近年來,深度學習發(fā)展迅猛,在國內外都引起廣泛關注。由于深度學習具有強大的學習能力,已經成功應用于多種模式分類問題中。在實際生活中,樣本的特征維數經常會很高,而樣本的獲取總是存在困難,因此小樣本問題是普遍存在的。研究如何在小規(guī)模的樣本集提高學習算法的準確率具有重要意義。本文提出了基于概率圖模型的分類方法。首先我們給出了聚合空間和特征空間的定義,證明聚合空間可表示對象集的邊緣概率,特征空間可表示對象集的聯合概率。運用概率圖模型理論,將聚合空間和特征空間構造為結點集在聚合空間集和其自己的連接邊上構造權重,通過學習訓練樣本,更新參數。實現網絡的分類功能。為了驗證本文方法的有效性,和在小樣本集中分類的準確率,在15Scence和Caltech101圖像數據集上進行驗證試驗。實驗結果表明本文方法在小樣本集上有較好的分類效果。其次,提出基于概率圖模型的表情分類方法。在傳統表情識別方法研究中,研究者多將整張面部表情圖像作為特征信息,從而忽視了面部各區(qū)域之間的相互關系�；诖�,本文提出了一種表情區(qū)域分割方法,將面部表情圖像劃分為5個面部區(qū)域,基于概率圖模型的理論基礎,構建5個表情分類子網絡,建立Soft... 

【文章來源】：遼寧工程技術大學遼寧省

【文章頁數】：71 頁

【學位級別】：碩士

【部分圖文】：

人臉表情識別流程圖

遼寧工程技術大學碩士學位論文7所有單個節(jié)點所對應的分布的乘積[31]。貝葉斯定理如下:（2.6）式中是已知后發(fā)生的條件概率。也由于得自的取值而被稱作的后驗概率。是已知后發(fā)生的條件概率。也由于得自的取值而被稱作的后驗概率。是的先驗概率或邊緣概率。是的先驗概率或邊緣概率。之所以稱為”先驗”是因為它不考慮任何B方面的因素。貝葉斯定理可表述為：后驗概率=（相似度*先驗概率）/標準化常量貝葉斯網絡通過一個有向無環(huán)圖來表示一組隨機變量跟他們的條件依賴關系。每一個節(jié)點通過條件概率分布來參數化。如圖2.1是一個簡單的貝葉斯網絡，其對應的全概率公式為：（2.7）圖2.1貝葉斯網絡示例Figure2.1IllustratingofBayesiannetwork2.1.3馬爾科夫隨機場馬爾科夫隨機場采用無向圖來表達變量間的相互作用[32]。馬爾可夫隨機場是生成式模型，生成式模型最關心的是變量的聯合概率分布。由于變量之間沒有明確的因果關系，它的聯合概率分布通常會表達為一系列勢函數（potentialfunction）的乘積。如圖2.2所示。圖中的每個節(jié)點表示一個或一組變量，節(jié)點之間的邊表示兩個變量之間的依賴關系。馬爾科夫隨機場有一組勢函數，是定義在變量子集上的非負實數，主要用于定義概率分布函數。()(|)(|)()PAPBAPABPBP(A|B)BABAP(A|B)ABABP(A)AP(B)BP(a,b,c)P(c|a,b)P(b|a)P(a)

遼寧工程技術大學碩士學位論文8圖2.2馬爾科夫隨機場示例Figure2.2IllustratingofMarkovrandomfield對于圖中節(jié)點的一個子集，若其中任意兩節(jié)點間都右邊鏈接，則稱該節(jié)點子集為一個“團”。多個變量之間的聯合概率分布能基于團分解為多個因子的乘積，每個因子僅與一個團相關。即對于個變量，所有團構成一個集合，稱這個集合為，與團對應的的集合記為，則聯合概率定義為：（2.8）其中為團對應的勢函數，用于對團中的變量關系進行建模，為規(guī)范化因子，以確保是被正確定義的概率。2.1.4概率圖模型的分類概率圖模型的分類原理如下：給出一個對象集，求該對象集出現的情況屬于每個類別的概率，發(fā)生概率最大的類別即為該對象的所屬類別。概率圖模型的分類思想用數學語言表示如下：1）假設12(,,,)nXxxxC是一個對象集，它可能所屬的類別集為12(,,,)mYyyyC；2）計算該對象在類別集上的概率分布為12(|),(|),,(|)mPyXPyXPyXμ；3）找出概率分布中概率值最大的一項，即計算12(|)max{(|),(|),,(|)}jmPyXPyXPyXPyX（2.9）其中j[1,m]，jy就是對象集所屬類別。概率圖模型分類的關鍵技術在于步驟2）中的概率分布，如何計算該概率分布即為本文研究重點。2.2參數訓練概率圖模型的應用需要解決結構學習、參數學習和概率推理三個問題[27]。結構學習是n12{,,,}nxxxxCQCQxP(x)1()()QQQCPxxZQQQ()QQxQCZxP(x)


本文編號：2977541