基于局部二值模式与深度置信网络的人脸识别

针对现在的大多算法在提取人脸特征时直接提取整个人脸,而忽略局部的细节特征,提出一种将人脸图像进行分块局部运用LBP算子然后与深度置信网络结合的人脸识别算法(BPBN)。首先,将人脸图像进行分块,对分块后的图像提取LBP进行统计,将生成的LBP直方图按照一定秩序组合连接成新的特征向量。其次,将得到的LBP特征作为深度置信网络(DBN)的输入,采用贪婪算法逐层进行训练,然后用反向传播(BP)算法对训练得到的深度置信网络进行优化。最后,用训练好的深度置信网络对人脸进行识别。在ORL人脸数据库上进行实验,识别率达到96.0%,然后与传统的主成分分析(PCA)算法集成支持向量机(SVM)的方法进行相比,识别率有较为显著的提升,说明该方法具有更好的人脸识别效果。

基于DB-CF算法的音乐平台个性化推荐研究

娱乐方式日益丰富,产生巨量数据,利用这些数据通过推荐系统可以让用户获得更好的体验,为此提出了DB-CF(DBSCAN-Collaborative Filtering)算法。首先,使用DBSCAN聚类算法对音乐平台的线下用户进行聚类;然后,通过协同过滤算法计算对象用户与各聚类中心的相似度,再通过对比相似度度量矩阵,遍历离对象用户最近的邻居,通过邻居作出评分预测。实验表明,采用DB-CF算法比传统算法准确率提高8%左右,可以产生更准确的推荐结果,为用户带来更好的体验。