GRNN神经网络在情绪识别中的Matlab仿真应用

1.软件版本

matlab2021a

2.本算法理论知识

GRNN，即General Regression Neural Network，中文全称为广义回归神经网络，是由The Lockheed Palo Alto研究实验室在1991年提出的。GRNN是一种新型的基于非线性回归理论的神经网络模型[43,44]。GRNN是建立在非参数核回归基础之上的，该神经网络是以测试样本为后验条件，并从观测样本中计算得到自变量和因变量之间的概率密度函数，然后在计算出因变量关于自变量的回归值。由于GRNN不需要规定模型的类型，只需要设置神经网络的光滑因子参数，GRNN神经网络的光滑因子参数的取值对神经网络的输出影响较大，当光滑因子参数较大的时候，其对应的神经元所覆盖的输入区域就越大；当光滑因子参数较小的时候，神经网络对应的径向基函数曲线较陡，因此神经网络输出结果更接近期望值，但此时光滑度越差。由于GRNN广义回归神经网络是基于非线性核回归分析的神经网络，因此，对于任意一个非独立变量y，其相对于独立变量x的回归分析的过程是计算具有最大概率值y。现假设随机变量x和y的联合概率密度函数为f (x ,y)，已知x的观测值为X，则y相对于X的回归，即条件均值为：

从图的结构图可知，GRNN神经网络的输入层神经元数目和输入样本的维度是相同的，即每一个神经元将输入信号直接传递给GRNN神经网络的隐含层中。GRNN神经网络的模式层的神经元数目和学习训练样本的数目相同，即每一个神经元都分别对应着一个不同的学习训练样本，模式层中神经元的传递函数为：

