MATLAB基于PCA-LDA模糊神经网络的人脸识别

MATLAB实战系列(三十四)-MATLAB基于PCA-LDA模糊神经网络的人脸识别 基于PCA-LDA和粗糙集模糊神经网络的人脸识别,一方面在应用前景上是十分广阔的,可以为IT行业创造更好的经济效益。 另一方面,它相对于其它的生物特征识别更加方便。 至于环境方面,人脸识别对环境并没有什么影响。 图像获取功能:该模块的功能是从图像库中获取图片,获取的图像必须能够在开发环境中可以显示,以便进行图像的处理和识别。 图像预处理功能:该模块的功能包括图像光线强弱的补偿,图像的灰度化处理,去噪,均衡化后的直方图,以此达到图像对比后增强的目的。 图像特征提取功能:改模块的功能是在. 阅读详情

题目:MATLAB基于PCA-LDA模糊神经网络的人脸识别
一、课题简介
基于PCA-LDA和粗糙集模糊神经网络的人脸识别,一方面在应用前景上是十分广阔的,可以为IT行业创造更好的经济效益。另一方面,它相对于其它的生物特征识别更加方便。至于环境方面,人脸识别对环境并没有什么影响。
图像获取功能:该模块的功能是从图像库中获取图片,获取的图像必须能够在开发环境中可以显示,以便进行图像的处理和识别。
1、图像预处理功能:该模块的功能包括图像光线强弱的补偿,图像的灰度化处理,去噪,2、均衡化后的直方图,以此达到图像对比后增强的目的。
3、图像特征提取功能:改模块的功能是在处理后的图像进行训练,然后将训练后的图像的眼睛,鼻子,嘴巴等生物特征提取出来。
4、图像识别功能:该模块部分是将需要进行检测的图像的特征提取出来与数据库的图像的特征进行比较,以此达到人脸识别的功能。
二、源码实现
function [Pro_Matrix,Mean_Image]=my_pca(Train_SET,Eigen_NUM)
%输入:
%Train_SET:训练样本集,每列是一个样本,每行一类特征,Dim*Train_Num
%Eigen_NUM:投影维数

%输出:
%Pro_Matrix:投影矩阵
%Mean_Image:均值图像

[Dim,Train_Num]=size(Train_SET);

%当训练样本数大于样本维数时,直接分解协方差矩阵
if Dim<=Train_Num
Mean_Image=mean(Train_SET,2);
Train_SET=bsxfun(@minus,Train_SET,Mean_Image);
R=Train_SET*Train_SET’/(Train_Num-1);

[eig_vec,eig_val]=eig(R);
eig_val=diag(eig_val);
[~,ind]=sort(eig_val,'descend');
W=eig_vec(:,ind);
Pro_Matrix=W(:,1:Eigen_NUM);

else
%构造小矩阵,计算其特征值和特征向量,然后映射到大矩阵
Mean_Image=mean(Train_SET,2);
Train_SET=bsxfun(@minus,Train_SET,Mean_Image);
R=Train_SET’*Train_SET/(Train_Num-1);

[eig_vec,eig_val]=eig(R);
eig_val=diag(eig_val);
[val,ind]=sort(eig_val,'descend');
W=eig_vec(:,ind);
Pro_Matrix=Train_SET*W(:,1:Eigen_NUM)*diag(val(1:Eigen_NUM).^(-1/2));

end

end
三、运行效果图

ThingsBoard 场景联动需求 当初有个兄弟请我帮他实现一个需求,需求如上,很简单,实现完成后我怕他操作不来,又写了这份文档给他,今天把这个文档的场景发出来,大家也可以学习一下思路我把需要模拟设备的指令都总结在下面,连接参数截图讲解如下:温度传感器风扇光照传感器灯。 阅读详情

相关推荐

【Zotero】《纯操作讲解,GPT配置,Zotero标注可视化》- 知识点目录

Temperature分布在。之间,越低输出越稳定;

墨门 3396

机器学习——PCA与LDA

机器学习——PCA与LDAPCA推导一个PCALDALDA的中心思想是什么LDA的优缺点LDA的步骤推导LDAPCA和LDA有什么区别 PCA 主成分分析(PCA)是一种多变量统计方法,它是最常用的降维方法之一,通过正交变换将一组可能存在相关性的变量数据转换为一组线性不相关的变量,转换后的变量被称为主成分 可以使用两种方法进行PCA,分别是特征分解或奇异值分解(SVD)。PCA旨在找到数据中的主成分,并利用这些主成分表征原始数据,从而达到降维的目的。 算法步骤 假设有m条n维数据 将原始数据按列组成n行m

DCGJ666的博客 5876

SpringBoot不用三方框架,怎么动态调度定时任务,ScheduledExecutorService 详解

Spring Boot 提供了强大的定时任务支持,无需依赖任何第三方框架,即可轻松实现可配置的定时任务。通过使用 `@EnableScheduling` 注解启用定时任务支持后,我们可以利用 `@Scheduled` 注解来定义定时任务的方法,这些方法可以在指定的时间间隔或特定时间点自动执行。 我们还可以通过集成 `ScheduledExecutorService` 来实现灵活的定时任务管理。`ScheduledExecutorService` 是 Java 标准库的一部分,能够以固定速率或延迟执行任务,

