计算机系统项目综合实践答辩基于卷积神经网络的人脸识别组长：*组员：*【系统总述】通过10个人的420张192*168大小单一色彩图片的训练集对系统模型进行训练，从而使系统能够识别这十个人，在通过220张人脸的图片的测试集进行检测识别，收集并统计测试精度，通过调整参数组合不断使测试精度达到最优，并使其精度在接受范围之内，获得使测试精度达到最大的参数组合。目录CONTENTS1选题背景简介2设计过程简介3优化过程分析4系统实现结果1选题背景简介选题背景人脸识别应用在生活中十分广泛，卷积神经网络用于人脸识别是一种基于特征的方法。它的优点是通过逐层卷积进行特征提取，然后经过多层映射，可以从训练样本中，学习形成适应该识别任务的特征提取器和分类器。该方法降低了对训练样本的要求，学习到的特征更具有全局性。2设计过程简介IDEA卷积神经网络基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上含所有神经元的权值。掌握算法了解函数掌握算法掌握卷积网络原理YOURTEXT卷积神经网络原理模型模型剖析layers=[imageInputLayer([1921681],‘DataAugmentation’,‘randfliplr’);%图像输入层convolution2dLayer(5,25);%卷积层reluLayer();%激活函数的个数maxPooling2dLayer(2,‘Stride’,2);%最大池化层fullyConnectedLayer(100);%全连接层dropoutLayer(0.5);fullyConnectedLayer(numel(categories([train_y;test_y])));softmaxLayer;%激活函数classificationLayer()];%分类函数主要函数3优化过程分析最大池化层中读取数据的尺寸大小和步长第二个卷积层滤波器个数第一个卷积层滤波器个数特征映射层中第一层隐单元个数特征映射层中第二层隐单元个数参数组合调整2.57.512.517.522.527.532.50.8350.8450.8550.8650.8750.8850.8950.9050.9150.925卷积神经层滤波器个数对精度的影响第一个卷积神经层滤波器个数第二个卷积神经层滤波器个数测试精度卷积神经层滤波器个数测试精度最大池化层读取大小步长测试精度0.250.751.251.752.252.753.25最大池化层读取大小步长测试精度Series1220.9209Series2330.8182220.9209330.8182最大池化层参数对精度影响Series2Series11234512345第一个隐单元个数100100150150200第二个隐单元个数100200150200200测试精度0.87730.92090.86820.88180.890925751251752250.8450.8550.8650.8750.8850.8950.9050.9150.9251001001501502001002001502002000.87730.92090.86820.88180.8909隐单元个数对精度的影响第一个隐单元个数第二个隐单元个数测试精度隐单元个数测试精度4系统优化成果第一个卷积神经层滤波器个数为25第二个卷积神经层滤波器个数为30最大池化层读取2*2，步长为2第一个隐单元个数为100第二个隐单元个数为200最优测试精度为0.9209最优参数组合致谢
