精华内容
下载资源
问答
  • 小白刚刚学习java,学到循环一节,发现循环语句很有趣,遍动手写了个小练习,有什么不对的地方请大家指正,代码如下; class Circulation  { public static void main(String[] args)  { System...

    小白刚刚学习java,学到循环一节,发现循环语句很有趣,遍动手写了几个小练习,有什么不对的地方请大家指正,代码如下;




    class Circulation 
    {
    public static void main(String[] args) 
    {
    System.out.println("第一种");
    for(int i=0;i<5;i++){
    System.out.println("外层循环"+i);
    for(int j=0;j<5;j++){
    System.out.println("内层循环"+j);

    }
    }
    System.out.println("第二种");
    for(int i=0;i<5;i++){
    System.out.println("外层循环"+i);
    for(int j=0;j<5;j++){
    System.out.println("内层循环"+j);
    break;
    }
    }
    System.out.println("第三种");
    d:for(int i=0;i<5;i++){
    System.out.println("外层循环"+i);
    for(int j=0;j<5;j++){
    System.out.println("内层循环"+j);
    break d;
    }
    }

    int k=4;
    while(k>3){
    k++;
    System.out.println(k);
    if(k==6){
    System.out.println("到6停止");
    break;
    }


    }
    do{
    k--;
    if(k==2){
    System.out.println("到2跳过这次循环");
    continue;
    }
    System.out.println(k);
    }while(k>=1);
    String a="春";
    switch(a){
    case  "春": System.out.println("1,2,3");break;
    case  "夏": System.out.println("4,5,6");break;
    case  "秋": System.out.println("7,8,9");break;
    case  "冬": System.out.println("10,11,12");break;
    }
    System.out.println("输出直角三角形");
    for(int i=0;i<6;i++){
    for(int j=0;j<i;j++){
    System.out.print("*");
    }
    System.out.println("\n");
    }
    System.out.println("输出等腰三角形");
    for(int i=0;i<6;i++){
    for(int l=0;l<6-i;l++){
    System.out.print(" ");
    }
    for(int j=0;j<2*i-1;j++){
    System.out.print("*");
    }
    System.out.println("\n");
    }
    System.out.println("输出实心菱形");
    for(int i=0;i<6;i++){
    for(int l=0;l<6-i;l++){
    System.out.print(" ");
    }
    for(int j=0;j<2*i-1;j++){
    System.out.print("*");
    }
    System.out.println("\n");
    }
    for(int i=6;i>0;i--){
    for(int l=0;l<6-i;l++){
    System.out.print(" ");
    }
    for(int j=0;j<2*i-1;j++){
    System.out.print("*");
    }
    System.out.println("\n");
    }
    System.out.println("输出空心菱形");
    for(int i=0;i<6;i++){
    for(int l=0;l<6-i;l++){
    System.out.print(" ");
    }
    for(int j=0;j<2*i-1;j++){
    if(j==0||j==2*(i-1)){
    System.out.print("*");
    }else{
    System.out.print(" ");
    }

    }
    System.out.println("\n");
    }
    for(int i=6;i>0;i--){
    for(int l=0;l<6-i;l++){
    System.out.print(" ");
    }
    for(int j=0;j<2*i-1;j++){
    if(j==0||j==2*(i-1)){
    System.out.print("*");
    }else{
    System.out.print(" ");
    }
    }
    System.out.println("\n");
    }
    }
    }

    展开全文
  • 通过MFC实现计算机图形学中个二维变换,不过都是写死的,不过可以当作案例启发哈。
  • Java非对称加密源码实例 1个目标文件 摘要:Java源码,算法相关,非对称加密 Java非对称加密源程序代码实例,本例中使用RSA加密技术,定义加密算法可用 DES,DESede,Blowfish等。 设定字符串为“张三,你好,我是李四”...
  • %选用的平滑算法模式,我们设计了几种,从中选用一种,比如issp=1是第一种模式,issp=2是第二种 %设计了几种空间平滑算法,以子程序中自定义函数的形式进行调用(ssp和issp) if issp == 1%注意,等于是==,而赋值...

    空间平滑MUSIC算法(只适用于均匀线性阵列)

    1、由于信号阵列会接收到不同方向上的相干信号,而相干信号会导致信源协方差矩阵的秩亏缺(不是满秩矩阵),从而使得信号特征向量发散到噪声子空间去(就是组成噪声子空间的向量中混入了信号源对应的特征向量)。

    2、对于相干信号波达方向估计:就是想办法把信号协方差矩阵的秩恢复到等于信号源的个数(这样我们得到的信号子空间的秩才是和信号源的个数相等的)。

    3、其中一种思路:在进行空间阵列谱函数估计出波达方向之前,先进行预处理,将协方差的秩恢复到信号源数(即去相关)

    4、去相关中的一种思路:降维处理,比如空间平滑MUSIC算法,牺牲有效阵列孔径来实现信号源的去相干(因为毕竟子阵列的孔径比原阵列的孔径小)

                                            

    clear all;close all;clc
    %阵列的基础信息
    derad=pi/180;%角度转换成弧度
    redeg=180/pi;%弧度转换成角度
    twpi=2*pi;
    Melm=7;%阵元数目
    K=6;%阵元数目(后面会从这两种数目中选择一个)
    dd=0.5;%阵元间距
    d=0:dd:(Melm-1)*dd;%阵元总长度(7-1)*0.5=3,这里共7个元素!
    iwave=3;%信号源数目(有用信号,不包括噪声源)
    theta=[0 30 60];%这三个信号源的入射角度分别是0、30、60
    n=200;%采样点数目(即快拍数)
    A=exp(-j*twpi*d.'*sin(theta*derad));%构造方向矢量(阵列流型),注意d.’
     
    %构造相干信号源(了解相干信号的定义)
    S0=randn(iwave-1,n);%信号源符合高斯分布(正态分布),矩阵维度自行设定,主要考虑后面运算不要起冲突就行
    S=[S0(1,:);S0];%S0是2*n维,S0(1,:)是1*n维,而;是下一行,所以构成了相干信号源S是3*n维
    X0=A*S;%阵列接收信号(与信号源和方向向量有关)
    snr=10;%信噪比,也可以设定为好几个值,snr=[10 20 30],但要保证后面矩阵运算维数不起冲突
    X=awgn(X0,snr,'measured');%往接收信号中添加噪声,模拟真实环境(存在噪声)接收到的信号
    Rxxm=X*X'/n;%协方差矩阵(这只是待定的,最后要用的是Rxx)
    issp=1;%选用的平滑算法模式,我们设计了几种,从中选用一种,比如issp=1是第一种模式,issp=2是第二种
     
    %设计了几种空间平滑算法,以子程序中自定义函数的形式进行调用(ssp和issp)
    if issp == 1%注意,等于是==,而赋值是=
      Rxx = ssp(Rxxm,K);%自定义函数ssp的输出,经过在ssp函数中进行空间平滑算法,输出协方差矩阵
    elseif issp == 2%选择第二种空间平滑算法,注意是在另一个自定义函数issp中运算
      Rxx = issp(Rxxm,K);%将参数Rxxm和kelm代入自定义函数中,最后输出Rxx,比以前那些算法的要好
    else
    Rxx=Rxxm;%没有选用设计的空间平滑算法,所以沿用以前方法的协方差矩阵
    K=Melm;%因为沿用以前方法,所以阵元数目用7
    end
     
    %对协方差矩阵进行特征值分解
    [EV,D]=eig(Rxx);%分解后得到特征值组成的向量形式D和特征值对应特征向量组成的矩阵EV
    DA=diag(D)';%构造对角阵DA,特征值向量D的元素是对角线上的数值,并将矩阵转置(下下句有用)
    [DA,I]=sort(DA);%按照特征值大小对对角阵元素升序排列,原先的顺序为I
    DA=fliplr(DA);%翻转矩阵(中心对称旋转),所以对角阵元素此时是按照降序排列的(结合diag(D)’
    EV=fliplr(EV(:,I));%先使EV中列向量按照I的顺序排列,在进行翻转
     
    %阵列进行扫描
    for jiaodu =1:361%从1循环到361(而且循环数必须为正,>0)
    angle(jiaodu )=(jiaodu -181)/2;%使得阵列扫描角度是从-90到90
    phim=derad*angle(jiaodu );%提前精简,避免下面表达式过于臃肿
    a=exp(-j*twpi*d(1:K)*sin(phim)).';%方向向量,其中取d的前kelm个元素,不会取到Melm个元素。并且要转置.主要是后面矩阵运算,维度有要求
    L=iwave;%信源数目
    En=EV(:,L+1:K);%噪声空间,前L列为信号空间,而后面的则为噪声空间
    P(jiaodu )=(a'*a)/(a'*En*En'*a);%空间阵列谱函数估计
    end
    P=abs(P);%求绝对值或者复数实部与虚部的平方和的算术平方根
    Pmax=max(P);
    P=10*log10(P/Pmax);%归一化,结合信噪比的相关公式
    figure%创建一个用来显示图形输出的一个窗口对象
    h=plot(angle,P);
    set(h,'Linewidth',2)%将所有线宽设置为2
    xlabel('angle(degree)')
    ylabel('magnitude(dB)')
    axis([-90 90 -60 0])%设置坐标轴范围
    set(gca,'XTick',[-90:30:90],'YTick',[-60:10:0])%设置网格的显示格式,gca获取当前figure的句柄,选择x、y轴的要进行标注的刻度
    grid on 
    hold on
    legend('平滑MUSIC')
    
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    %子程序1
    %自定义函数ssp
    function Rxx=ssp(Rxxm,K)%自定义函数(参数1待定协方差矩阵,参数2阵元数目)
    [M,MM]=size(Rxxm);%返回Rxxm矩阵的维度大小
    N=M-K+1;%子阵列的数目
    Rxx=zeros(K,K);%初始化矩阵Rxx,类似于初始化为0
    for i=1:N%第1个子阵列到第N个子阵列
    Rxx=Rxx+Rxxm(i:i+K-1,i:i+K-1);%向前滑动,注意每个子阵列是k个阵元,不是k-1个
    end
    Rxx=Rxx/N;%子阵列协方差矩阵可以相加后平均取代原来意义上的协方差矩阵
    %子程序2
    %自定义函数issp
    function Rxx=issp(Rxxm,K)
    [M,MM]=size(Rxxm);
    N=M-K+1;
    J=fliplr(eye(M));%翻转对角阵,中心对称,维数为M*M
    Rxxb=(Rxxm+J*Rxxm.'*J)/2;%前后向平滑协方差矩阵(同时结合了Toeplitz的协方差矩阵估计值);共轭倒序得到的信号子空间与原来的一样
    Rxx=zeros(K,K);
    for i=1:N
    Rxx=Rxx+Rxxb(i:i+K-1,i:i+K-1);
    end
    Rxx=Rxx/N;

    将MUSIC算法的步骤归纳为:

    1、根据n个接收信号矢量,得到协方差矩阵的估计值Rxxm=X*X’/n

    2、若各子阵列的阵列流形相同(等距线阵满足这个假设),则子阵列协方差矩阵可以相加后平均取代原来意义上的协方差矩阵Rxx=Rxx/N

    3、对平均后得到的协方差矩阵进行特征值分解[EV,D]=eig(Rxx)

    4、按照特征值的大小顺序,把与信号个数kelm相等的最大特征值对应的特征向量看作信号子空间,剩下的(M-K)个特征值对应特征向量看作噪声子空间

    5、使θ变化,即扫描角度从-90到90,按照空间阵列谱函数公式来计算,通过寻求峰值来得到波达方向的估计值

     

    展开全文
  • matlab人脸识别论文

    万次阅读 多人点赞 2019-10-11 17:41:51
    本文设计了一基于BP神经网络的人脸识别系统,并对其进行了性能分析。该系统首先利用离散小波变换获取包含人脸图像大部分原始信息的低频分量,对图像数据进行降维;再由PCA算法对人脸图像进行主成分特征提取,进--步...

    摘 要

     本文设计了一种基于BP神经网络的人脸识别系统,并对其进行了性能分析。该系统首先利用离散小波变换获取包含人脸图像大部分原始信息的低频分量,对图像数据进行降维;再由PCA算法对人脸图像进行主成分特征提取,进--步降低图像数据的处理量;最后使用经过训练后的BP神经网络对待测人脸进行分类识别。详细介绍了离散小波变换PCA特征提取以及BP神经网络分类设计。通过系统仿真实验与分析发现:人脸特征的提取是该系统的关键;同时,由于人脸灰度信息的统计特征与有监督训练BP神经网络分类器,使该系统只在固定类别,并且光照均匀的人脸识别应用场景中具有较高的识别准确率。因此,很难在复杂环境中应用。
    

    关键词:人脸识别;人工神经网络;离散小波变换; PCA; BP神经网络
    Abstract
    In this paper, a face recognition system based on BP neural network is designed and its performance is analyzed. The system first uses discrete wavelet transform to obtain the low-frequency components which contain most of the original information of the face image, and then uses PCA algorithm to extract the principal component features of the face image, progressively reducing the processing capacity of the image data. Finally, the trained BP neural network is used to classify and recognize the tested face. Discrete wavelet transform PCA feature extraction and BP neural network classification design are introduced in detail. Through the system simulation experiment and analysis, it is found that the extraction of facial features is the key of the system. At the same time, because of the statistical features of gray information and the supervised training of BP neural network classifier, the system only has a high recognition accuracy in fixed categories and uniform illumination of face recognition application scenarios. Therefore, it is difficult to apply in complex environment.

    Key words: face recognition; artificial neural network; discrete wavelet transform; PCA; BP neural network
    1绪论

      人脸识别是模式识别研究的一个热点,它在身份鉴别、信用卡识别,护照的核对及监控系统等方面有着I泛的应用。人脸图像由于受光照、表情以及姿态等因索的影响,使得同一个人的脸像矩阵差异也比较大。因此,进行人脸识别时,所选取的特征必须对上述因素具备-一定的稳定性和不变性。主元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表示成一一个列向量,经过PCA变换后,不仅可以有效地降低其维数,同时又能保留所需要的识别信息,这些信息对光照、表情以及姿态具有一定的不敏感性。 在获得有效的特征向量后,关键问题是设计具有良好分类能力和鲁棒性的分类器、支持向量机(SVI )模式识别方法,兼顾调练误差和泛化能力,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。
    

    1.1人脸识别技术的细节

    一般来说,人脸识别系统包括图像提取、人脸定位、图形预处理、以及人脸识别(身份确认或者身份查找)。系统输入一般是一张或者一系列含有未确定身份的人脸图像,以及人脸数据库中的若干已知身份的人脸图像或者相应的编码,而其输出则是一系列相似度得分,表明待识别的人脸的身份。
    1.2人脸识别技术的广泛应用

    一项技术的问世和发展与人类的迫切需求是密切相关的,快速发展的社会经济和科学技术使得人类对安全(包括人身安全、隐私保护等)得认识越来越重视。人脸识别得一个重要应用就是人类的身份识别。一-般来说, 人类得身份识别方式分为三类:
    1.特征物品,包括各种证件和凭证,如身份证、驾驶证、房门钥匙、印章等;
    2.特殊知识,包括各种密码、口令和暗号等;

    3.人类生物特征,包括各种人类得生理和行为特征,如人脸、指纹、手形、掌纹、虹膜. DNA、签名、语音等。前两类识别方式属于传统的身份识别技术,其特点是方便、快捷,但致命的缺点是安全性差、易伪造、易窃取。特殊物品可能会丢失、偷盗和复制,特殊知识可以被遗忘、混淆和泄漏。相比较而言,由于生物特征使人的内在属性,具有很强的自身稳定性和个体差异性,因此生物特征是身份识别的最理想依据。基于以上相对独特的生物特征,结合计算机技术,发展了众多的基于人类生物特征的身份识别技术,如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术和人脸识别技术等。生物识别技术在上个世纪已经有了- -定得发展,其中指纹识别技术已经趋近成熟,但人脸识别技术的研究还处于起步阶段。指纹、虹膜、掌纹等识别技术都需要被识别者的配合,有的识别技术还需要添置复杂昂贵的设备。人脸识别可以利用已有的照片或是摄像头远距离捕捉图像,无需特殊的采集设备,系统的成本低。并且自动人脸识别可以在当事人毫无觉察的情况下完成身份确认识别工作,这对反恐怖活动有非常重要的意义。基于人脸识别技术具有如此多的优势,因此它的应用前最非常广阔,已成为最具潜力的生物特征识别技术之一
    1.3人脸识别技术的难点

      虽然人类可以毫不困难地根据人脸来辨别一个人,但是利用计算机进行完全自动的人脸识别仍然有许多困难。人脸模式差异性使得人脸识别成为-个非常困难的问题,表现在以下方面:
    
      1.人脸表情复杂,人脸具有多样的变化能力,人的脸上分布着Ii十多块面部肌肉,这些肌肉的运动导致不同面部表情的出现,会造成人脸特征的显著改变。
    
      2.随着年龄而改变,随着年龄的增长,皱纹的出现和面部肌肉的松驰使得人脸的结构和纹理都将发生改变。
    
      3.人脸有易变化的附加物,例如改变发型,留胡须,戴帽子或眼镜等饰物。4.人脸特征遮掩,人脸全部、部分遮掩将会造成错误识别。
    
      5.人脸图像的畸变,由于光照、视角、摄取角度不同,可能造成图像的灰度。
    

    1.4国内外研究状况

    人脸识别是人类视觉最杰出的能力之-。 它的研究涉及模式识别、图像处理、生物学、心理学、认知科学,与基于其它生物特征的身份鉴别方法以及计算机人机感知交互领域都有密切联系。人脸识别早在六七十年代就引起了研究者的强烈兴趣。20世纪60年代,Bledsoe 提出了人脸识别的半自动系统模式与特征提取方法。70年代,美、英等发达国家开始重视人脸识别的研究工作并取得进展。1972 年,Harmon 用交互人脸识别方法在理论上与实践上进行了详细的论述。同年,Sakai 设计了人脸图像自动识别系统。80年代初
    T. Minami 研究出了优于Sakai的人脸图像自动识别系统。但早期的人脸识别一般都需要人的某些先验知识,无法摆脱人的干预。进入九十年代,由于各方面对人脸识别系统的迫切需求,人臉识别的研究变的非常热门。人脸识别的方法有了重大突破,进入了真正的机器自动识别阶段,如Kartbunen-Loeve变换等或新的神经网络技术。人脸识别研究

    得到了前所未有的重视,国际上发表有关人脸识别等方面的论文数量大幅度增加,仅从1990年到2000年之间,sCl 及EI可检索到的相关文献多达数千篇,这期间关于人脸识别的综述也屡屡可见。国外有许多学校在研究人脸识别技术,研究涉及的领域很广。这些研究受到军方、警方及大公司的高度重视和资助,国内的一些知名院校也开始从事人脸识别的研究。

      人脸识别是当前模式识别领域的一个前沿课题,但目前人脸识别尚处于研究课题阶段,尚不是实用化领域的活跃课题。虽然人类可以毫不困难地由人脸辨别一个人,但利用计算机进行完全自动的人脸识别存在许多困难,其表现在:人脸是非刚体,存在表情变化:人脸随年龄增长面变化:发型、眼镜等装饰对人脸造成遮挡:人脸所成图像受光照、成像角度、成像距离等影响。人脸识别的困难还在于图像包括大量的数据,输入的像素可能成百上千,每个像素都含有各自不同的灰度级,由此带来的计算的复杂度将会增加。现有的识别方法中,通过从人脸图像中提取出特征信息,来对数据库进行检索的方法速度快,而利用拓扑属性图匹配来确定匹配度的方法则相对较快。
    

    1.5人脸识别的研究内容

    人脸识别技术(AFR)就是利用计算机技术,根据数据库的人脸图像,分析提取出有效的识别信息,用来“辨认”身份的技术。人脸识别技术的研究始于六十年代末七十年代初,其研究领城涉及图像处理、计算机视觉、模式识别、计算机智能等领城,是伴随着现代化计算机技术、数据库技术发展起来的综合交叉学科。
    1.5.1人脸识别研究内容

      人脸识别的研究范围广义上来讲大致包括以下hi个方面的内容。
    
      1.人脸定位和检测(Face Detection) :即从动态的场景与复杂的背景中检测出人臉的存在并且确定其位置,最后分离出来。这一任务主要受到光照、噪声、面部倾斜以及各种各样遮挡的影响。
    
      2.人脸表征(Face Representation) (也称人脸特征提取) :即采用某种表示方法来表示检测出人脸与数据库中的已知人脸。通常的表示方法包括几何特征(如欧氏距离、曲率、角度)、代数特征(如矩阵特征向量)、固定特征模板等。
    
      3.人脸识别(Face Recogni tion) :即将待识别的人脸与数据库中已知人脸比较,得出相关信息。这一过程的核心是选择适当的人脸表征方法与匹配策略。
    
      4.表情姿态分析(Expression/Gesture Analysis) :即对待识别人脸的表情或姿态信息进行分析,并对其加以归类。
    
    
      5.生理分类(Physical Classi fication) :即对待识别人脸的生理特征进行分析,得出其年龄、性别等相关信息,或者从几幅相关的图像推导出希望得到的人脸图像,如从父母图像推导出孩子脸部图像和基于年龄增长的人脸图像估算等。
    
      人臉识别的研究内容,从生物特征技术的应用前景来分类,包括以下两个方面:人脸验证与人脸识别。
    
      1.人脸验证((Face Veri ficat ion/Authenticat ion):即是回答“是不是某人?"的问题.它是给定一幅待识别人脸图像,判断它是否是某人的问题,属于一对一的两类模式分类问题,主要用于安全系统的身份验证。
    
      2.人脸识别(Face 。Recognition) :即是回答“是谁”的问题。它是给定-幅待识别人脸图像,再已有的人脸数据库中,判断它的身份的问题。它是个“-对多”的多类模式分类问题,通常所说的人脸识别即指此类问题,这也是本文的主要研究内容。
    

    1.5.2人脸识别系统的组成

      在人脸识别技术发展的几十年中,研究者们提出了多种多样的人脸识别方法,但大部分的人脸识别系统主要由三部分组成:图像预处理、特征提取和人脸的分类识别。一个完整的自动人脸识别系统还包括人脸检测定位和数据库的组织等模块,如图1.1.其中人脸检测和人脸识别是整个自动人脸识别系统中非常重要的两个环节,并且相对独立。下面分别介绍这两个环节。
    

    人脸检测与定位,检测图像中是否由人脸,若有,将其从背景中分割出来,并确定其在图
    像中的位置。在某些可以控制拍摄条件的场合,如警察拍罪犯照片时将人脸限定在标尺内,此时人脸的定位很简单。证件照背景简单,定位比较容易。在另一些情况下,人脸在图像
    中的位置预先是未知的,比如在复杂背景下拍摄的照片,这时人脸的检测与定位将受以下因素的影响: :

      1.人脸在图像中的位置、角度、不固定尺寸以及光照的影响:
    
      2.发型、眼睛、胡须以及人脸的表情变化等,3.图像中的噪声等。
    
      特征提取与人脸识别,特征提取之前一般都要敌几何归一化和灰度归一化的工作。前者指根据人脸定位结果将图像中的人脸变化到同一位置和大小:后者是指对图像进行光照补偿等处理,以克服光照变化的影响,光照补偿能够一定程度的克服光照变化的影响而提高识别率。提取出待识别的人脸特征之后,即进行特征匹配。这个过程是一对多或者一对一的匹配过程,前者是确定输入图像为图象库中的哪一个人(即人脸识别),后者是验证输入图像的人的身份是否属实(人脸验证).  
    

    以上两个环节的独立性很强。在许多特定场合下人脸的检测与定位相对比较容易,因此“特征提取与人脸识别环节”得到了更广泛和深入的研究。近几年随着人们越来越关心各种复杂的情形下的人臉自动识别系统以及多功能感知研究的兴起,人脸检测与定位才作为一个独立的模式识别问题得到了较多的重视。本文主要研究人脸的特征提取与分类识别的问题。

    2基于bp神经网络的人脸识别算法

      虽然人脸识别方法的分类标准可能有所不同,但是8前的研究主要有两个方向,一类是从人脸图像整体(Holistic Approaches)出发,基于图像的总体信息进行分类识别,他重点考虑了模式的整体属性,其中较为著名的方法有:人工神经网络的方法、统计模式的方法等。另一类是基于提取人脸图像的几何特征参数(Feature-Based Approaches), 例如眼、嘴和鼻子的特征,再按照某种距离准则进行分类识别。这种方法非常有效,因为人脸不是刚体,有着复杂的表情,对其严格进行特征匹配会出现困难。面分别介绍- -些常 用的方法,前两种方法属于从图像的整体方面进行研究,后三种方法主要从提取图像的局部特征讲行研究。
    
    
      2.1基于特征脸的方法
    

    特征脸方法(cigenface)是从生元分析方法PCA c Principal ComponentAnalysis 导出的一种人脸分析识别方法,它根据一-组人脸图像构造主元子空间,由于主元具有人脸的形状也称作特征脸。识别时将测试图像投影到主元子空间上得到了-组投影系数,然后和各个已知人的人脸图像进行比较识别,取得了很好的识别效果。在此基础上出现了很多特征脸的改进算法。

      特征脸方法原理简单、易于实现,它把人脸作为一个整体来处理,大大降低了识别复杂度。但是特征脸方法忽视了人脸的个性差异,存在着一定的理论缺陷。研究表明:特征脸方法随光线角度及人脸尺寸的影响,识别率会有所下降。
    

    2.2基于bp神经网络的方法

    一、实验要求采用三层前馈BP神经网络实现标准人脸YALE数据库的识别,编程语言为C系列语言。
    二、BP神经网络的结构和学习算法实验中建议采用如下最简单的三层BP神经网络,输入层为,有n个神经元节点,输出层具有m个神经元,网络输出为,隐含层具有k个神经元,采用BP学习算法训练神经网络。BP神经网络的结构BP网络在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确的数学表达式,只要用已知的模式对BP网络加以训练,网络就具有输入输出对之间的映射能力。BP网络执行的是有教师训练,其样本集是由形如(输入向量,期望输出向量)的向量对构成的。在开始训练前,所有的权值和阈值都应该用一些不同的小随机数进行初始化。BP算法主要包括两个阶段:

    2.2.1向前传播阶段

    ①从样本集中取一个样本(Xp,Yp),将Xp输入网络,其中Xp为输入向量,Yp为期望输出向量。
    ②计算相应的实际输出Op。在此阶段,信息从输入层经过逐级的变换,传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中,网络执行的是下列运算:

    (2) 向后传播阶段
    ①计算实际输出Op与相应的理想输出Yp的差;
    ②按极小化误差的方法调整权矩阵。这两个阶段的工作一般应受到精度要求的控制

    (1)作为网络关于第p个样本的误差测度(误差函数)。

    (2)如前所述,之所以将此阶段称为向后传播阶段,是对应于输入信号的正常传播而言的,也称之为误差传播阶段。为了更清楚地说明本文所使用的BP网络的训练过程,首先假设输入层、中间层和输出层的单元数分别是N、L和M。X=(x0,x1,…,xN-1)是加到网络的输入矢量,H=(h0,h1,…,hL-1)是中间层输出矢量,Y=(y0,y1,…,yM-1)是网络的实际输出矢量,并且用D=(d0,d1,…,dM-1)来表示训练组中各模式的目标输出矢量。输出单元i到隐单元j的权值是Vij,而隐单元j到输出单元k的权值是Wjk。另外用θk和Φj来分别表示输出单元和隐单元的阈值。于是,中间层各单元的输出为:

    (3)而输出层各单元的输出是:

    其中f(*)是激励函数,采用S型函数:

    2.2.2在上述条件下,网络的训练过程如下:

    (1) 选定训练集。由相应的训练策略选择样本图像作为训练集。
    (2) 初始化各权值Vij,Wjk和阈值Φj,θk,将其设置为接近于0的随机值,并初始化精度控制参数ε和学习率α。
    (3) 从训练集中取一个输入向量X加到网络,并给定它的目标输出向量D。
    (4) 利用式(3)计算出一个中间层输出H,再用式(4)计算出网络的实际输出Y。
    (5) 将输出矢量中的元素yk与目标矢量中的元素dk进行比较,计算出M个输出

    误差项:

    对中间层的隐单元也计算出L个误差项:

    (6) 依次计算出各权值和阈值的调整量:

    (8) 当k每经历1至M后,判断指标是否满足精度要求:E≤ε,其中E是总误差函数。

    如果不满足,就返回(3),继续迭代。如果满足,就进入下一步。
    (9) 训练结束,将权值和阈值保存在文件中。这时可以认为各个权值已经达到稳定,分类器形成。再一次进行训练时,直接从文件导出权值和阈值进行训练,不需要进行初始化。

    YALE数据库是由耶鲁大学计算视觉与扼制中心创立,包括15位志愿者,每个人有11张不同姿势、光照和表情的图片,共计165张图片,图片均为80*100像素的BMP格式图像。我们将整个数据库分为两个部分,每个人的前5幅图片作为网络的训练使用,后6副图片作为测试使用。测试样例:

    输入输出:

      神经网络在人脸识别应用中有很长的历史。早期用于人脸识别的神经网络主要是Kohonen自联想映射神经网络,用于人脸的“回忆”。所谓“回忆”是指当输入图像上的人脸受噪声污染严重或部分缺损时,能用Kohonen网络恢复出原来完整的人脸。Intrator 等人用一个无监督/监督混合神经网络进行人脸识别。其输入是原始图像的梯度图像,以此可以去除光照的变化。监督学习目的是寻找类的特征,有监督学习的目的是减少训练样本被错分的比例。这种网络提取的特征明显,识别率高,如果用几个网络同时运算,求其平均,识别效果还会提高。
    
      与其他类型的方法相比,神经网络方法在人脸识别上有其独到的优势,它避免了复:杂的特征提取工作,可以通过学习的过程获得其他方法难以实现的关于人脸识别的规律和规则的隐性表达。此外,神经网络以时示方式处理信息,如果能用硬件实现,就能显著提高速度。神经网络方法除了用于人脸识别外,还适用于性别识别、种族识别等。
    

    2.3弹性图匹配法

    弹性图匹配方法是-种基于动态链接结构DLA C Dynamic Link Architecture的方法。它将人脸用格状的稀疏图表示,图中的节点用图像位置的Gabor小波分解得到的特征向量标记,图的边用连接节点的距离向量标记。匹配时,首先J找与输入图像最相似的模型图,再对图中的每个节点位置进行最佳匹配,这样产生-一个变形图,其节点逼近模型图的对应点的位置。弹性图匹配方法对光照、位移、旋转及尺度变化都敏感。此方法的主要缺点是对每个存储的人臉需计算其模型图,计算量大,存储量大。为此,Wiskott 在原有方法的基础上提出聚東图匹配,部分克服了这些缺点。在聚束图中,所有节点都已经定位在相应目标上。对于大量数据库,这样可以大大减少识别时间。另外,利用聚束图还能够匹配小同人的最相似特征,因此可以获得关于未知人的性别、胡须和眼镜等相关信息。
    2.4基于模板匹配的方法
    模板匹配法是一-种经典的模式识别方法,这种方法大多是用归一一化和互相关,直接计算两副图像之间的匹配程度。由于这种方法要求两副图像上的目标要有相同的尺度、取向和光照条件,所以预处理要做尺度归一化和灰度归一化的工作。最简单的人脸模板是将人脸看成-一个椭圆,检测人臉也就是检测图像中的椭圆。另一种方法是将人脸用一-组独立的小模板表示,如眼睛模板、嘴巴模板、鼻子模板、眉毛模板和下巴模板等。但这些模板的获得必须利用各个特征的轮廓,而传统的基于边缘提取的方法很难获得较高的连续边缘。即使获得了可靠度高的边缘,也很难从中自动提取所需的特征量。模板匹配方法在尺度、光照、旋转角度等各种条件稳定的状态下,它的识别的效果优于其它方法,但它对光照、旋转和表情变化比较敏感,影响了它的直接使用。2.5基于人脸特征的方法人脸由眼睛、鼻子、嘴巴、下巴等部件构成,正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别,因此对这些部件的形状和结构关系的几何描述,可以作为人脸识别的重要特征。几何特征最早是用于人脸检测轮廓的描述与识别,首先根据检测轮廓曲线确定若干显著点,并由这些显著点导出- -组用于识别的特征度量如距离、角度等。采用儿何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征。
    定位眼睛往往是提取人脸几何特征的第-步。由于眼睛的对称性以及眼珠呈现为低灰度值的圆形,因此在人脸图像清晰瑞正的时候,眼睛的提取是比较容易的。但是如果人脸图像模糊,或者噪声很多,则往往需要利用更多的信息(如眼睛和眉毛、鼻子的相对位置等),而且.这将使得眼睛的定位变得很复杂。而且实际图像中,部件未必轮廓分明,有时人用眼看也只是个大概,计算机提取就更成问题,因而导致描述同-一个人的不同人脸时,其模型参数可能相差很大,面失去识别意义。尽管如此,在正确提取部件以及表情变化微小的前提下,该方法依然奏效,因此在许多方面仍可应用,如对标准身份证照片的应用。

    2.5九个人脸库介绍

    1. FERET人脸数据库
      http://www.nist.gov/itl/iad/ig/colorferet.cfm
      由FERET项目创建,此图像集包含大量的人脸图像,并且每幅图中均只有一个人脸。该集中,同一个人的照片有不同表情、光照、姿态和年龄的变化。包含1万多张多姿态和光照的人脸图像,是人脸识别领域应用最广泛的人脸数据库之一。其中的多数人是西方人,每个人所包含的人脸图像的变化比较单一。

    2. CMU Multi-PIE人脸数据库
      http://www.flintbox.com/public/project/4742/
      由美国卡耐基梅隆大学建立。所谓“PIE”就是姿态(Pose),光照(Illumination)和表情(Expression)的缩写。CMU Multi-PIE人脸数据库是在CMU-PIE人脸数据库的基础上发展起来的。包含337位志愿者的75000多张多姿态,光照和表情的面部图像。其中的姿态和光照变化图像也是在严格控制的条件下采集的,目前已经逐渐成为人脸识别领域的一个重要的测试集合。

    3. YALE人脸数据库(美国,耶鲁大学)
      http://cvc.cs.yale.edu/cvc/projects/yalefaces/yalefaces.html
      由耶鲁大学计算视觉与控制中心创建,包含15位志愿者的165张图片,包含光照、表情和姿态的变化。
      Yale人脸数据库中一个采集志愿者的10张样本,相比较ORL人脸数据库Yale库中每个对象采集的样本包含更明显的光照、表情和姿态以及遮挡变化。

    4. YALE人脸数据库B
      https://computervisiononline.com/dataset/1105138686
      包含了10个人的5850幅在9种姿态,64种光照条件下的图像。其中的姿态和光照变化的图像都是在严格控制的条件下采集的,主要用于光照和姿态问题的建模与分析。由于采集人数较少,该数据库的进一步应用受到了比较大的限制。

    5. MIT人脸数据库
      由麻省理工大学媒体实验室创建,包含16位志愿者的2592张不同姿态(每人27张照片),光照和大小的面部图像。

    6. ORL人脸数据库
      https://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html
      由英国剑桥大学AT&T实验室创建,包含40人共400张面部图像,部分志愿者的图像包括了姿态,表情和面部饰物的变化。该人脸库在人脸识别研究的早期经常被人们采用,但由于变化模式较少,多数系统的识别率均可以达到90%以上,因此进一步利用的价值已经不大。
      ORL人脸数据库中一个采集对象的全部样本库中每个采集对象包含10幅经过归一化处理的灰度图像,图像尺寸均为92×112,图像背景为黑色。其中采集对象的面部表情和细节均有变化,例如笑与不笑、眼睛睁着或闭着以及戴或不戴眼镜等,不同人脸样本的姿态也有变化,其深度旋转和平面旋转可达20度。

    7. BioID人脸数据库
      https://www.bioid.com/facedb/
      包含在各种光照和复杂背景下的1521张灰度面部图像,眼睛位置已经被手工标注。

    8. UMIST图像集
      由英国曼彻斯特大学建立。包括20个人共564幅图像,每个人具有不同角度、不同姿态的多幅图像。

    9. 年龄识别数据集IMDB-WIKI
      https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/
      包含524230张从IMDB和Wikipedia爬取的名人数据图片。应用了一个新颖的化回归为分类的年龄算法。本质就是在0-100之间的101类分类后,对于得到的分数和0-100相乘,并将最终结果求和,得到最终识别的年龄

    3matlab分析人脸方法介绍
    人脸识别之一:查找图片中的人脸并用方框圈出
    这种类似于智能手机拍照时,屏幕里那个框任务头部的红框。大致步骤为:获取RGB图片—>转换为灰度图像—>图像处理—>人脸识别。代码如下:clear all
    clc

    %获取原始图片
    i=imread(‘face.jpg’);
    I=rgb2gray(i);
    BW=im2bw(I); %利用阈值值变换法将灰度图像转换成二进制图像
    figure(1);
    imshow(BW);
    %最小化背景
    [n1 n2]=size(BW);
    r=floor(n1/10);
    c=floor(n2/10);
    x1=1;x2=r;
    s=r*c;

    for i=1:10
    y1=1;y2=c;
    for j=1:10
    if(y2<=c || y2>=9c) || (x11 || x2r10)
    loc=find(BW(x1:x2,y1:y2)==0);
    [o p]=size(loc);
    pr=o*100/s;
    if pr<=100
    BW(x1:x2,y1:y2)=0;
    r1=x1;r2=x2;s1=y1;s2=y2;
    pr1=0;
    end
    imshow(BW);
    end
    y1=y1+c;
    y2=y2+c;
    end
    x1=x1+r;
    x2=x2+c;
    end
    figure(2)
    subplot(1,2,1);
    imshow(BW)
    title(‘图像处理’);
    %人脸识别
    L=bwlabel(BW,8);
    BB=regionprops(L,‘BoundingBox’);
    BB1=struct2cell(BB);
    BB2=cell2mat(BB1);

    [s1 s2]=size(BB2);
    mx=0;
    for k=3:4:s2-1
    p=BB2(1,k)*BB2(1,k+1);
    if p>mx && (BB2(1,k)/BB2(1,k+1))<1.8
    mx=p;
    j=k;
    end
    end
    subplot(1,2,2);
    title(‘人脸识别’);
    imshow(I);
    hold on;
    rectangle(‘Position’,[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j)],‘EdgeColor’,‘r’)实验效果图:

             从实验效果图中,可以看出红框框出了人脸部分。
    

    人脸识别之二:由输入的人像识别出数据库中人像
    这种情况类似于手机人脸解锁,通过当前的人脸去和保存的人脸做比对来实现解锁等功能;从网上看了好多资料,由于个人能力有限大多都没仿真出来,最后通过学习PCA算法,了解到可通过PCA算法对输入矩阵降维,提取特征值和特征向量的方式来做人脸比对。具体的PCA的东西在这里不作介绍,主要介绍一下如何实现人脸比对。
    大致步骤:制作人脸数据样本—>PCA提取样本数据特征值—>人脸比对1.人脸样本
    从网上搜集了10张人脸图片,来制作成样本。

                         %读取转换10张图片,生成数据矩阵function ImgData = imgdata()  
    

    %导入图片
    picture1 = rgb2gray(imread(‘1.jpg’));
    picture2 = rgb2gray(imread(‘2.jpg’));
    picture3 = rgb2gray(imread(‘3.jpg’));
    picture4 = rgb2gray(imread(‘4.jpg’));
    picture5 = rgb2gray(imread(‘5.jpg’));
    picture6 = rgb2gray(imread(‘6.jpg’));
    picture7 = rgb2gray(imread(‘7.jpg’));
    picture8 = rgb2gray(imread(‘8.jpg’));
    picture9 = rgb2gray(imread(‘9.jpg’));
    picture10 = rgb2gray(imread(‘10.jpg’));
    [m,n] = size(picture1);
    picture_ten = {picture1,picture2,picture3,picture4,picture5,picture6,picture7,picture8,picture9,picture10};
    for i=1:10
    %把mn的矩阵变换成1(mn)的矩阵
    ImgData(i,:) = reshape(picture_ten{i},1,m
    n);
    end
    %数据范围缩小到0到1之间
    ImgData = double(ImgData)/255;

    PCA分析function Cell_ten = PCA(imgdata,k)
    [m,n] = size(imgdata);
    img_mean = mean(imgdata); %计算每列平均值
    img_mean_ten = repmat(img_mean,m,1); %复制m行平均值至矩阵img_mean_ten
    Z = imgdata - img_mean_ten;
    T = Z’Z;%协方差矩阵
    [V,D] = eigs(T,k); %计算T中最大的前k个特征值与特征向量
    img_new = imgdata
    V*D; %低维度下的各个人脸的数据
    Cell_ten = {img_new,V,D};3.通过输入测试人脸从数据库中找到相对应人脸function face= facefind(Cell_ten,testdata)%此函数代码借鉴于他人,还未征求其同意,这里就暂时略过这里testdata是测试图片的数据4.主程序调用img=imgdata(); %图片矩阵数据
    Cell_ten=PCA(img,2);% PCA
    face1=facefind(Cell_ten,imread(‘test.jpg’));%识别
    subplot(1,2,1)
    imshow(‘test.jpg’)
    title(‘测试图像’)
    subplot(1,2,2)
    imshow(strcat(num2str(face1),’.jpg’))
    title(‘数据库图像’)测试效果: 使用这个方式可以实现简单的人脸识别,但精确度不高;

    4 分析算法
    在人脸识别系统中有许多关键环节,其中最重要的莫过于特征提取。利用主成分分析法(PCA)进行特征提取是目前应用最多的提取方法。作为一种科学的统计方法,它在模式识别、信号处理、数字图像处理等等领域都有广泛涉猎。基于PCA中空间原始数据主要特征提取,减少数据冗余的思想,一些在低维特征空间的数据被处理,并合理保留了原始数据中有用的信息,数据空间中维数过高的问题也得以解决。
    4.1  主成分分析的基本原理

    实际上主成分分析就是一种数学降维演算方法,用若干个综合变量来代替原本更多的变量,让这些综合变量尽可能的实现对原有变量信息的取代,并保持彼此之间不存在关联。这种多变量化为少数相互无关的变量且信息量不变的统计分析方法就叫做主成分分析法。
      假设F1表示原变量的首个线性组合所组成的主要成分指标,就有F1=a11X1+a21X2+…ap1Xp。根据这个数学式可知,如果在每一个主成分中提取一个信息量,即可用方差(F1)进行度量,随着方差F1的增大,F1所包含的信息也就越多,同时它的线性组合选取也可表示为X1、X2…XP,它们都被称为方差F1中的第一主成分。如果第一主成分不足以代表原有的P个变量信息时,就可以考虑选取F2,即第二个线性组合,借由它来反映原本的有效信息。在F2中可以不显示第一主成分中已有的信息,以数学语言来表达要求的话即Cov(F1,F2)=0,其中F2为第二主成分。所以按照实际原变量的变化需求,就可以构造出多个主成分指标。
      4.2人脸识别的技术特点

    人脸识别是模式识别中的重要分支,它是指通过计算机系统来分析人脸图像,从中获取有价值的识别信息,从而辨识身份。所以说从技术特点上来看,人脸识别具有以下几个关键特色。
     1、PCA算法
    算法大致步骤:
    设有m条n维数据。
    1)将原始数据按列组成n行m列矩阵X;
    2)将X的每一行(这里是图片也就是一张图片变换到一行)进行零均值化,即减去这一行的均值(样本中心化和标准化);将所有的样本融合到一个矩阵里面特征向量就是变换空间的基向量U=[u1,u2,u3,u4,…],脑袋里面要想到一个样本投影变换就是该空间的一个点,然后对于许多点可以用KNN等不同的方法进行分类。
    3)求出协方差矩阵C=1mXXTC=1mXXT C=\frac {1 }{m } XX^TC=m1XXT;
    4)求出协方差矩阵的特征值及对应的特征向量;
    5)将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵P;
    6)Y=PXY=PX Y=PXY=PX即为降维到kk kk维后的数据。
      对数据进行中心化预处理,这样做的目的是要增加基向量的正交性,便于高维度向低纬度的投影,即便于更好的描述数据。
      对数据标准化的目的是消除特征之间的差异性,当原始数据不同维度上的特征的尺度不一致时,需要标准化步骤对数据进行预处理,使得在训练神经网络的过程中,能够加速权重参数的收敛。
      过中心化和标准化,最后得到均值为0,标准差为1的服从标准正态分布的数据。
      求协方差矩阵的目的是为了计算各维度之间的相关性,而协方差矩阵的特征值大小就反映了变换后在特征向量方向上变换的幅度,幅度越大,说明这个方向上的元素差异也越大(越有投影的必要,矩阵相乘的过程就是投影),故而选取合适的前k个能以及小的损失来大量的减少元数据的维度。

    2、PCA原理推导
    基于K-L展开的PCA特征提取:

    5.算法优化方法
    我用了三种方法对其进行优化
    1.采用动量梯度下降算法训练 BP 网络。
    训练样本定义如下:
    输入矢量为
    p =[-1 -2 3 1
    -1 1 5 -3]
    目标矢量为 t = [-1 -1 1 1]
    2. 采用贝叶斯正则化算法提高 BP 网络的推广能力。在本例中,我们采用两种训练方法,即 L-M 优化算法(trainlm)和贝叶斯正则化算法(trainbr),用以训练 BP 网络,使其能够拟合某一附加有白噪声的正弦样本数据。其中,样本数据可以采用如下MATLAB 语句生成:
    输入矢量:P = [-1:0.05:1];
    目标矢量:randn(’seed’,78341223);
    T = sin(2piP)+0.1randn(size§);
    3. 采用“提前停止”方法提高 BP 网络的推广能力。对于和例 2相同的问题,在本例中我们将采用训练函数 traingdx 和“提前停止”相结合的方法来训练 BP 网络,以提高 BP 网络的推广能力。在利用“提前停止”方法时,首先应分别定义训练样本、验证样本或测试样本,其中,验证样本是必不可少的。在本例中,我们只定义并使用验证样本,即有
    验证样本输入矢量:val.P = [-0.975:.05:0.975]
    验证样本目标矢量:val.T = sin(2
    pival.P)+0.1randn(size(val.P))
    值得注意的是,尽管“提前停止”方法可以和任何一种 BP 网络训练函数一起使用,但是不适合同训练速度过快的算法联合使用,比如 trainlm 函数,所以本例中我们采用训练速度相对较慢的变学习速率算法 traingdx 函数作为训练函数。
    参考文献

    [1] HongZiquan.AlgbricFeatureExcaciofmftfoReonino[JPatteo Recognition. 1991. 22 (1) :43~44.
    [2] Yuille A L Detcction Templates for Face Recognitio[JCognitive Neuroscience , 1991. 191-200
    [3]卢春雨张长水局城区城特征的快速人脸检测法[D北京:清华大学学报.1999.96 (1) ;4-6.
    [4]陈刚,减飞虎实用人脸识别系统的本征脸法实现[D]2001年5月230():45-46.
    [
    5]杜平,徐大为,刘重庆,基F整体特征的人脸识别方法的研究[12003年6月49 (3) ;382-383.
    [6] Chow G, Li X. Towards A System for Automatic Facial Feature Detctio[U] 1993. 2903)2-3.
    [7]杨变若,王煎法,杨未来人脸全局特iE识别研究[Z]1997年11月3(5):; 871-875.
    [8]边肇棋,张学工阎平凡等模式识别D]北京:清华大学出版社2000 302)16-17.

    致 谢

      从毕业设计的选题到论文的指导到最后定稿,期间遇到了无数的困难和阻碍,也曾想过对自己降低要求,也曾想过放弃最初想要坚持的设计,但是最后在孙老师和同学的鼓励和陪伴下,努力克服了所有的困难,独立完成了毕业设计和论文的书写。尤其是要感射我的论文指导老师孙老师,不厌其烦的对我的设计进行指导修改,耐心的帮助我改进设计帮助我搜集相关的资料,感谢孙老师如母亲--般的关怀,在孙老师身上不仅学习到了对学术严谨的态度,更被孙老师亲切无私的个人魅力所感染。
    
      还要感谢我的同学和其他所有的老师,他们严谨的学术态度,宽容待人严于律己的处世风范都使我受益良多。
    
    展开全文
  • 深度学习

    千次阅读 多人点赞 2019-01-14 14:51:41
    RvNN的开发主要受到递归自联想内存(RAAM)的启发,是一用于处理任意形状的对象的体系结构,如树或图形。方法是采用可变大小的 递归数据 结构,生成固定宽度的分布式表示。 为了训练网络,引入了结构学习方案(BTS)...

    #深度学习
    我与这世间所有的羁绊,一旦连上,就再也断不开。
    羁绊越深,痛苦便越深。
    关于这篇深度学习的文章,总共六章。
    综述而已。
    01:研究背景 02:深度学习网络 03:深度学习框架
    04:深度学习应用 05:未来挑战和潜在研究方向 06:未来展望
    关于本文引用CSDN资料,将会在最后给出链接。

    ##研究背景
    谈及深度学习,必须要考虑其前身机器学习。下面是关于机器学习的介绍,网上找的…
    A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E .
    “一个电脑程序要完成任务(T),如果电脑获取的关于T的经验(E)越多就表现(P)得越好,那么我们就可以说这个程序‘学习’了关于T的经验。
    简单来说,解释什么叫“机器的学习”,如果输入的经验越多表现的越好。
    其实跟人做事一样,做的事情次数多了,自然知道怎么办。这就是经验。
    只不过,我们把经验告诉机器,让机器来做。懒惰使人进步!
    举个栗子!**风暴预测系统
    在这里插入图片描述我们首先浏览所有的历史风暴数据,从这些大量的数据中学习出某些“模式”,这些“模式”包含了具体的哪些条件可以导致风暴。比如我们也许可以通过学习历史数据发现:温度超过40度,湿度在80-100之间,就容易发生风暴。
    “温度”、“湿度”等等指标,就是机器学习中的“特征“,而这些特征都是人工设置好的。就是说,我们在做这样一个预测系统的时候,首先由
    专家通过分析哪些“特征”是重要的,然后机器就通过分析历史数据中的这些特征的数据,来找到相应的模式,也就是怎样的特征的组合会导致怎样的结果。
    当然这是网友回答,但我觉得解释的很好。
    所以嘛!
    机器学习算法的效率高度依赖于
    输入数据**的良好表示。
    与良好的数据表示相比,糟糕的数据表示通常会导致较低的性能。
    因此,特征工程长期以来一直是机器学习的一个重要研究方向,它注重从原始数据中构建特征,并导致了大量的研究。此外,特征工程通常是非常具体的领域,需要大量的人力投入。划重点,特征工程
    既然费事费力,还要依靠专家, 有木有更轻松的办法!
    有!深度学习呗。
    “Deep learning is a particular kind of machine learning that achieves great power and flexibility by learning to represent the world as nested hierarchy of concepts, with each concept defined in relation to simpler concepts, and more abstract representations computed in terms of less abstract ones.”
    深度学习是一种特殊的机器学习,它通过学习将世界表示为概念的嵌套层次结构来获得强大的能力和灵活性,每一个概念由更简单的概念相连,抽象的概念通过没那么抽象的概念计算。
    其实我觉得nest这个单词形容的很贴切,鸟巢。层层相扣,化繁为简的艺术
    举个栗子!!!识别正方形和圆
    在这里插入图片描述
    你看这个正方形它又大又圆,就像这个文章又长又宽。
    我们的眼睛第一件要做的事情,就是看看这个形状有没有4条边。如果有的话,就进一步检查,这4条边是不是连在一起,是不是等长的,是不是相连的互相垂直。如果满足上面这些条件,那么我们可以判断,是一个正方形。
    从上面的过程可以看出,我们把一个复杂的抽象的问题(形状),分解成简单的、不那么抽象的任务(边、角、长度)。深度学习从很大程度上就是做这个工作,把复杂任务层层分解成一个个小任务。
    化繁为简,而且要实现自动化!这才是关键!

    相比之下,深度学习算法以自动化的方式进行特征提取,使得研究者可以用最少的领域知识和人力去提取有区别的特征。
    这些算法包括数据表示的分层架构,其中高级功能可以从网络的最后一层提取,而低级功能可以从较低层提取。
    深度学习的根源在于传统的神经网络,它的表现明显优于前人。它利用神经元间转换的图形技术来开发多层次的学习模型。许多最新的深度学习技术已经被展示出来,并在不同类型的应用。
    我们的大脑可以从不同的场景中自动提取数据表示。输入是眼睛接收到的场景信息,输出是分类对象。这突出了深度学习的主要优势。它模仿了人类大脑的工作方式。
    据说人的大脑有三分之一在进行图像处理,这就是为啥,我们可以不假思索的说出周围的各个事物,甚至在遇见老朋友的时候,忘记他叫啥了,但可以记住他的脸。
    我可以忘了你的名字,但永远忘不了你的脸。
    该死,我就是这么深情。

    既然这样,对比一下,机器学习深度学习
    识别狗和猫
    如果是传统机器学习的方法,我们会首先定义一些特征,如有没有胡须,耳朵、鼻子、嘴巴的模样等等。总之,我们首先要确定相应的“面部特征”作为我们的机器学习的特征,以此来对我们的对象进行分类识别。
    深度学习的方法则更进一步。深度学习自动地找出这个分类问题所需要的重要特征。
    在这里插入图片描述
    比如人脸的识别
    可以看到4层,输入的是Raw Data,就是原始数据,这个机器没法理解。于是,深度学习首先尽可能找到与这个头像相关的各种边,这些边就是底层的特征(Low-level features),这就是上面写的第一步;然后下一步,对这些底层特征进行组合,就可以看到有鼻子、眼睛、耳朵等等,它们就是中间层特征(Mid-level features),这就是上面写的第二步;最后,我们队鼻子眼睛耳朵等进行组合,就可以组成各种各样的头像了,也就是高层特征(High-level features)这个时候就可以识别出或者分类出各种人的头像了。
    这样,把这个过程交给计算机,那么会很迅速解决问题。
    小结一下,机器学习–特征。深度学习–nest

    ###深度学习的历史
    了解完机器学习和深度学习的自我介绍,我们要追根溯源,看看深度学习的历史。

    起源于公元前300年–亚里士多德提出(associationism)联合心理学
    开创了人类试图理解大脑的历史,因为这种想法要求科学家们理解人类识别系统的机制。联合心理学家,把人思考世界分为感知和心理活动,深度学习想做的就是这件事,让机器像人一样思考。

    深度学习的现代史始于1943年–(MCP)模型被引入,并被称为人工神经模型的原型。
    他们基于模拟人脑新皮质的神经网络建立了一个计算机模型,算法和数学的结合被称为阈值逻辑,用来模拟人类的思维过程,而不是学习。
    MCP之后,自然环境中的生物系统的赫布理论(Hebbian)理论得以实现
    我们可以假定,反射活动的持续与重复会导致神经元稳定性的持久性提升……当神经元A的轴突与神经元B很近并参与了对B的重复持续的兴奋时,这两个神经元或其中一个便会发生某些生长过程或代谢变化,致使A作为能使B兴奋的细胞之一,它的效能增强了。这一理论经常会被总结为“连在一起的神经元一起激活”(Cells that fire together, wire together)。这可以用于解释“联合学习”(associative learning)
    你看看这英文解释的,一起燃烧,疯狂给对方打电话。简直就是虐狗。

    1958–第一个被称为感知系统中的感知机(Perceptron)的电子设备被引入。
    人总是会被新鲜事物所吸引,疯狂追捧,忘记了初衷。
    总有理智的人,证明了感知机致命的缺点,无法解决异或问题。
    迎来了人工智能的冬季(AI WINTER
    冬天再冷,春天就在前面等你。
    在第一个人工智能冬季结束时,反向宣传家的出现成为另一个里程碑
    Werbos引入了反向传播(backpropagation),即在训练深度学习模型中使用错误,这打开了通向现代神经网络的大门。其实这就是经典的BP算法。后面会简单介绍一下下。

    1980年,启发卷积神经网络的新感知机引入了。
    1986年–递归神经网络(RNNs)。
    20世纪90年代,LeNet在使深层神经网络(DNNs)实际工作(硬件的限制)。
    2006年左右,深度信念网络(DBNs)和分层预训练框架被开发出来。
    深度学习最近一个鼓舞人心的应用是谷歌AlphaGo,它在2017年初完全震惊了世界。经过几十年的发展,与其他机器学习算法相比,深度学习是最有效的工具之一。
    阿尔法狗,有三代。
    一代是五段的围棋少年,贼菜。二代两个五段,互相PK升级到九段。
    三代,告诉它下棋规则,吃一堑长一智,比九段还厉害。
    其实小时候学国际象棋的时候,那时候就有深蓝跟国象大师下棋,只不过是方法不太一样。

    简单回顾一下历史
    1.神经元模型
    在这里插入图片描述
    神经元有两种状态:兴奋和抑制。
    一般情况下,大多数的神经元是处于抑制状态,但是一旦某个神经元收到刺激,导致它的电位超过一个阈值,那么这个神经元就会被激活,处于“兴奋”状态,进而向其他的神经元传播化学物质(其实就是信息)。
    根据这个呢,人们思考出了MCP模型。

    2.MCP模型
    在这里插入图片描述
    在这里插入图片描述
    θ–神经元的激活阈值
    函数f(·)也被称为是激活函数。w是权值,x是输入
    函数f(·)可以用一个阶跃方程表示
    大于阈值激活;否则则抑制。
    但是这样有点太粗暴,因为阶跃函数不光滑,不连续,不可导,因此我们更常用的方法是用sigmoid函数来表示函数f(·)
    其实找到更棒的函数,发文章是不是超级快。
    #sigmoid函数
    在这里插入图片描述
    在这里插入图片描述
    这个函数比起阶跃函数,0和1突变,可是圆滑多了。盘盘就好了。

    3.感知机模型
    在这里插入图片描述
    w为感知机输入层到输出层连接的权重
    b表示输出层的偏置
    打个比方 有点(1,1) 属于1类 点(2,2)属于2类,请问是否能从原点画一条线把他们分开,不可以,所以需要偏置值b,这样线段就不从(0,0)点出发了
    其实这就是分类问题
    在这里插入图片描述
    前面说了嘛,人们丧失了理智,疯狂追捧。
    Minsky指出这点时,事态就发生了变化。
    Minsky在1969年出版了一本叫《Perceptron》的书里面用详细的数学证明了感知器的弱点(数学家真是闹不住啊),尤其是感知器对XOR(异或)这样的简单分类任务都无法解决。进入了AI winter,然后就是BP反向传播打破了这个僵局。
    4.BP算法
    原谅我,不想贴图了,大家可以看看这个博客,关于BP,安排的明明白白。
    https://www.cnblogs.com/charlotte77/p/5629865.html
    其实呢,你会发现,就是在修正权重。如何自动化的修正权重就很厉害了。
    相当于在修正误差,把误差减小到最小。
    有点类似于电力系统的潮流计算,这看来知识都是相通的!
    BP之后就迎来的各种神经网络,就不一一介绍了。
    在这里插入图片描述
    ##流行的深度学习网络
    经过第一章,你会发现,深度学习整体框架就有了。那么有一些比较流行的
    RVNN.RNN.CNN.DGN
    分别是递归神经网络、循环神经网络、卷积神经网络、深层神经网络。

    ####递归神经网络
    在这里插入图片描述
    在这里插入图片描述
    同样是根据前面的模型,分输入层、隐含层、输出层。
    通过RvNN可以在层次结构中进行预测,使用组合向量对输出进行分类
    RvNN的开发主要受到递归自联想内存(RAAM)的启发,是一种用于处理任意形状的对象的体系结构,如树或图形。方法是采用可变大小的递归数据结构,生成固定宽度的分布式表示。
    为了训练网络,引入了结构学习方案(BTS)。BTS采用类似于标准反向传播算法的方法,并且能够支持树状结构。
    下面是两个生动的栗子,很好吃。
    在这里插入图片描述
    在这里插入图片描述
    不用过多解释,也看的懂,把一个图像、一个句子,分类处理,组合。
    这就是前面提到的nest这个单词嘛。化繁为简。

    Socher等人提出了一种能够处理不同方式输入的RvNN体系结构。上图展示了两个使用RvNN对自然图像和自然语言句子进行分类的例子。一个图像被分成不同的兴趣部分时,一个句子被分成单词。RvNN计算可能的对的得分,以合并它们并构建语法树。对于每一对单元,RvNN计算合并的合理性得分。然后将得分最高的一对组合成一个复合向量。

    因为可能用到递归技巧,简单解释一下。
    程序调用自身的编程技巧称为递归(recursion)。递归作为一种算法在程序设计语言中广泛应用。
    一个过程或函数在其定义或说明中有直接或间接调用自身的一种方法,它通常把一个大型复杂的问题层层转化为一个与原问题相似的规模较小的问题来求解,递归策略只需少量的程序就可描述出解题过程所需要的多次重复计算,大大地减少了程序的代码量。
    假设我们现在都不知道什么是递归,我们自然想到打开浏览器,输入到谷歌的网页,我们点击搜索递归,然后我们在为维基百科中了解到了递归的基本定义,在了解到了递归实际上是和栈有关的时候,你又蒙圈了,什么是栈呢?数据结构没学清楚,此时的你只能又打开谷歌,搜索什么是栈.接下来你依次了解了内存/操作系统.在你基本了解好知识之后,你通过操作系统了解了内存,通过内存了解了栈,通过栈了解了什么是递归这下你恍然大悟!原来这就是递归啊!(斐波那契数列、兔子问题)
    知识的海洋太宽广,我有点受不了。

    ####循环神经网络
    在这里插入图片描述
    最重要的区别,在于,隐含层之间也有了联系
    但即便如此,自己的输出还是跟自己的输入层有直接的联系。
    RNN的一个主要问题是它对消失爆炸梯度的敏感性。换句话说,梯度可能由于训练过程中大量的大小导数的乘积而衰减或爆炸成指数级。
    看完BP那篇文章,就会懂。会涉及大量求导问题。
    在修正参数的时候,会出现消失或者爆炸!导致无法继续更新权重。
    随着时间的推移,这种灵敏度会降低,这意味着网络会忘记新输入的初始输入。
    因此,长短期内存通过在其循环连接中提供内存块来处理这个问题。

    在这里插入图片描述
    再来介绍一下各个符号的含义:
    x是输入
    h是隐层单元
    o为输出
    L为损失函数
    y为训练集的标签

    在这里插入图片描述
    t时刻的输出:
    在这里插入图片描述
    最终模型的预测输出:
    在这里插入图片描述
    在这里插入图片描述
    前面说了,会用到sigmoid函数,看一下它的图像以及求导图像。
    在求导过程中,就会出现越求越小,这就是前面说的梯度消失与爆炸。
    总结一下,sigmoid函数的缺点:
    1、导数值范围为(0,0.25],反向传播时会导致“梯度消失“。tanh函数导数值范围更大,相对好一点。
    2、sigmoid函数不是0中心对称,tanh函数是,可以使网络收敛的更好。
    在这里插入图片描述
    上面是tanh函数,
    tanh函数作为激活函数,那tanh函数的导数最大也才1,而且又不可能所有值都取到1,那相当于还是一堆小数在累乘,还是会出现“梯度消失“
    那为什么还要用它做激活函数呢?原因是tanh函数相对于sigmoid函数来说梯度较大,收敛速度更快且引起梯度消失更慢。
    反正都是消失,消失的慢一点更好嘛。
    如果幸福终究会消失,那么消失的越慢越好。
    就像香水,多沉浸一秒也值得。
    ####CNN卷积神经网络
    在这里插入图片描述
    CNN在深度学习中也是一种流行且广泛使用的算法,它广泛应用于NLP、语音处理、计算机视觉等多种应用中它模拟了猫大脑中包含复杂细胞序列的视觉皮层。
    CNN有三个主要优势,即参数共享稀疏交互等变表示
    为了充分利用输入数据的二维结构(如图像信号),使用网络中的本地连接和共享权,而不是传统的全连通网络。这个过程产生的参数非常少,这使得网络更快、更容易训练。(不展开了!)

    ####卷积计算
    在这里插入图片描述
    特殊的矩阵运算,对应元素相乘。不是行列那种。

    ####稀疏交互
    在这里插入图片描述
    在这里插入图片描述
    前面说了三个特点,参数共享**、稀疏交互、**等变表示
    参数共享是指在一个模型的多个函数中使用相同的参数。
    等边表示,对于卷积,参数共享的特殊形式使得神经网络具有对平移等变的性质。
    如果一个函数满足输入改变,输出也以同样的方式改变,就说它是等变的。

    而上图就是关于稀疏交互,个人理解。
    第一张图,如果一个输入想对应所有输出,那么看起来会非常错综复杂
    第二张图,通过加入隐含层,不但使互相有了交流,而且最终个别输入所能到达的输出增加。

    ####深层生成网络
    DBN(深层信念网络)、(DBM)深玻尔兹曼机、生成对抗性网络(GAN)和变分自编码器(VAE),实在不想写了,贴几张图,想研究啥查啥。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    以上四种就是混合概率生成模型,通过定义能量概率模型进行分析。
    具体不展开了,以后到具体问题在分析吧。

    ###深度学习技术和框架
    在这里插入图片描述
    这是一个简单的框架,以及各个开发平台和适用的语言。
    在这里插入图片描述
    ###深度学习的各种应用
    在各个招聘平台上看,真的挣钱呀。好好学习,天天向上。
    过自己想要的生活,做自己喜欢的事,改变自己想改变的事。
    更重要的,爱自己想爱的人。
    在这里插入图片描述
    在这里插入图片描述
    ###未来的挑战及潜在研究方向
    在这里插入图片描述
    ###未来挑战
    在这里插入图片描述
    引用链接如下,肯定有遗忘的,如原博主看到,不要生气,请温柔联系我
    后续补上。
    http://www.cnblogs.com/maybe2030/p/5597716.html神经网络基础
    https://baijiahao.baidu.com/s?id=1595509949786067084&wfr=spider&for=pc深度学习和机器学习的对比
    https://www.cnblogs.com/charlotte77/p/5629865.html一文弄懂神经网络中的BP算法
    https://blog.csdn.net/yinkun6514/article/details/79281278
    https://blog.csdn.net/tkkzc3E6s4Ou4/article/details/83422720机器学习高质量数据大合集
    http://lib.csdn.net/article/deeplearning/59097?knId=1746 RBM原理
    https://www.jianshu.com/p/998cf8e52209 GAN学习笔记

    如果没有贫富差距,没有自然选择,优胜劣汰。
    我会享受那下午两点的阳光,和爱的人散步。
    不过在那之前,要加油。

    展开全文
  • C#基础教程-c#实例教程,适合初学者

    万次阅读 多人点赞 2016-08-22 11:13:24
    由于中间语言代码由CLR负责执行,因此异常处理方法是一致的,这在调试一语言调用另一语言的子程序时,显得特别方便。  增加安全:C#语言不支持指针,一切对内存的访问都必须通过对象的引用变量来实现,只允许...
  • 一、三维物体基本几何变换 主要讨论如下个问题 :如何对三维图形进行方向、尺寸和形状方面的变换 ?三维物体如何在二维输出设备上输出 ?通过三维图形变换,可由简单图形得到复杂图形,三维图形变换则分为三维...
  • JAVA上百实例源码以及开源项目

    千次下载 热门讨论 2016-01-03 17:37:40
     Java非对称加密源程序代码实例,本例中使用RSA加密技术,定义加密算法可用 DES,DESede,Blowfish等。  设定字符串为“张三,你好,我是李四”  产生张三的密钥对(keyPairZhang)  张三生成公钥(publicKeyZhang...
  • PointNet学习笔记(一)—— 论文

    千次阅读 多人点赞 2018-10-10 16:40:48
    此外,对于第二方法,尽管其对于小长度(十)的序列具有鲁棒性,但对于上千个点(点云的通常大小)就无法得到相同的表现了。文中的实验证明了PointNet所使用的方法更好。 文中希望通过对变换后的元素应用对称...
  • 一个有趣的问题是,能否用奇数个相同的多联骨牌拼成一个对称图形?答案是肯定的。右图显示了如何用奇数个相同的多联骨牌拼接出中心对称图形和沿对角线方向轴对称的图形。 下面的问题该轮到你来回答了。你能否用奇数...
  • MFC的4作图方式如果我们是在View类的OnDraw函数中作图 我们大可直接使用函数传进来的CDC参数进行作图在其他函数里面 我们可以使用一下方法作图:1.利用全局函数HDC hdc; //定义一个设备描述表的句柄(DC是设备描述...
  • 需求 实验室任务要求绘制一幅效果如下图所示的Venn图。...在Visio文档中,给出了绘制Visio图的两方案,第一在不进行二次加工的情况下样式太死,第二我其实并没有尝试——也许它确实管用,但是十步的步骤...
  • 一、二维图形变化之基本知识 本章涉及向量、世界坐标系、用户坐标系、窗口与视区、齐次坐标、二维变换等 。需要掌握的知识点有: 向量、矩阵以及它们的运算 坐标系的概念和坐标系之间的变换齐次坐标的概念二维...
  • 一、对称加密算法   指加密和解密使用相同密钥的加密算法。对称加密算法用来对敏感数据等信息进行加密,常用的算法包括DES、3DES、AES、DESX、Blowfish、、RC4、RC5、RC6。  DES(Data Encryption Standard):...
  • 三维图形几何变换

    千次阅读 2018-08-05 18:40:26
    三维图形变换分为:几何变换和投影变换。  基本几何变换都是相对于坐标原点、坐标轴和坐标平面,包括:平移、缩放、旋转、对称和错切。  三维空间中点的变换可以表示成点的齐次坐标与四阶的变换矩阵相乘。 1 ...
  • GNN

    千次阅读 2019-06-02 13:43:49
    图形神经网络(GNN)主要用于分子应用,因为分子结构可以用图形结构表示。 GNN的有趣之处在于它可以有效地建模系统中对象之间的关系或交互。 近年来,图神经网络(GNN)在社交网络、知识图、推荐系统甚至生命科学等...
  • 其实就是画条线,但是要均分角度。一方法是,计算出各个点,然后从中心点发散去画线;另一是,一边旋转canvas,一边画圆心到统一坐标的线。由于绘画是需用到canvas旋转,所以这里统一使用旋转来处理。 ...
  • 计算机图形学 变换矩阵

    千次阅读 2017-11-22 10:55:26
    以下内容转自:http://m.blog.csdn.net/csxiaoshui/article/details/654461251. 简介计算机图形学中的应用非常广泛的变换是一种称为仿射变换的特殊变换,在仿射变换中的基本变换包括平移、旋转、缩放、剪切这几种。...
  • 基于物品的协同过滤算法实现图书推荐系统

    万次阅读 多人点赞 2019-09-14 21:20:24
    本文首先介绍了推荐系统的发展历史,及目前常用的几种推荐算法的介绍与比较,然后以基于物品的协同过滤算法为基础,详细介绍图书推荐系统的构建。在该系统中,主要功能分为用户功能和图书推荐功能...
  • [Matlab]FIR滤波器设计:(基本窗函数FIR滤波器设计)

    万次阅读 多人点赞 2019-11-16 00:54:00
    几种常见窗函数(只给出了窗函数的定义和幅度特性): W ( e j ∗ w ) = W ( w ) ( e − j α w ) W(e^{j*w})=W(w)(e^{-jαw}) W ( e j ∗ w ) = W ( w ) ( e − j α w ) 矩形窗FIR滤波器设计: 矩形窗的窗...
  • 二维图形复合变换

    千次阅读 2018-08-05 12:33:49
    复合变换是指图形做一次以上的几何变换,变换结果是每次的变换矩阵相乘。从另一个方面看,任何一个复杂的几何变换都可以看成是基本几何变换的组合。  (n&gt;1) 1. 复合平移  P经过两次连续平移后,其变换...
  • 接上文 计算机图形学 学习笔记(六):消隐算法:Z-buffer,区间扫描线,Warnock,光栅图形学小结在图形学中,有两大基本工具:向量分析,图形变换。本文将重点讲解向量和二维图形的变换。5.1 向量基础知识我们所...
  • 几种常见的距离计算公式

    万次阅读 2019-10-20 10:41:59
    我们常用的距离计算公式是欧几里得距离公式,但是有时候这种计算方式会存在一些缺陷,那么就需要另外的计算方法去加以补充,本文将介绍几种在机器学习中常用的计算距离。 在做很多研究问题时常常需要估算不同样本...
  • 图形推理

    千次阅读 2019-05-17 15:41:00
    1.数量规律(递增,相加,相等)    【答案】D。解析:1,2,3,4,5,当线条末端没有黑点时... 【答案】选C,因为前面四个图形都是对称的,它们分别是数字1,2,3,4的对称图形,下一个是5,所以选C图形。    ...
  • 常见几种操作系统简介

    千次阅读 2020-04-14 11:27:58
    当时,DOS已有许多,除MS-DOS以外,还有PC-DOS,DR-DOS,FreeDOS等,但是由于受到微软的挤压,所以使用的人数并不是很多,而大多数用户都在使用MS-DOS。 由于微软彻底放弃了MS-DOS,而转以开发Windows,引起了广大...
  • ANSYS WORKBENCH中划分网格的几种方法

    千次阅读 2015-05-29 21:34:11
    ANSYS WORKBENCH中提供了对于网格划分的几种方法,为了便于说明问题,我们首先创建一个简单的模型,然后分别使用几种网格划分方法对之划分网格,从而考察各种划分方法的特点。 1. 创建一个网格划分系统。 2. ...
  • 前端加密的几种常见方式

    千次阅读 2018-08-31 15:34:00
    一般有几种做法: • JavaScript 加密后传输 • 浏览器插件内进行加密传输 • Https 传输 严格意义来说第一种手段并非加密,而是一种信息摘要的应用,为了阐述方便下文统统使用加密一词。在进行下文之前,需要...
  • 老师给的题目并不难,我刻意复杂化了一下 绘制图像时,实时预览将要生成的图像,并非点击了个点才开始画图 自己加了一个4象限对称的画图模式(mirror)...图形学实验就开这周,暂时只能学到这里了,欢迎留言...
  • RSA加密算法是一对称加密算法。在公开密钥加密和电子商业中RSA被广泛使用。RSA是1977年由罗纳德·李维斯特(Ron Rivest)、阿迪·萨莫尔(Adi Shamir)和伦纳德·阿德曼(Leonard Adleman)一起提出的。当时他们...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 19,137
精华内容 7,654
关键字:

对称图形的几种