横竖撇折点 1940

主成分分析(PCA)与线性判别分析(LDA)的区别与联系

刚整理完PCA的内容,又记得之前用过LDA但是并没有在这里整理,所以今天把这两个算法整理下,方便以后查阅。

梁小憨憨的博客 1万+

无源定位入门(二):FDOA(2)信号模型和原理

信号模型 假设地面固定目标信号源位置为 ,有M架飞机随机分布在空中,并作匀速直线运动。时刻t的时候第i架飞机的位置为,飞行速率为 , 假设目标的信号中心频率为 ,电磁波的传播速度为 ,则此时每个飞机接收目标信号的频率为 以第1架飞机为参考基站,目标信号到达第n架飞机和参考基站之间的FDOA 测量值可表示为 ...

syy_1797的博客 5957

小案例:利用图床自动化批量上传图片并获取图片链接

用python爬虫写了一个小脚本,用来自动上传图片到图床,然后返回链接,我们只需直接复制链接就可以。(需要安装Requests库) 因为不同图床需要提交的POST表单不一致,所以在这里我用ImgURL图床做示范,如果大家有需求,可自行修改代码。使用脚本的时候,我们只需把需要上传的图片和这个脚本放在同一个文件夹中,然后运行脚本,稍作等待,看到提示时就可以在脚本运行文件夹中发现一个名为“图片链接地址.txt”的文件,里面就是图片链接啦! 四、图片链接地址.txt(单张图片):...

采菊东篱下,Python满乾坤! 4416

特征工程之特征降维-特征选择-PCA/LDA

机器学习、特征工程、特征降维、特征选择

weixin_44360866的博客 2552

【WRF-Chem工具】anthro_emiss 详解:生成人为排放数据

anthro_emiss 详解:生成人为排放数据

WW、forever的博客 2057

LDA(线性判别分析或称Fisher线性判别),PCA(主成份分析)代码及表情识别中的应用

【原文:http://blog.youkuaiyun.com/raby_gyl/article/details/20362373】 1、LDA线性判别分析 也称FLD(Fisher线性判别)是一种有监督的学习方法(supervised learning)。 LDA的基本思想是: 找到一个最佳的判别矢量空间,使得投影到该空间的样本的类间离散度与类内离散度比达到最大。

zhazhiqiang2010的专栏 5642

SAP-ABAP:SAP中的用户确认对话框:深入理解与实践POPUP_TO_CONFIRM

本文深入介绍了SAP中的用户确认对话框函数POPUP_TO_CONFIRM,包括其核心参数配置、返回值处理、应用场景和最佳实践。该函数是SAP二次开发中重要的交互工具,用于关键操作前获取用户确认,防止误操作。文章详细解析了参数设置技巧,强调必须全面处理所有可能的返回值,并提供了删除数据、批量操作等典型应用场景的代码示例。同时对比了其他类似弹出函数,帮助开发者选择合适工具。正确使用该函数可提升系统安全性、改善用户体验并符合SAP设计规范。

baidu_35680696的博客 970

第 10 篇:深度学习的“军火库”——CNN、RNN与Transformer,AI如何看懂世界?

深度学习的革命,不是依赖单一的通用大脑,而是为不同任务打造了专属“军火库”:CNN用“局部感知”看懂图像,RNN用“循环记忆”理解序列,而Transformer则用“全局注意力”开启了AIGC时代。理解这些架构,不是记忆孤立的技术,而是洞察AI从“专才”走向“通才”的进化脉络。

maqh_csdn的博客 787

数据分析-降维-PCA-LDA-LLE

目录 前言 矩阵分解法 主成分分析(PCA) 实现 decomposition.PCA 判别分析法(LDA) 实现 基于流形学习的数据降维方法 LLE LLE实现 MDS MDS实现 前言 降维指采用某种映射方法,将高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : w->v,其中w是原始数据点的表达,目前最多使用向量表达形式。 v是数据点映射后的低维向量表达,通常v的维度小于w的维度。 原始数据在采集时可能包含了很高的维度,降...

ITLiu的博客 1989

DICOM标准:DICOM医学影像中的覆盖层(Overlay)概念详解

DICOM标准:深入详解DICOM医学影像中的覆盖层(Overlay)

编程技术探索者,分享C/C++、C#、Java、数据库等开发经验,聚焦实战技巧与AI兴趣,助力编程爱好者成长。 1566

MATLAB基于PCA-LDA模糊神经网络的人脸识别(提供源码链接在文章末尾)

基于PCA-LDA和粗糙集模糊神经网络的人脸识别,一方面在应用前景上是十分广阔的,可以为IT行业创造更好的经济效益。另一方面,它相对于其它的生物特征识别更加方便。至于环境方面,人脸识别对环境并没有什么影响。图像获取功能:该模块的功能是从图像库中获取图片,获取的图像必须能够在开发环境中可以显示,以便进行图像的处理和识别。图像预处理功能:该模块的功能包括图像光线强弱的补偿,图像的灰度化处理,去噪,均衡化后的直方图,以此达到图像对比后增强的目的。