3.核心代码

clc;clear;close all;warning off;addpath 'func\'addpath 'func\Grnn\'addpath 'func\PCA\'%是否需要重新训练，1，重新训练，0不训练，直接测试SEL                  = 1;nPerson              = 9;nExpressionPerPerson = 7;TEST_DATA            = 2;%1：选择测试样本集合1,2：选择测试样本集合2DIM                  = 120;SET = [];for flag = 1:3flagif  SEL == 1    display('读入训练集合...');        if TEST_DATA == 1       %第一组样本       TrainData  = readfaceFeature(nExpressionPerPerson, nPerson,0,130);       trainLabel = [1,1,2,2,3,3,3,4,4,4,5,5,6,6,7,7,1,1,2,2,2,3,3,4,4,5,5,6,6,7,7,1,1,2,3,3,4,4,4,5,5,6,6,6,7,7,1,1,2,2,3,3,4,4,5,5,6,6,7,7,1,1,2,2,3,3,4,4,4,5,5,6,6,7,1,1,2,3,3,4,4,5,5,6,6,7,7,1,1,2,2,3,3,4,4,5,5,6,6,7,7,1,1,2,2,3,3,4,4,5,5,6,6,7,7,1,1,2,2,3,3,3,4,4,5,5,6,6,7,7]';       %降低维度       pcaFaces     = fastPCA(TrainData,DIM); % 主成分分析PCA    end    if TEST_DATA == 2       %第二组样本jaffe       TrainData  = readfaceFeature2(nExpressionPerPerson, nPerson,0,140,flag);       trainLabel1 = [1,2,3,4,5,6,7,...                    1,2,3,4,5,6,7,...                    1,2,3,4,5,6,7,...                    1,2,3,4,5,6,7,...                    1,2,3,4,5,6,7,...                    1,2,3,4,5,6,7,...                    1,2,3,4,5,6,7,...                    1,2,3,4,5,6,7,...                    1,2,3,4,5,6,7,...                    1,2,3,4,5,6,7]';                        trainLabel = [trainLabel1;trainLabel1];                 %降低维度       pcaFaces     = fastPCA(TrainData,DIM); % 主成分分析PCA    end    X          = pcaFaces;     TrainData  = X;    [X,A0,B0]  = scaling(X);    %替换算法，使用GRNN神经网络，否则原来的SVM我仔细研究下来，缺陷太大，几次改下来，性能也没到50%，所以选择pass    %但为了你方便写论文，我在文档中将GRNN神经网络的理论都给你写了，然后测试大概也写了，    net        = multiGRNNTrain(TrainData',trainLabel',0.0015);        save NN_model.mat net A0 B0    display('..............................');    display('训练结束。');enddisplay('读入测试集合...');%降低维度load NN_model.matload PCA.matif TEST_DATA == 1   %第一组样本   TestData0  = readfaceFeature(nExpressionPerPerson, nPerson,1,130);   TestLabel  = [1,1,2,2,3,3,3,4,4,4,5,5,6,6,7,7,1,1,2,2,2,3,3,4,4,5,5,6,6,7,7,1,1,2,3,3,4,4,4,5,5,6,6,6,7,7,1,1,2,2,3,3,4,4,5,5,6,6,7,7,1,1,2,2,3,3,4,4,4,5,5,6,6,7,1,1,2,3,3,4,4,5,5,6,6,7,7,1,1,2,2,3,3,4,4,5,5,6,6,7,7,1,1,2,2,3,3,4,4,5,5,6,6,7,7,1,1,2,2,3,3,3,4,4,5,5,6,6,7,7]';   [m,n]      = size(TestData0);   TestData   = (TestData0-repmat(meanVec, m, 1))*V; % 经过pca变换降维endif TEST_DATA == 2   %第二组样本jaffe   TestData0  = readfaceFeature2(nExpressionPerPerson, nPerson,1,70,flag);   TestLabel = [1,2,3,4,5,6,7,...                1,2,3,4,5,6,7,...                1,2,3,4,5,6,7,...                1,2,3,4,5,6,7,...                1,2,3,4,5,6,7,...                1,2,3,4,5,6,7,...                1,2,3,4,5,6,7,...                1,2,3,4,5,6,7,...                1,2,3,4,5,6,7,...                1,2,3,4,5,6,7]';   [m,n]      = size(TestData0);   TestData   = (TestData0-repmat(meanVec, m, 1))*V; % 经过pca变换降维endclasses    = multiGRNNClassify(TestData',net);     nError     = sum(classes ~= TestLabel);accuracy   = 1 - nError/length(TestLabel); N1=0;N2=0;N3=0;N4=0;N5=0;N6=0;N7=0;for i = 1:length(TestLabel)    if TestLabel(i) == 1 & classes(i) == 1       N1 = N1 + 1;     end    if TestLabel(i) == 2 & classes(i) == 2       N2 = N2 + 1;      end    if TestLabel(i) == 3 & classes(i) == 3       N3 = N3 + 1;      end        if TestLabel(i) == 4 & classes(i) == 4       N4 = N4 + 1;      end        if TestLabel(i) == 5 & classes(i) == 5       N5 = N5 + 1;      end    if TestLabel(i) == 6 & classes(i) == 6       N6 = N6 + 1;      end    if TestLabel(i) == 7 & classes(i) == 7       N7 = N7 + 1;      endendSET = [SET;[N1,N2,N3,N4,N5,N6,N7]/10];endfprintf('\n')display(['对于测试集人脸样本的生气识别率为', num2str(mean(SET(:,1))*100), '%']);fprintf('\n')display(['对于测试集人脸样本的厌恶识别率为', num2str(mean(SET(:,2))*100), '%']);fprintf('\n')display(['对于测试集人脸样本的害怕识别率为', num2str(mean(SET(:,3))*100), '%']);fprintf('\n')display(['对于测试集人脸样本的开心识别率为', num2str(mean(SET(:,4))*100), '%']);fprintf('\n')display(['对于测试集人脸样本的中性识别率为', num2str(mean(SET(:,5))*100), '%']);fprintf('\n')display(['对于测试集人脸样本的悲伤识别率为', num2str(mean(SET(:,6))*100), '%']);fprintf('\n')display(['对于测试集人脸样本的惊讶识别率为', num2str(mean(SET(:,7))*100), '%']);fprintf('\n')display(['整体识别率为', num2str(mean2(SET)*100), '%']);fprintf('\n')1.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49.50.51.52.53.54.55.56.57.58.59.60.61.62.63.64.65.66.67.68.69.70.71.72.73.74.75.76.77.78.79.80.81.82.83.84.85.86.87.88.89.90.91.92.93.94.95.96.97.98.99.100.101.102.103.104.105.106.107.108.109.110.111.112.113.114.115.116.117.118.119.120.121.122.123.124.125.126.127.128.129.130.131.132.133.134.135.136.137.138.139.140.141.142.143.144.145.146.

4.操作步骤与仿真结论

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删