BP神经网络对指纹识别的应用（Matlab代码实现）

目录

1 概述

在现代计算机具有强大的计算和信息处理能力的今天,指纹识别作为个人身份鉴定等领域的热点问题一直被人们长期关注着,目前也得到了广泛的应用,例如它可以应用于金融、保险、证券行业的身份认证,安防,人力资源管理等等。

指纹模板分类作指纹识别的热点问题,是人们研究的一个特定方向.新的指纹分类算法应该能够利用前人研究的成果,结合多种识别算法的优点,达到一个具有自适应性、容错性和实时性的新高度。

经过前人努力,在指纹识别技术上已经有很大的突破,识别技术基本趋于成熟化,大多数情况下指纹都能被比较理想的识别.但是随着在某些领域应用的广泛性,人们对指纹识别的实时性、可靠性提出了更高的要求.于是应对指纹识别的种种新要求,我们需要找到更好的识别方法.针对这样的要求,本文提出了一种基于BP神经网络的、对已建好的指纹模板库进行快速分类的算法。

反向传播模型也称BP(Back—Propagation)模型,是一种用于前向多层神经网络的反向传播学习算法.BP网络学习的目的是对网络的连接权值进行调整,使得调整后的网络对任意输入都能够得到期望的输出。为了训练此网络,提供若干个量化后的指纹模板数据,然后计算网络输出,并把输出单元的实际输出值和期望输出值加以比较,然后计算误差;其次,改变网络中所有连接权值以减小误差.反复进行训练,直到网络达到预期的训练目标为止。但BP网络最大的缺点就是学习周期长且极易进入局部极小值.为提高其学习速率.不少学者针对不同应用领域提出了各种加速学习速率的优化算法.作者提出一种将改进梯度算法和DFP变尺度算法相结合的权值修正算法。在误差寻优初期,采用改进梯度算法进行迭代,当寻优过程开始接近最优时,使用DFP变尺度算法,使得算法不仅具有收敛速率快等特点,而且算法简单,有利于增强学习的实时性。

2 运行结果

3 参考文献

[1]邓秀春,韩孜,黄剑.基于BP神经网络特征提取的指纹识别应用[J].广西轻工业,2008(04):51-52.

?4 Matlab代码

主函数部分代码：

% close all

% clear

% echo on

% clc

% [inputs,targets] = simplefitdata;

% net = newff(inputs,targets,20);

% net = train(net,inputs,targets);

% outputs = net(inputs);

% errors = outputs - targets;

% perf = perform(net,outputs,targets)

inputs = zeros(12,8);

fid = fopen('fingers_feature.txt');

inputs = fscanf(fid, '%f', [12,8]);

disp(inputs);

fclose(fid);

% inputs = [1,2,3,4;1.9,3.7,5.2,3.6;0,1,-1,-1;2,4,6,4;3,6,9,3];

targets = [0,0,0,0,1,1,1,1;0应用情况,0,1,1,0,0,1,1;0,1,0,1,0,1,0,1];

net = newff(inputs,targets,20);

net = train(net,inputs,targets);

outputs = net(inputs);

errors = outputs - targets;

perf = perform(net,outputs,targets)

% NEWFF??生成一个新的前向神经网络

% TRAIN??对 BP 神经网络进行训练

% SIM??对 BP 神经网络进行仿真

% pause

% % 敲任意键开始

% clc

% % 定义训练样本

% % P 为输入矢量

% P=[-1, -2, 3, 1; -1, 1, 5, -3];

% % T 为目标矢量

% T=[-1, -1, 1, 1];

% pause;

% clc

% % 创建一个新的前向神经网络

% net=newff(minmax(P),[3,1],{'tansig','purelin'},'traingdm')

% % 当前输入层权值和阈值

% inputWeights=net.IW{1,1}

% inputbias=net.b{1}

% % 当前网络层权值和阈值

（编辑：南平站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!