识别方法 | |
Guo et al. | Finding Deep Local Optima Using Network Pruning | |
Markowska-Kaczmar et al. | GA-based Pareto optimization for rule extraction from neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |