精华内容
下载资源
问答
  • 名人代言广告存在问题解决对策研究毕业论文.doc
  • 名人问题

    千次阅读 2017-02-27 23:08:17
     在一次聚会中,你想找出来聚会的人中所有的名人名人就是别人认识他,而他不认识别人。现在在聚会的k个人中,输入邻接矩阵adj[i][j]用来表示他们之间的关系,其中 adj[i][j]=1表示i认识j,adj[i][j]=0表示i不认识...

    题目:

          在一次聚会中,你想找出来聚会的人中所有的名人,名人就是别人认识他,而他不认识别人。现在在聚会的k个人中,输入邻接矩阵adj[i][j]用来表示他们之间的关系,其中   adj[i][j]=1表示i认识j,adj[i][j]=0表示i不认识j。

    输入:   第一行输入k,表示一共有k个人,编号从1到n

                之后k行输入邻接矩阵

    输出;   输出所有名人的编号,没有名人则输出-1


    输入示例:                                                     输出示例

    3                                                                   2

    0 1 0

    0 0 0

    1 1 1


    分析:拿到这题,最简单的方法就是对于每个人i,进行遍历,在i确定时,再遍历j,进行i和j之间的关系判断,最后找到名人,这个方法时间复杂度达到O(n^2),不是很有效率,这时我们就想能否找到一个时间复杂度只有O(n)的解决方案,答案是有的,而且不止一个,现在一一道来:

    想要进行优化,我们首先要知道一个问题,名人最多只有一个,不可能同时存在两个名人,这是很容易想的,我就不过多废话,并且在adj[i][j]=0,我们知道i不认识j,那么根据名人的定义,j肯定不是,如果adj[i][j]=1,那么也很容易得到i不是名人,那么这样在无论adj[i][j]是0还是1的情况下,都能排除其中一个人不是名人,那么只需要在剩下的人中进行查找即可.

    那么我们就可以将目前比较的人i,j保存在数组的前两个元素中,每次判断后都从将数组的最后一个人替换掉刚才不是名人的那个人,直到判断到只剩下一个人,那么再对那个人进行具体的判断,具体源码见下:

    #include<iostream>
    using namespace std;
    #define Max 10000
    int n;
    int adj[Max][Max];
    int findFamous()
    {
    	int person[Max];           // person存放还未判断是不是名人的数组 
    	for(int i=0;i<n;i++)
    	{
    		person[i]=i;
    	}
    	int count=n;
    	while(count>1)
    	{
    		if(adj[0][1])                    //第一个人认识第二个人,说明第一个人不是名人 
    		  person[0]=person[--count];     //从 person中删除第一个人 
    	    else
    	      person[1]=person[--count];      //第二个人认识第一个人,说明第二个人不是名人 
    		                                    //从 person中删除第二个人 
    	}
    	//剩下只有person[0]才有可能是名人,再进行完全判断一下
    	for(int i;i<n;i++)
    	{
    		if(person[0]!=i && (adj[person[0]][i]==1 || adj[i][person[0]]==0))
    		   return -1;
    	} 
    	return person[0]+1;
    }
    int main()
    {
    	cin>>n;
    	for(int i=0;i<n;i++)
    	{
    		for(int j=0;j<n;j++)
    		  cin>>adj[i][j];
    	}
    	
    	cout<<findFamous()<<endl;
    	return 0;
    }

    下面的一个方法和上面的思想类似,只是 i,j一开始分别指向数组的第一个人和最后一个人,在比较后,那一边的人不是名人,那么i或者j指针就分别向中间移动,直到最后i=j.
    #include<iostream>
    using namespace std;
    #define Max 10000
    int n;
    int adj[Max][Max];
    int findFamous()
    {                                 //i,j的意义: 
    	int i=0,j=1;                 //i,j表示有可能是名人的两个人 
    	                            //且下标为0~i-1的人不是名人;下标i+1~j-1的不是名人 
    	while(j<n)
    	{
    		if(adj[i][j])                    //i认识j,说明i不是名人,那么这时 标为0~i-1和下标i+1~j-1再加上 
    		                                 //i不是名人,则0到j-1都不是名人,则i=j,这时还是满足i,j的意义 
    		  i=j;     
    	                                     //在i认识j时,直接j++,就行,i+1~j-1范围扩大一个
    		j++;								 //但是这里要注意的是,即便i认识j,j还是要自加
    										 //这时i,j意义还是满足的 
    	}
    	//i,j不断增大,最终j>=n超出下标范围,i表示最终有可能的名人 
    	//剩下只有person[0]才有可能是名人,再进行完全判断一下
    	for(int k=0;k<n;k++)
    	{
    		if(k!=i && (adj[i][k]==1 || adj[k][i]==0))
    		   return -1;
    	} 
    	return i+1;
    }
    int main()
    {
    	cin>>n;
    	for(int i=0;i<n;i++)
    	{
    		for(int j=0;j<n;j++)
    		  cin>>adj[i][j];
    	}
    	
    	cout<<findFamous()<<endl;
    	return 0;
    }

    最后的一个方法则有点绕,i<j,且i,j的意义是:i,j表示有可能是名人的两个人 ,且下标为0~i-1的人不是名人;下标j+1~n-1的不是名人 ,具体的i,j的变化趋势见如下代码:
    #include<iostream>
    using namespace std;
    #define Max 10000
    int n;
    int adj[Max][Max];
     
    int findFamous()
    {                                 //i,j的意义: 
    	int i=0,j=n-1;                //i,j表示有可能是名人的两个人 
    	                              //且下标为0~i-1的人不是名人;下标j+1~n-1的不是名人 
    	while(i<j)
    	{
    		if(adj[i][j])                    //i认识j,说明i不是名人,那么这时 i++,则i左侧不是名人的范围扩大 
    		  i++;     
    	     else                            //在i认识j时,直接j--,就行,j+1~n-1范围扩大一个
    		  j--;								 
    	}
    	//最终i=j,由逻辑上可以知道,最对只有一个名人,下标为i,则最终i左边0~i-1和i右边i+1~n-1都不是名人 
    	for(int k=0;k<n;k++)
    	{
    		if(k!=i && (adj[i][k]==1 || adj[k][i]==0))
    		   return -1;
    	} 
    	return i+1;
    }
    int main()
    {
    	cin>>n;
    	for(int i=0;i<n;i++)
    	{
    		for(int j=0;j<n;j++)
    		  cin>>adj[i][j];
    	}
    	
    	cout<<findFamous()<<endl;
    	return 0;
    }

    PS:上学后,事情多,争取每周两篇左右,每篇一道算法题目的分析~

    展开全文
  • 一个真正的高手,其实应该有能力用一套方法论去解决问题的所有,不管这个问题再难,再新鲜,再简单都能搞定。 什么是问题?一言以蔽之,问题来源于现实与目标的差距。 因此,问题产生的原因可能是: ...

    一个真正的高手,其实应该有能力用一套方法论去解决问题的所有,不管这个问题再难,再新鲜,再简单都能搞定。

    什么是问题?一言以蔽之,问题来源于现实与目标的差距。

    因此,问题产生的原因可能是:

    • 不清楚目标是什么;
    • 还可能是不知道差距产生的原因是什么;
    • 或者虽然知道差距产生的原因,但是不知道如何消除这个差距,以及不确定消除差距的方法对不对。

    这些问题会不断地出现在我们的工作和生活中,能较好解决的问题,我们称之为“问题”,无法较好解决的问题,我们称之为“麻烦”。而一个真正的高手,其实应该有能力用一套方法论去解决问题的所有,不管这个问题再难,再新鲜,再简单都能搞定。

    会解决问题的人和不会解决问题的人,在实际工作和生活当中有什么区别呢?

    比如说你的朋友想找你咨询一个新产品,说,“小王我们开发了一个新产品,这个产品的表现不太好,用户付费转化不够,怎样才能提高用户付费转化率?”

    这个时候,你要是不会解决问题,你要是不会解决问题,你会怎么做呢?很可能你就开始在头脑里想象一些碎片式的解决方案了。比如说是不是产品存在问题、运营是不是存在问题,是不是需要做推广来获得更多的流量等等。

    这里面有没有可能有正确的答案呢?当然有可能的。但是,这肯定不是一个解决问题的高手会做的事情。真正的高手具备解决问题的思考框架,能够采用系统思维的思考方式来解决问题。

    解决问题的四个步骤

    解决问题有以下四个步骤:

    • 第一步,明确和理解问题;
    • 第二步,拆分和定位问题;
    • 第三步,提出解决方案;
    • 第四步,总结问题。

    在这四步里,提出解决方案其实放的很靠后。第二步,也就是拆解和定位问题,反而是整套方法里最重要的。

    如果你想要解决问题,你就必须用80%的精力去拆解和定位这个问题,剩下20%的精力去寻找解决方案,其实就足够了。因为,当问题被拆分得足够细,足够清晰的时候,你就会发现解决方案原来是这么明显,每个人都可以办得到。

    在这里,我们分享了解决问题的四个步骤,这四个步骤非常的重要,我要在这里重复一下。

    1. 第一步 明确及理解问题
    2. 第二步 拆分及定位问题
    3. 第三步 提出解决方案
    4. 第四步 总结问题

    其中拆分和定位问题是最关键的一环。但是,我们总归要从第一步开始做起。所以这篇就从第一步,明确及理解问题讲起。

    明确问题的四个方法

    你可以采用以下四个方法来明确及理解问题:

    方法一、准确地描述问题

    语言(包括口头语言和书面语言)是我们传递信息、交流思想、表达感情的主要工具。每一句话中的文字都会表达一些意思,但往往这些意思并不能传达说话者内心所说的全部观念和意义,正所谓“书不尽言,言不尽意”。

    这种语言中有很多说不出来的意思的情况,既可能是表达者自身局限所导致的,也可能是根本就不可能说出来。但无论是哪种情况,既然你现在已经知道了语言往往不能传达说话者全部的含义,那就需要在分析问题前了解说话者的意图。

    案例——员工流动率高的问题

    假设你新加入一家公司担任人力资源总监。上班第一天,老板跟你说公司员工的流动率高,请你出具一个解决方案,你会怎么做呢?你是不是第一时间又想到了工资低、工作环境恶劣等原因?你有想过不同人对“高”的定义不一样吗?

    假如你的老板是一位偏完美主义的管理者,哪怕1年内100位员工中走了5位,他也会觉得员工流动率高。也有可能你的老板是一位纯结果导向的管理者,3个月内100位员工中走了20位,他并不觉得员工流动率高。你再想想,当你第一时间看到“员工流动率高”的时候,你大脑中的情景是怎样的?如果不先进行澄清,你是不是又会同导入案例一样,做了大部分的无用功。

    “高”、“低”这样的形容词在大部分时候并不能精确地表达说话者的全部含义,因此你必须先用数字澄清。这就好比你对工资的看法:有两个人,一人告诉你他工资高,另一人告诉你他工资很低,你大脑中第一时间想到的是两个人的工资分别是多少。假如第一个人是刚刚毕业的大学生,月薪是6 000元;第二个人工作了10年,月薪是20 000元。情况是不是与你大脑中所想的“高”、“低”不一致?

    方法二、明确问题的构成要素

    我们在平时的工作、生活或学习中,经常接到各种各样的任务?工作中有领导分派的或大或小的任务,生活中有家务、旅游等事情,学习中有班级活动、学习安排等事项,你是应对自如,还是经常手忙脚乱、丢三落四?我们结合下面的案例来分析。

    案例——上海出差

    假设你是某家公司的项目经理。上周六完成了一个项目,周一刚刚回到公司。上午10:00,你的电话铃声突然响了,是公司一位“大神”级的项目总监打过来的。这位项目总监是公司的名人,全公司的年轻项目经理都想跟他一起做项目,你当然也不例外。现在,他在电话里让你当晚赶到上海参与某项目的实施,你要怎样答复他呢?

    你心里会不会这么想:“哇,难得有机会跟仰慕已久的资深项目总监做项目,手头正好又没事,那还不赶紧答应!小心这个机会被其他人抢了。”

    假如你真是这么想的,那么就让我们一起准备去上海的事宜吧。

    首先是订票。是订高铁票还是订飞机票?两种方式好像都能保证当天到上海。假设订飞机票,是订到浦东机场的,还是订到虹桥机场的?忘了问项目的具体地址,有点蒙圈……

    (赶紧打电话跟“大神”确认了项目地址是张江高新区。“大神”很亲切,除告诉地址外,还特别提醒你最好在18:00前到,这样可以一起吃晚饭并交流项目情况。)

    订票问题总算解决了,接下来是准备出差所需的东西。应该带什么过去呢?是带应季的衣服,还是换季的衣服也带过去?似乎忘了问你过去上海做什么,以及会在上海待多久。

    (赶紧再给“大神”打一个电话。虽然知道了要待三个月,但是明显感觉到“大神”在电话中的语气没有上一次亲切。)

    总算打包好了,准备出发。你突然想起来,有没有人一起从深圳过去?项目上都已经有哪些人了?作为新人,带点深圳特产去打个招呼也好啊。可是也忘了问!

    (再打一个电话给“大神”?哎,还是算了吧。上次“大神”似乎就有点不耐烦,再打一次电话,“大神”估计要另请高明。)

    怎么样,通过一起准备出差事宜,是不是发现原来自己有这么多内容都漏了确认?我们在日常的工作、生活和学习中,经过会碰到各种任务类的问题,如果你在第一时间就跟对方确认清楚,一是可以减少反复确认的时间,提高效率,二是可以给对方留下一个“思维缜密”的好印象。反之,你就可能浪费时间,并给对方留下一个“考虑问题不周”的坏印象。

    那么怎样才能在第一时间就确认清楚这类任务式问题的所有要素?非常简单,采用“5W2H”的框架明确问题的构成要素即可。

    5W2H分析法,又称“七何”分析法,第二次世界大战时期由美国陆军兵器修理部首创。它易于理解、使用,富有启发意义,广泛用于企业管理和技术活动,对于决策和执行性的活动非常有帮助,也有助于弥补考虑问题的疏漏。

    回到项目总监让你到上海出差的问题,你可以在电话里运用“5W2H”的框架跟他一次性确认所有关键要素。

    1. 为什么要你去(Why)?
    2. 该项目的情况以及你过去主要做什么(What)?
    3. 具体什么时间到,什么时间结束(When)?
    4. 项目的具体地址,去了住哪儿(Where)?
    5. 都有哪些人在项目上,有人一起去上海吗(Who)?
    6. 去上海可允许乘坐的交通工具有哪些(How)?
    7. 有多少预算可以用(How Much)?

    方法三、探究问题的本质

    “准确地描述问题”和“明确问题构成要素”这两种明确及理解问题的方法容易上手,但真正掌握它们的关键在于,你平时要有意识地多多练习,以尽快形成习惯。下面来讲讲明确问题的深水区,也是威力最大的区域,探究问题的本质。

    日常的工作、生活和学习中,我们总是能碰到各种各样的问题,但是大部分时候,真正的问题并不会自动摆在你的面前,它们会以问题的表象、问题的初步解决方案,或者无关的干扰信息等形式出现。大多数人都会被这些偏差迷惑,从而偏离问题的真正解决之道。

    下面我们还是通过案例来体验。

    区分问题的表象与问题的根本原因

    案例——员工上班聊QQ的问题

    假设你是某个企业的老板,某天你发现公司有一半员工上班时用QQ与朋友闲聊。从彻底解决问题的目的出发,你会怎么做呢?

    你认为直接安装一款QQ屏蔽软件?据我所知,不少知名企业采用了这样的QQ屏蔽措施,工作沟通改用企业内部的IM。

    “这样可能不行吧?”也许你心里有些疑惑。是的,虽然不少知名企业采用了QQ屏蔽措施,但不见得你的企业也适用。万一员工上班用QQ闲聊是因为工作量不足呢?QQ被屏蔽后,他们可以用微信;微信被屏蔽后,可以当面聊天;当面聊天被禁止后,还可以看电子小说。打发时间的方式很多,绝对让你防不胜防!

    既然假设原因是工作量不足,那是不是直接给闲聊的员工多安排工作就可以了?

    “似乎事情没这么简单。”也许你在心里这么嘀咕。

    对的。在考虑给员工多安排工作前,你有想过为什么他们的工作量不饱和吗?是因为经理层工作安排不合理,还是因为压根就没有这么多的工作可安排?

    似乎渐入佳境了。假设你的经理们都很能干,原因出在公司根本就没有足够的任务派给用QQ闲聊的员工的话,你会怎么办呢?

    “裁员!”这个悲壮而又常见的词似乎自个儿蹦入你的脑海中。

    是的,裁员确实是解决公司人员冗余的常用方式之一。可是,你再问问自己为什么公司的人员会过剩。是因为人力资源部门根据公司扩张计划招聘的储备人员多了,还是因为某些原因导致公司的阶段性业务量下降了?

    假设原因是后者,你采用了裁员措施,万一业务量回升,那岂不是刚裁完人又要花费更大的成本去招人,还要再花费额外的时间和成本等待新人的成长。是不是得不偿失了?

    “如果是因为业务量减少,我就不会裁员。我会安排他们去开拓新市场!”也许你会这么回复我。

    但是,开拓新市场的决定真的可行吗?你在做决定之前再问问自己为什么业务量会减少吧。是因为临近春节,是因为市场被竞争对手蚕食,还是因为产品价格过高导致销量减少?

    如果是产品价格过高导致销量减少,你派人去开拓再多的新市场,恐怕都是无效的。

    “那,那我就降价!”你也许有些气急败坏了。

    如果你选择降价,你问一下自己为什么产品价格会偏高。聪明的你可能知道我会这么说。你兴许已经在脑子里想过各种各样的原因:可能是因为定价策略错了,可能是产品过时了,从而竞争对手都在降价清货。如果是后者,那么你的降价举措就无效了,你更应该选择的举措是升级产品。

    员工上班用QQ闲聊的小事,最终的可能解决措施竟然是看似风马牛不相及的升级产品。这是怎么做到的?

    其实很简单,这就是我要教给你的“探究问题本质”的第一种方法——5Why分析法。以上运用5Why分析法的过程如图所示。

    5Why分析法,又称“五问法”,是对一个问题点连续以5个“为什么”自问,探究其根本原因。虽为5个为什么,但使用时不限定只做5次为什么的探讨,有时可能只要3次,有时也许要10次,以达到你所在的层次能解决的根本原因为止。

    以我们刚才一起讨论的案例来说,如果你是公司的网管,那么你的解决方案可以只是安装一款QQ屏蔽软件;但如果你是公司老板,你就必须找到升级产品的方案。

    5Why分析法的关键:鼓励解决问题的人努力避开主观或自负的假设和逻辑陷阱,从结果着手,沿着因果关系链条,顺藤摸瓜,直至找出原有问题的根本原因。

    这种方法是丰田佐吉提出的,后来丰田汽车公司在发展完善其制造方法学的过程中也采用了这一方法。作为丰田生产系统(Toyota Production System)的入门课程的组成部分,这种方法成为其中问题求解培训的一项关键内容。丰田生产系统的设计师大野耐一曾经将五问法描述为“……丰田科学方法的基础……重复五次,问题的本质及其解决办法随即显而易见”。目前,该方法在丰田之外已经得到了广泛采用,并且现在在持续改善法、精益生产法以及六西格玛法中也得到了采用。

    既然5Why分析法起源于找出生产制造问题的根源,那接下来让我们一起看看5Why分析法应用的经典案例“车间油渍问题”,以复习和加深对5Why分析法的理解。

    区分问题的初步解决方案与问题本身

    上面面我们一起了解了“探究问题本质”的第一种类型——区分问题的表象与根本原因,并掌握了5Why分析法。接下来,我们一起了解“探究问题本质”的第二种类型——区分问题的初步解决方案与问题本身。

    案例——历史数据导入问题

    S公司接了某个大客户“财务+供应链”的ERP实施项目。项目金额是S公司有史以来最大的,因此公司特别重视。由于公司在顾问资源上的投入很大,因此截至8月系统上线前,项目的进度、实施质量都挺不错。

    不过,在新旧系统切换上线时,S公司碰到了一个大问题。客户方的项目负责人李总不仅要求将今年1月至7月的所有财务、业务数据导入新系统,还要求将前两年的财务、业务数据也都导入系统中。李总是财务总监,是客户方的二号实权人物,这个项目的成败由她说了算。因此绝对不能得罪她。

    对于李总的这个要求,S公司的项目经理孙经理有点傻眼。如果那样,工作量太大了先不说,可行性也不高。新系统将原先的物料、科目编码都做了优化调整,导入历史数据不是仅仅从旧系统中导出数据,再导入新系统就可以的,还需要做新旧编码的对应,以及调整所有相关历史销售订单、采购订单、出货单、生产订单和入库单等数据。

    孙经理找李总沟通了好几次,反复跟她强调这个要求的可行性风险和工作量。但是李总很强势,跟孙经理强调:“这是我们的核心需求,这些历史数据必须要导入到新系统中。如果连这么简单的事都做不到,我们还怎么使用这套系统呢?”

    孙经理没有办法,只好向公司申请更多顾问资源。结果公司所有在当地的顾问周六周日放弃休息,全部到该项目上帮忙整理历史数据和导入,项目组的顾问更是天天熬夜加班。可惜事与愿违,数据在整理和导入时问题重重,要修改的数据量太巨大了,项目组忙了一个月几乎确定这个方案的不可行性。

    孙经理现在要面临着李总的冲天怒火,公司历史上金额最大的项目看样子就要“烂尾”了。如果让你去拯救孙经理,你会怎么做呢?

    经过以上训练,我相信聪明的你可能已经看到了问题的端倪。

    李总为何一定要将前两年和当年1月至7月的历史数据导入到新系统中?孙经理有深耕李总提这个要求的原因吗?没有,他只是跟李总强调了风险和难度。

    那么真实的原因是什么?原来李总的公司准备在下一年的年中IPO,李总从证交所上市的要求出发,要保证IPO前至少3年的财务和业务数据是可查询的和连贯的,准备IPO也是选择上新系统的主要原因之一。因此,从李总的角度出发,如果新系统对公司IPO产生阻碍,这是绝对不能接受的。

    无解了吗?当然不是!要求将历史的财务和业务数据导入新系统只是李总针对真正问题的初步解决方案,而不是问题本身。从“IPO前3年数据要可查询和连贯”这个问题本身出发,有比李总提出的解决方案简单得多的方案:在新系统中定制开发一个接口,直接查询旧系统的数据即可。李总本身并不懂IT,在这个问题的解决方案上,她并不能提出最有效可行的方案。结果,一给李总提出这个新方案她就欣然接受了,再也不提导入历史数据的要求。

    一个程序员仅仅花两天的时间就完成了新解决方案,不但拯救了整个项目,还节省了大量的顾问人力成本。这就是“探究清楚问题本质”的威力!

    在现实的工作、生活和学习中,很多时候对方提出的问题都是经过他们初步加工后的解决方案,而非真正的问题。将问题的初步解决方案与问题本身混为一谈是最容易犯的错误之一,也是大量时间和精力浪费的根源之一。你需要找到真正的问题,而不是惯性地将初步解决方案当做问题本身来应对。

    方法四、显性化问题隐含的假设

    了解了“准确地描述问题”、“明确问题的构成要素”、“探究问题本质”三种明确及理解问题的方法,我们来到了更高阶的明确问题阶段:显性化问题隐含的假设。

    除了数学家生活的完美世界,我们在工作、生活和学习中碰到的所有问题都有一定程度的假设和应用边界。这句话似乎有点晦涩,暂时没理解没关系,继续往下看就明白了。

    “你是南方人,还是北方人?”

    也许你来自北国哈尔滨,那么我想你的答案肯定是“北方人”。

    也许你来自广西,那么我想你的答案应该是“南方人”。

    如果某人来自安徽淮南或者江苏扬州,那么他是南方人还是北方人呢?可能一部分人认为他是北方人,另一部分人认为是他南方人,这就看他把什么作为中国南北方的划分基准了。如果以秦岭淮河为划分标准,那么安徽淮南人和江苏扬州人就是南方人;如果以长江为划分标准,那么他们就是北方人。

    让我们再看哈尔滨人和广西人,他们就一定是北方人或南方人吗?以西伯利亚人的角度来看,哈尔滨人绝对是南方人;以越南人的角度来看,广西人是北得不能再北的北方人。

    现在你可能大致明白“除了数学家生活的完美世界,我们在工作、生活和学习中碰到的所有问题都有一定程度的假设和应用边界”的意思了。在你看到“你是南方人,还是北方人”这个问题时,你会不自觉地将你成长的环境因素代入进去考虑,你的大脑认为这是理所当然的,这就是“隐含的假设”。

    显性化问题隐含的环境假设

    “冰的熔点是0℃”,你知道这句话中包含了多少个假设吗?

    假如你学过初中物理,我想你可以从上面这句话中找出两个主要假设:一是冰是100%不含杂质的纯冰;二是在标准大气压下。

    我们生活在地球上,从小到大看到的、经历的都是在地球的物理环境下产生的现象。因此,地球的物理环境成为我们思考绝大部分问题时一个隐含的因素,可能我们自己不知道而已。

    你可能会问:“我知道这个有什么用呢?”

    不要着急,接下来让我们一起揭开隐含环境假设的价值。

    现在我们已经知道不是所有冰的熔点都是0℃。那有什么用呢?假如黑龙江省冬天的高速公路结冰了,做法是派人去铲冰吗?绝对不是,是撒盐!为什么?因为饱和的食盐水的熔点低于-20℃,只要温度高于-20℃,撒了盐的高速公路就会解冻。看,这就是用途!

    显性化问题隐含的时间假设

    我们暂且将“性格内向的人不适合做销售”这句话作为一条真理(事实上肯定不是的)。如果你正好是一位性格内向的人,你认为下面这条论断是否正确:“性格内向的人不适合做销售,你是一位性格内向的人,因此你不适合做销售。”

    这条论断从字面上看,逻辑很严谨,几乎无懈可击。因此你因性格不够外向而放弃一份销售工作似乎是理所应当之举。可是如果这条论断的陈述成立,我是否可以追问你一个逻辑类似的问题:“跑步需要能够迈动的双腿,你生下来的时候不会迈动双腿,因此你这辈子都不会跑步。”我想你绝对会认为这是你听过的最滑稽的论断。

    相信聪明的你已经看出了问题所在。“性格内向的人不适合做销售,你是一位性格内向的人,因此你不适合做销售”这句话里面隐含了一个时间假设,即“你这一辈子都性格内向”。找出了这个时间假设后,这个论断就可以改成:“性格内向的人不适合做销售,目前我是一位性格内向的人,我正好可以借助销售工作的锻炼来弥补我内向性格的不足。”看,你得出了一个截然相反的结论,世界上可能将多一位卓越的销售人员。

    隐含时间的假设广泛存在于我们的工作、生活和学习中,我相信你听过很多隐含时间假设的论断,也可能因未能显性化问题隐含的时间假设而错过了不少机会。

    例如,领导给你布置一个相当有挑战性的任务时,你的第一反应是“这个工作需要很强的沟通能力,我的沟通能力不行,因此我不能接这个任务”,还是“这个工作需要很强的沟通能力,目前我的沟通能力不行,正好可以借这个任务锻炼提升”呢?