我是慎独玩家,无人见处,自有尺度! 189

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

matlab模糊粗糙集,基于pca+lda+粗糙集+模糊神经网络的人脸识别程序

【实例简介】pca+lda+粗糙集+模糊神经网络saveORLimage.m将ORL人脸库分为测试集ptest和训练集pstudy存为imagedata.mat1.savelda.m将人脸库先进行pca降维,再用lda进行特征提取,得到新的测试集ldatest和训练集ldastudy存为imageldadata.mat2.对ldastudy进行离散化(discretimage.m),得到离散化矩阵...

weixin_35980523的博客 356

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

matlab 人脸识别_MATLAB基于PCALDA模糊神经网络的人脸识别

点击上方蓝字关注“公众号”MATLAB基于PCA-LDA模糊神经网络的人脸识别基于PCA-LDA和粗糙集模糊神经网络的人脸识别,一方面在应用前景上是十分广阔的,可以为IT行业创造更好的经济效益。另一方面,它相对于其它的生物特征识别更加方便。至于环境方面,人脸识别对环境并没有什么影响。图像获取功能:该模块的功能是从图像库中获取图片,获取的图像必须能够在开发环境中可以显示,以便进行图像的处理...

weixin_35411561的博客 541

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

bp神经网络数字识别matlab_MATLAB基于PCALDA模糊神经网络的人脸识别

点击上方蓝字关注“公众号”MATLAB基于PCA-LDA模糊神经网络的人脸识别基于PCA-LDA和粗糙集模糊神经网络的人脸识别,一方面在应用前景上是十分广阔的,可以为IT行业创造更好的经济效益。另一方面,它相对于其它的生物特征识别更加方便。至于环境方面,人脸识别对环境并没有什么影响。图像获取功能:该模块的功能是从图像库中获取图片,获取的图像必须能够在开发环境中可以显示,以便进行图像的处理...

weixin_39956451的博客 531

基于PCA和LDA的人脸识别

一、系统设计 1.1研究背景及意义 随着信息技术的不断发展,人们对方便快捷的身份验证和识别系统的要求不断提高。人脸识别技术因具有直接、友好、快捷、方便、易为用户所接受等特点,成为了身份验证的最理想依据,也早已成为了模式识别领域研究的热点。众多科研人员通过多年潜心研究,也做出了许多的成果,但是在实际应用中,现有的人脸识别产品大多因识别率不高、稳定性差等缺点无法满足实际需要。 针对这一现状,本文...

qq_38006135的博客 7185

“降维算法”面试知识点总结-PCA+LDA算法-百面机器学习系列4

包含PCA和LDA降维算法

weixin_48215309的博客 953

AI-机器学习(9)-PCA-LDA-线性回归必备-详细实现步骤

PCA LDA用来干什么:数据降维,从高维到低维。 提取特征分量或者叫主成分分析。属于线性回归和拟合必备。 实例:比如淘宝,下单数和成交数分析。 1.PCA 最大化方差如何推出主成分? 实现步骤:1.1给定数据 1.2中心化 1.3投影坐标 1.4方差表示 ...

aggie4628的专栏 851

05_特征工程—降维

文章目录一、降维1.1 降维必要性1.2 降维目的二、降维—PCA(无监督)2.1 PCA原理2.2 PCA 计算2.3 PCA的执行过程2.4 PCA案例2.5 PCA降维的SVD求解方式三、降维—LDA(有监督)3.1 LDA原理3.2 LDA问题求解四、PCA和LDA异同 一、降维 特征降维必须在特征选择做完以后才能进行。 当特征选择完成后,可以直接可以进行训练模型了,但是可能由于特征矩阵过大,导致计算量比较大,训练时间长的问题,因此降低特征矩阵维度也是必不可少的。 常见的降维方法除了基于

即使是不成熟的尝试,也胜于从不执行的策略。 942

机器学习PCA和LDA

主成分分析(PCA, Principal Component Analysis)和线性判别分析(LDA, Linear Discriminant Analysis)是两种常用的降维方法,它们虽然都用于数据降维,但核心思想和应用场景不同。

田乐蒙的博客 1113

PCA主成分分析和LDA线性判别降维

PCA的做法: 通过计算数据矩阵的协方差矩阵,然后得到协方差矩阵的特征值特征向量,选择特征值最大(即方差最大)的k个特征所对应的特征向量组成的矩阵。这样就可以将数据矩阵转换到新的空间当中,实现数据特征的降维。 由于得到协方差矩阵的特征值特征向量有两种方法:特征值分解协方差矩阵、奇异值分解协方差矩阵,所以PCA算法有两种实现方法:基于特征值分解协方差矩阵实现PCA算法、基于SVD分解协方差矩阵实现PCA算法。 预备知识: 协方差矩阵: PCA的理论推导: ...

七月听雪的博客 486
上一篇: Matlab的人脸识别系统设计与仿真
下一篇: MATLAB教室人数统计系统
GPT_code
博客等级 码龄3年 3543粉丝 338原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值