tehtävä, kuten kasvojentunnistus, paljon tärkeitä tietoja voi sisältyä korkean kertaluvun välisiä suhteita kuvan pikseliä. Useita kasvojentunnistus algoritmit hyödyntävät pääkomponenttianalyysi (PCA), joka perustuu toisen kertaluvun tilastot kuvan asetettu, ja ei käsitellä korkean kertaluvun tilastollisia riippuvuuksia kuten välisiä suhteita kolme tai enemmän pikseleitä. Riippumaton komponenttien analyysi (ICA) on yleistys PCA joka erottaa korkean kertaluvun hetkiä input lisäksi toisen asteen hetkiä. ICA suoritettiin joukko kasvokuvia mukaan valvomaton oppiminen algoritmi johdettu periaate optimaalisen tiedonsiirron kautta sigmoidal neuronien. Algoritmi maksimoi välistä tietojenvaihtoa tulo ja lähtö, joka tuottaa tilastollisesti riippumattomia lähdöt tietyin edellytyksin. ICA edustus oli ylivoimainen esityksiä perustuu pääkomponenttianalyysi varten kasvojen tunnistamisessa eri istuntoja ja muutoksia ilme.
Vaatimukset :
Matlab
Kommentteja ei löytynyt