    若是前者,你不仅辜负了领导的信任,还丧失了一次提升沟通能力的机会。而后者既可以提升沟通能力,又能够得到领导的青睐,即使任务没圆满完成,你的沟通能力的提升也绝对比你不接受这个任务要高得多。

    显性化理论/工具的应用前提和边界

    迈克尔·波特(Michael E. Porter)是哈佛商学院的大学教授。迈克尔·波特在世界管理思想界可谓是“活着的传奇”,他是当今全球的战略权威,是商业管理界公认的“竞争战略之父”。他在20世纪80年代初提出的波特五力竞争模型,可以说是当时企业竞争战略设计的不二选择

    但是,该理论在中国的企业实践应用时却缺陷多多,几乎没有成功的实践案例。是什么出问题了呢?是波特的能力不够,还是五力竞争模型压根就没用?其实都不是,问题是任何的理论和工具都有其使用的前提和假设。

    在不同的背景下使用时,我们需要对理论或工具进行必要的裁剪,有些时候甚至需要重新创造。波特五力竞争模型是波特基于20世纪80年代大规模工业化生产时期的背景提出来的,而且提炼是西方企业的管理经验,应用在互联网时代的中国时,随着时代和应用环境的不同,必然会出现水土不服的现象。

    同样的现象还有丰田的丰田生产体系(TPS)。TPS可以说是丰田管理的基石,促进丰田几十年的辉煌,但是学习TPS的企业却鲜有成功案例,日本之外的企业几乎没有应用成功的,即使在日本也仅有20%的企业成功学习了TPS。

    原因何在?因为TPS有其严苛的使用前提和假设:

    • 一是产品的需求的波动不能太大;
    • 二是企业有很强的执行力。

    这两个使用前提丰田公司完全具备,因此TPS在丰田发挥的作用非常大,但是其他公司很难同时具备这两个前提条件,照搬TPS的结果就是失败多而成功少。

    通过学习三种显性化问题隐含假设——显性化隐含的环境假设、显性化隐含的时间假设、显性化理论/工具的应用前提和边界,我相信你已经意识到了显性化问题隐含的假设是一种威力巨大的界定问题的方法,特别有助于我们发现问题不缜密的部分、拓宽分析问题的思路。

    展开全文
  • 而我的本意是:探索他们是如何解决问题。 另一个切入点:解决问题的首要点在于如何去定义一个问题,包括:问题的边界、场景等。实际上《提问的智慧》,可能对这个切入点有所帮助。 言外之意,我认为《提问的智慧》...

    写这篇文章的初衷:崇尚黑客思维,以及工作方式和方法,特别感兴趣的是他们是如何定义、探索并最终解决特定(特别是疑难的、大多数人无法解决的)问题的。而我的本意是:探索他们是如何解决问题

    另一个切入点:解决问题的首要点在于如何去定义一个问题,包括:问题的边界、场景等。实际上《提问的智慧》,可能对这个切入点有所帮助。

    言外之意,我认为《提问的智慧》表面上看是讲述如何提高发问技巧,以及在提问之前、之后需要做的工作,实际上告诉我们如何自行探索去解决问题

    《提问的智慧》是一个敲门砖,它把黑客间的礼仪和准则明白地写下来,让我们了解到一个事实,为什么那些看起来很牛的人几乎从不提问。其实他们也有问题,但是通常在提问之前就自己解决了。不是因为他们本来就牛,而是解决问题的经历让他们成为牛人。最终,你只会看到网络上多了一篇文章:关于解决 XXX 问题的方案。

    如果之前没有认真看过并且思考过,这十几分钟会改变你的职业生涯。要不要花十几分钟改变自己的人生,决定权在自己

    对于黑客,设身处地的讲,他们更喜欢能够提高他们理解力,以前从没意识到或者思考过的问题(公平的交易!)。相反,会蔑视那些「lusers」——不愿思考,或者在发问前不去完成他们应该做的事情,只愿索取,从不付出。

    我当然不想成为这样的人!无知没关系,但装白痴就是不行。

    黑客们更喜欢的问题:一个有内涵的、有趣的、有思维激励作用的问题。

    他们认为的好的提问方式,应该是能够在问题中体现这些特征:聪明、自信、有解决问题的思路。

    • 聪明,有解决问题的思路:能够对问题进行分析,有解决问题的大致方向
    • 自信:经过了多次尝试和验证,能够确定自己遇到的是一个真实存在的问题,而且经过了多次尝试获得了实践中的结果,能够帮助说明、分析问题。

      或者类似于其他的特质:机敏、有想法、善于观察、乐于主动参与解决问题…这些特质能够遇到人变得在行。

    Alt

    戒骄戒躁,踏踏实实做事情;谦虚、自信,而不是自以为是;有自己的做事风格,包括工作方式和心态;沉着、冷静,从大局考虑;做事情(例如向别人请教)前自己先做好必要的准备;掌握必要的沟通技巧。最后用这种态度:做一个技术高手!从事技术咨询工作的软件设计师。

    1 准备工作

    界定和描述问题是首要做的事情。很多时候我们并不是遇到问题就会立即去请求别人,如果这样大多数时候是在浪费大家的时间。有可能自己在遇到问题时,都还没有搞清楚这个问题的现状是什么,是哪么层面的问题,出问题的场景是怎样的…没有找出这些问题的答案,盲目去提问只能徒劳无功。

    此外,还需要为提问做一些准备工作:

    • 通读手册,试着自己找答案;

    • 在**「FAQ」**里找答案;

      Frequently Asked Questions:经常问到的问题,或者是常见问题解答。

      在很多网站上部可以看到 FQA 列出了一些用户常见的问题,是一种在线帮助形式。在利用一些网站的功能或者服务时往往会遇到一些看似很简单,但不经过说明可能很难搞清楚的问题,有时甚至会因为这些细节问题的影响而失去用户,其实在很多情况下,只要经过简单的解释就可以解决这些问题,这就是FAQ的价值。

      在网络营销中,FAQ被认为是一种常用的在线顾客服务手段,一个好的 FAQ 系统,应该至少可以回答用户 81% 的一般问题,这样不仅方便了用户,也大大减轻了网站工作人员的压力,节省了大量的顾客服务成本,并且增加了顾客的满意度。因此,一个优秀的网站,应该重视 FAQ 的设计。

    • 互联网上搜索答案;

      最常用的是 Google,其次就是Stack Exchange社区。

    • 尝试自己检查或试验以找到答案;

    • 向你身边精于此道的朋友打听答案;

    • 如果你是程序开发者,请尝试阅读源代码以找到答案。

    别像机关枪似的一次"扫射"所有的帮助渠道,这就像大喊大叫一样会使人不快。要一个一个地来。

    做的这些事情,实际都是在尝试分析和解决问题(附带着的是周全的思考)。此外,当你提问的时候,要说明在此之前你干了些什么,这有助于树立形象:不是一个妄图不劳而获的乞讨者。越表现出在寻求帮助前为解决问题付出的努力,你越能得到实质性的帮助。

    在提问时,可以使用下述口吻和语句

    1. “谁能给点提示?”
    2. “我这个例子里缺了什么?”
    3. “我应该检查什么地方?”

    这么做显得只要有人指点正确的方向,你就有解决它的能力和决心。

    2 注意事项

    • 谨慎选择提问的论坛、站点、社群等

      小心选择提问的场合。

      • 在风马牛不相及的论坛贴出问题;
      • 在探讨高级技巧的论坛张贴非常初级的问题,反之亦然;
      • 在太多的不同新闻组交叉张贴;
      • 向既非熟人也没有义务解决你问题的人发送私人电邮。

      上述

    • 用词贴切,语法正确,拼写无误

    用清晰、正确、精准并语法正确的语句描述问题。

    “粗心的写作者通常也是马虎的思考着!”回答粗心大意者的问题很不值得,我们宁愿把时间耗在别处。

    • 使用含义丰富,描述准确的标题

    在邮件列表或者新闻组中,大约 50 字以内的主题标题是抓住资深专家注意力的黄金时机。

    • 精确描述,信息量大

    • 仔细、清楚地描述问题或 Bug 的症状;

    • 提供问题发生的环境(机器配置、操作系统、应用程序以及别的什么);

    • 说明你在提问前是怎样去研究和理解这个问题的;

    • 说明你在提问前采取了什么步骤去拆解、解决它;

    • 罗列最近做过什么可能有影响的硬件、软件变更;

    • 尽可能地提供一个可以重现这个问题的既定环境的方法。

    尽量想象一个黑客会怎样发问你,在提问的时候预先给他答案。

    What steps will reproduce the problem? 
    该问题的重现步骤是什么?
    * 
    * 
    * 
    
    What is the expected output? What do you see instead? 
    你期待的结果是什么?实际看到的又是什么?
    
    What version of the product are you using? On what operating system? 
    你正在使用产品的哪个版本?在什么操作系统上?
    
    Please provide any additional information below.
    如果有的话,请在下面提供更多信息。
    

    遵循这个模板去描述问题,能省下很多沟通时间。

    • 话不在多,在精

      在提问时,需要提供精确有效的信息,这样做的好处有 3 点:

      • 表现出你为简化问题付出的努力,增加得到回答的机会;
      • 简化问题使你得到有用答案的机会增加;
      • 在提炼问题的过程中,也许就能找到问题所在或作出更正。

      可以低声下气,但还是要先做功课。别用原始灵长类动物的把戏来浪费你我的时间。取而代之的是,尽可能清楚地描述背景条件和你的问题情况。这比低声下气更好地定位了你的位置。

    • 只说症状,不说猜想
      告诉黑客们你认为问题是怎样引起的没什么帮助!如果你的推断如此有效,还用向别人求助吗?
      美国国务院的官方座右铭则是:让我看看(出自国会议员 Willard D. Vandiver 在1899年时的讲话:我来自一个出产玉米,棉花,牛蒡和民主党人的国家,滔滔雄辩既不能说服我,也不会让我满意。我来自密苏里州,你必须让我看看。)
      最有效描述程序问题的方法是提供最精简的 Bug 展示测试示例(bug-demonstrating test case)。什么是最精简的测试示例? 那是问题的缩影;一小个程序片段能刚好展示出程序的异常行为,而不包含其他令人分散注意力的内容。怎么制作最精简的测试示例?如果你知道哪一行或哪一段代码会造成异常的行为,复制下来并加入足够重现这个状况的代码(例如,足以让这段代码能被编译/直译/被应用程序处理)。如果你无法将问题缩减到一个特定区块,就复制一份代码并移除不影响产生问题行为的部分。总之,测试示例越小越好。

    • 按时间顺序列出症状
      对找出问题最有帮助的线索,往往就是问题发生前的一系列操作。因此,你的说明应该包含操作步骤,以及电脑的反应,知道问题产生。

    • 清楚明确地表达你的问题以及需求
      漫无边际的提问近乎无休止的时间黑洞。如果你明确表述需要回答者做什么(提供建议,发送一段代码,检查你的补丁或是别的),就最有可能得到有用的答案。(专业技术是充裕的资源,而回复的时间则是贫乏的资源)。优化问题的结构,尽量减少专家们解决它所需要的时间,会有很大的帮助。
      避免 X-Y Problem:
      1)有人想解决问题X
      2)他觉得Y可能是解决X问题的方法
      3)但是他不知道Y应该怎么做
      4)于是他去问别人Y应该怎么做?

      简而言之,没有去问怎么解决问题X,而是去问解决方案Y应该怎么去实现和操作。于是乎:
      
      1)热心的人们帮助并告诉这个人Y应该怎么搞,但是大家都觉得Y这个方案有点怪异。
      2)在经过大量地讨论和浪费了大量的时间后,热心的人终于明白了原始的问题X是怎么一回事。
      3)于是大家都发现,Y根本就不是用来解决X的合适的方案。
      

      X-Y Problem最大的严重的问题就是:在一个根本错误的方向上浪费他人大量的时间和精力!

    • 别问应该自己解决的问题
      黑客们总是善于分辨哪些问题应该由你自己解决。因为我们中的大多数都曾自己解决这类问题。同样,这些问题得由你来搞定,你会从中学到东西。你可以要求给点提示,但别要求得到完整的解决方案。

    • 去除无意义的疑问
      别用无意义的话结束提问,例如“有人能帮我吗?”或者“有答案吗?”

    • 谦逊绝没有害处,而且常帮大忙
      彬彬有礼,多用“请”和“先道个谢了”。让大家知道你对他们花费时间义务提供帮助心存感激。然而,如果你有很多问题无法解决,礼貌将会增加你得到有用答案的机会。

    • 问题解决后,加一个简短的补充说明
      问题解决后,向所有帮助过你的人发个说明,让他们知道问题是怎样解决的,并再一次向他们表达感谢。如果问题在新闻组或者邮件列表中引起了广泛关注,应该在那里贴一个补充说明。
      说明问题是怎样解决的,但大可不必将解决问题的过程复述一遍。除了表示礼貌和反馈信息以外,这种补充有助于他们在邮件列表、新闻组、论坛中搜索对你有过帮助的完整解决方案,这可能对他们也很有用。
      最后,这种补充有助于所有提供过帮助的人从中得到满足感。如果你自己不是老手或者黑客,那就相信我们,这种感觉对于那些你向他们求助的导师或者专家而言,是非常重要的。

    • 解读答案时,进一步分析答案
      对于答案,如果你不是很理解,别理解要求对方解释。像你以前试着自己解决问题时那样,去理解它。如果你真的需要对方解释,记得表现出你已经学到了点什么。

    3 不该问的问题

    以下是几个经典蠢问题,以及黑客没回答时心中所想的:

    问题:我能在哪找到 X 程序或 X 资源?

    回答:就在我找到它的地方啊,白痴 – 搜索引擎的那一头。天哪!难道还有人不会用 Google 吗?

    问题:我怎样用 X 做 Y?

    回答:如果你想解决的是 Y ,提问时别给出可能并不恰当的方法。这种问题说明提问者不但对 X 完全无知,也对 Y 要解决的问题糊涂,还被特定形势禁锢了思维。最好忽略这种人,等他们把问题搞清楚了再说。

    问题:如何设定我的 shell 提示??

    回答:如果你有足够的智慧提这个问题,你也该有足够的智慧去 RTFM (Read The Fucking Manual),然后自己去找出来。STFW(Search The Fucking Web)

    问题:我可以用 Bass-o-matic 文件转换工具将 AcmeCorp 档案转换为 TeX 格式吗?

    回答:试试看就知道了。如果你试过,你既知道了答案,就不用浪费我的时间了。

    问题:我的程序/设定/SQL语句没有用。

    回答:这不算是问题吧,我对要我问你二十个问题才找得出你真正问题的问题没兴趣 – 我有更有意思的事要做呢。在看到这类问题的时候,我的反应通常不外乎如下三种

    • 你还有什么要补充的吗?
    • 真糟糕,希望你能搞定。
    • 这关我有什么屁事?

    问题:我的 Windows 电脑有问题,你能帮我吗?

    回答:能啊,扔掉萎软的垃圾,换个像 Linux 或 BSD 的开放源代码操作系统吧。

    注意:如果程序有官方版 Windows 或者与 Windows 有互动(如Samba),你可以问与Windows相关的问题, 只是别对问题是由 Windows 操作系统而不是程序本身造成的回复感到惊讶, 因为 Windows 一般来说实在太烂,这种说法通常都是对的。

    问题:我的程序不会动了,我认为系统工具 X 有问题

    回答:你完全有可能是第一个注意到被成千上万用户反复使用的系统调用与函数库档案有明显缺陷的人,更有可能的是你完全没有根据。不同凡响的说法需要不同凡响的证据,当你这样声称时,你必须有清楚而详尽的缺陷说明文件作后盾。

    问题:我在安装 Linux(或者 X )时有问题,你能帮我吗?

    回答:不能,我只有亲自在你的电脑上动手才能找到毛病。还是去找你当地的 Linux 使用群组者寻求实际的指导吧。

    注意:如果安装问题与某 Linux 的发行版有关,在它的邮件列表、论坛或本地使用者群组中提问也许是恰当的。此时,应描述问题的准确细节。在此之前,先用 Linux 和所有被怀疑的硬件作关键词仔细搜索。

    问题:我怎么才能破解 root 帐号/窃取 OP 特权/读别人的邮件呢?

    回答:想要这样做,说明了你是个卑鄙小人;想找个黑客帮你,说明你是个白痴!

    4 好问题和蠢问题

    透过举一些例子,来说明怎样聪明的提问;同一个问题的两种问法被放在一起,一种是愚蠢的,另一种才是明智的。

    蠢问题:

    我可以在哪儿找到关于 Foonly Flurbamatic 的资料?

    这种问法无非想得到 STFW 这样的回答。

    聪明问题:

    我用Google搜索过 “Foonly Flurbamatic 2600”,但是没找到有用的结果。谁知道上哪儿去找对这种设备编程的资料?

    这个问题已经 STFW 过了,看起来他真的遇到了麻烦。

    蠢问题:

    我从 foo 项目找来的源码没法编译。它怎么这么烂?

    他觉得都是别人的错,这个傲慢自大的提问者

    聪明问题:

    foo 项目代码在 Nulix 6.2 版下无法编译通过。我读过了 FAQ,但里面没有提到跟 Nulix 有关的问题。这是我编译过程的记录,我有什么做的不对的地方吗?

    提问者已经指明了环境,也读过了FAQ,还列出了错误,并且他没有把问题的责任推到别人头上,他的问题值得被关注。

    蠢问题:

    我的主机板有问题了,谁来帮我?

    某黑客对这类问题的回答通常是:好的,还要帮你拍拍背和换尿布吗?,然后按下删除键。

    聪明问题:

    我在 S2464 主机板上试过了 X 、 Y 和 Z ,但没什么作用,我又试了 A 、 B 和 C 。请注意当我尝试 C 时的奇怪现象。显然 florbish 正在 grommicking,但结果出人意料。通常在 Athlon MP 主机板上引起 grommicking 的原因是什么?有谁知道接下来我该做些什么测试才能找出问题?

    这个家伙,从另一个角度来看,值得去回答他。他表现出了解决问题的能力,而不是坐等天上掉答案。

    在最后一个问题中,注意告诉我答案和给我启示,指出我还应该做什么诊断工作之间微妙而又重要的区别。

    事实上,后一个问题源自于 2001 年 8 月在 Linux 内核邮件列表(lkml)上的一个真实的提问。我(Eric)就是那个提出问题的人。我在 Tyan S2464 主板上观察到了这种无法解释的锁定现象,列表成员们提供了解决这一问题的重要信息。

    通过我的提问方法,我给了别人可以咀嚼玩味的东西;我设法让人们很容易参与并且被吸引进来。我显示了自己具备和他们同等的能力,并邀请他们与我共同探讨。通过告诉他们我所走过的弯路,以避免他们再浪费时间,我也表明了对他们宝贵时间的尊重。

    事后,当我向每个人表示感谢,并且赞赏这次良好的讨论经历的时候, 一个 Linux 内核邮件列表的成员表示,他觉得我的问题得到解决并非由于我是这个列表中的名人,而是因为我用了正确的方式来提问。

    黑客从某种角度来说是拥有丰富知识但缺乏人情味的家伙;我相信他是对的,如果我像个乞讨者那样提问,不论我是谁,一定会惹恼某些人或者被他们忽视。他建议我记下这件事,这直接导致了本指南的出现。

    5 无法找到答案

    如果仍得不到回答,请不要以为我们觉得无法帮助你。有时只是看到你问题的人不知道答案罢了。没有回应不代表你被忽视,虽然不可否认这种差别很难区分。

    总的来说,简单的重复张贴问题是个很糟的点子。这将被视为无意义的喧闹。有点耐心,知道你问题答案的人可能生活在不同的时区,可能正在睡觉,也有可能你的问题一开始就没有组织好。

    你可以通过其他渠道获得帮助,这些渠道通常更适合初学者的需要。

    有许多网上的以及本地的使用者群组,由热情的软件爱好者(即使他们可能从没亲自写过任何软件)组成。通常人们组建这样的团体来互相帮助并帮助新手。

    另外,你可以向很多商业公司寻求帮助,不论公司大还是小。别为要付费才能获得帮助而感到沮丧!毕竟,假使你的汽车发动机汽缸密封圈爆掉了-- 完全可能如此 --你还得把它送到修车铺,并且为维修付费。就算软件没花费你一分钱,你也不能强求技术支持总是免费的。

    对像是 Linux 这种大众化的软件,每个开发者至少会对应到上万名使用者。根本不可能由一个人来处理来自上万名使用者的求助电话。要知道,即使你要为这些协助付费,和你所购买的同类软件相比,你所付出的也是微不足道的(通常封闭源代码软件的技术支持费用比开放源代码软件的要高得多,且内容也没那么丰富)。

    6 其他资料

    • 如何成为一名黑客
    • 如何向开源社区提问题
    • 如何有效地报告Bug
    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
    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;...通过系统仿真实验与分析发现:人脸特征的提...

    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
  • 问题背景:据说著名犹太历史学家 Josephus有过以下的故事:在罗马人占领乔塔帕特后,39 个犹太人与Josephus及他的朋友躲到一个洞中,39个犹太人决定宁愿死也不要被敌人抓到,于是决定了一个自杀方式,41个人排成一个...
  • 《人工智能杂记》人工智能时间简史

    万次阅读 多人点赞 2018-03-13 08:54:55
    第二,问题的复杂性,早期人工智能程序主要是解决特定的问题,因为特定的问题对象少,复杂性低,可一旦问题上升维度,程序立马就不堪重负了;第三,数据量严重缺失,在当时不可能找到足够大的数据库来支撑程序进行...
  • Redis热点问题发现及通用解决方案

    千次阅读 2019-03-08 08:37:15
    在此解决方案中,发现并存储热点以解决热点问题。 具体来说,客户端访问SLB并通过SLB将请求分发给代理。然后,代理通过路由将请求转发到后台Redis。 此外,还在服务器上添加了缓存。 具体而言,将本地缓存...
  • 名人问题 在一个大矩形中找到一个带有四个角的小矩形 在数组中查找独立的零件 在网格中找到最长的连续递增子数组 通过从现有数组中删除元素来形成一个升序数组 给定一个整数数组和一个范围,找到所有子数组,使它们...
  • 名人问题 (Celebrity problem)

    万次阅读 2012-07-02 00:00:42
    问题: 在一个房间里有 N 个人,其中一个是... 请问最少要问多少个问题才能把名人找出来? 分析: 我们把人编号,比如从1 到 N。  我们考虑最坏情况:你问每一个人是否认识 X ,如果大家都认识,那么 X 一定是
  • 软件需求与问题解决

    千次阅读 2019-02-25 14:24:40
    软件需求与问题解决
  • 重要声明:本文出自公众号:《管理的...这篇文章里,作者从“一家零售店的困境”出发,用实际例子来解读6种层次不同的人才,是如何思考、解决问题的。 思维层次,很大程度会决定你的人生高度。 文章看不懂的地方可以...
  • 名人 (347) 前 K 个频繁元素 (349) 两个数组的交集 (442) 查找数组中的所有重复项 (605) 可以放置鲜花 (624) 数组中的最大距离 (723) 糖果粉碎 (896) 单调阵列 (933) 最近通话次数 (941) 有效的山阵 (977) 有序...
  • 使用遗传算法解决N皇后问题

    千次阅读 2021-01-02 22:15:05
    经典的N皇后问题最初被称为八皇后拼图,起源于国际象棋。任务是将八名皇后放置在棋盘上,而且他们中的任何两个都不互相构成威胁。换句话说,没有两个皇后可以在同一行、同一列或同一对角线。概括而言,N皇后问题使用...
  • 即便获得了联系方式,请教的问题往往也得不到答复?难道大神都那么高冷和忙碌吗? 索要联系方式 遇到一位大神,你说:非常崇拜您,想请教一些问题,能否加个微信?这种要联系方式的结果往往是被拒绝。而更好的方式是...
  • 使用遗传算法解决图着色问题

    万次阅读 2021-01-04 11:05:09
    在图论中,图是对象的结构化集合,用于表示对象对之间的关系。对象在图中表示为顶点(或节点),而一对对象之间的关系使用边表示。图是非常有用的对象,因为它们可以用于表示大量的现实...使用遗传算法解决图着色问题
  • Hackerrank:解决问题,Python,C,C ++,SQL,30天代码,Java,JavaScript。 (超过150个问题) CodeChef解决方案 CodeForces解决方案 极客 LeetCode CodeWars 已加星标的问题 :grinning_face: (包含重要问题...
  • 【读书笔记】《解决问题最简单的方法》

    千次阅读 热门讨论 2016-03-06 15:48:46
    部分引言:在书中,我们将总结来自心理学家、数学家、商业... 从网上下载了PDF版电子书,看了一个多小时,书中有好多测试题和一些类似于脑筋急转弯的题,让我发现思维方式对于解决问题有很大影响,但是思维方式估计是
  • 名人测验 随意使用源代码 :recycling_symbol: :grinning_face: 一个简单的Android测验应用程序,允许用户为每个问题选择正确的答案(可以跳过任何问题),并给出图像提示。 在Android Studio 3.5.3中创建,最低SDK...
  • 专家名人谈编程的作用

    千次阅读 2017-12-01 13:30:24
    你喜欢解决问题吗?团队合作是种能力吗?你是否想具有改变世界的力量?如果是,编程就是为你准备的!”——Ed Lazowska, University of Washington,计算机科学家 (17)“学习编程使孩子们更具有能量感、...
  • [计算机名人]8位

    万次阅读 2014-06-10 18:24:20
    1950年,他提出关于机器思维的问题,他的论文“计算机和智能(Computing machinery and intelligence),引起了广泛的注意和深远的影响。 图灵试验 1950年10月,图灵又发表了另一篇题为“机器能思考吗”的...
  • 归纳法之名人问题

    千次阅读 2010-07-08 11:17:00
    <br />名人问题 定义:在所有n个人中,一个被所有其他人知道但却不知道别人的人。 如果存在这样的名人,找出来。 判断张三是否知道李四的唯一办法是提问(查询)张三:“你知道李四吗?”。...
  • 把自己在这个过程中遇到的问题做一个记录 TypeError: a bytes-like object is required, not ‘str’ AttributeError: ‘NoneType’ object has no attribute ‘get_text’ RandomForestClassfier.fit(): ...
  • 计算机的名人名言

    千次阅读 2019-07-22 23:23:25
    计算机并不解决问题,它们只是执行解决方案. --Laurent Gasser “Large increases in cost with questionable increases in performance can be tolerated only in race horses and women.” - Lord Kelvin ...
  • 数据挖掘领域的冷启动是个专业问题,我们不做分析,这里要讲的是互联网产品的“冷启动”问题。或者更准确的说是借用“冷启动”这个概念,来解释一下新产品如何获取第一批用户。 为何会出现冷启动的问题 事实上...
  • 按收到问题的顺序,在dailycodingproblem.com上解决问题。 由于日期不足以在以后再次发现这些问题,因此,我将它们都链接到此处以进行快速单词搜索。 问题 2021年1月 1个 Pinterest (中)询问了此问题。 在聚会上...
  • 曾经,程序员是中专毕业孩子不得己的职业选择,随着这几年互联网公司的兴起,编程成了炙手可热的技能,很多名人大咖也趁机展示了一下自己的编程实力,他们的内心OS可能是这样的:看,我就是这么腻害! 今天,就带你...
  • 我很想解决这些问题。 科技栈 React JS Redux 表示 节点JS 码头工人 工具 巴别塔 Webpack 现在 云前 概念 渐进式Web应用 应用程序外壳 组件骨架 渐进图像加载 服务器端渲染 客户响应缓存 来自服务器的缓存CSS ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 13,455
精华内容 5,382
关键字:

发现问题解决问题的名人