基于小世界体系的核自联想记忆框架及其应用研究

论文摘要

本文主要研究了核框架下基于小世界体系的自联想记忆模型及其在人脸识别中的小规模应用。内容涉及传统自联想记忆模型统一框架的建立、传统模型全互连结构的简化以及结构简化后的统一框架在人脸识别中的应用。本文将机器学习领域中流行的核技巧和社会领域中广泛存在的小世界网络应用于自联想记忆模型的研究,主要做出了以下三个方面的创新工作: 1、构建了一个核自联想记忆模型的统一框架。本文首先从 Hopfield 联想记忆模型出发,通过在传统的自联想记忆模型中引入机器学习中颇具影响力的核方法,构建了一类统一的核自联想记忆模型框架。将现有众多的自联想记忆模型从数学的高度统一于同一框架中,并从中可以推广出更多不同形式的自联想记忆模型。 2、对全互连的核自联想记忆模型框架进行了稀疏化改造。现有的自联想记忆模型无一不是采用传统的全互连结构,随着实际的需求和被处理问题规模的扩大,模型的复杂度大大增加了,从而导致布线工艺上的困难难以克服,限制了模型的 VLSI 硬件实现。本文的研究表明,和引入规则互连网络、随机互连网络相比较,引入小世界网络体系结构到核自联想记忆模型中是最为理想的。 3、提出了一系列新颖的基于自联想记忆模型的鲁棒人脸识别算法。在上述工作的基础上,本文主要研究了基于小世界体系的指数核自联想记忆模型在人脸识别中的应用。该算法在著名的 FERET 人脸数据库上不仅获得了与模型全互连时几乎相当的识别性能,而且还明显优于标准特征脸算法(Eigenfaces)和最近提出的(PC)2A 算法,表现出了较强的鲁棒性。

论文目录

• 第一章 绪论
• 1.1 人工神经网络的研究意义
• 1.2 联想记忆模型的最新研究进展
• 1.3 本文的主要研究工作
• 1.4 本文的内容安排
• 第二章 核自联想记忆模型统一框架
• 2.1 传统的自联想记忆模型
• 2.1.1 Hopfield 联想记忆模型及其稳定性分析
• 2.1.2 其他的自联想记忆模型
• 2.2 传统的自联想记忆模型的局限性及其解决方法
• 2.3 基于核的学习理论
• 2.3.1 核方法的实质
• 2.3.2 常用的核函数及其构造
• 2.4 核框架下的自联想记忆模型（KAMS）
• 2.4.1 二值核自联想记忆模型（bKAMs）
• 2.4.2 多值核自联想记忆模型（m KAMs）
• 2.5 本章小节
• 第三章 基于小世界体系的核自联想记忆模型统一框架
• 3.1 核自联想记忆模型（KAMs）的局限性及其解决方法
• 3.2 稀疏网络结构
• 3.2.1 小世界网络、随机网络和规则网络
• 3.2.2 无标度网络
• 3.3 基于小世界体系的核自联想记忆模型（SWA-KAMs）
• 3.3.1 基于小世界体系的二值核自联想记忆模型（SWA-bKAMs）
• 3.3.2 基于小世界体系的多值核自联想记忆模型（SWA-m KAMs）
• 3.3.3 具有其它三种稀疏网络结构的核自联想记忆模型
• 3.4 本章小结
• 第四章 自联想记忆模型在人脸识别中的应用
• 4.1 人脸识别技术概述
• 4.1.1 人脸识别技术的应用前景
• 4.1.2 人脸识别技术研究现状
• 4.2 FERET 人脸数据库及基于自联想记忆模型的人脸识别算法介绍
• 4.2.1 FERET 人脸数据库介绍
• 4.2.2 基于自联想记忆模型的人脸识别算法
• 4.3 计算机模拟实验结果及性能比较
• 4.3.1 核的选取对基于 KAMs 模型的人脸识别算法的影响
• 4.3.2 稀疏网络结构对基于稀疏 KAMs 模型的人脸识别算法的影响
• 4.3.3 稀疏连接度对基于小世界体系的指数 KAMs 模型的影响
• 4.3.4 含不同程度的椒盐噪声和高斯噪声时的识别性能比较
• 4.3.5 部分遮挡时的识别性能比较
• 4.4 本章小结
• 第五章 结束语
• 致谢
• 硕士研究生期间参加的科研项目及录用的论文
• 参考文献