【GRNN情绪识别】基于GRNN神经网络的情绪识别算法matlab仿真

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2

DIM                  = 120;

SET = [];
for flag = 1:3
flag

if  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。');
end



display('读入测试集合...');
%降低维度
load NN_model.mat
load PCA.mat

if 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
end

if 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
end

classes    = 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;  
    end
end


SET = [SET;[N1,N2,N3,N4,N5,N6,N7]/10];


end



fprintf('\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')

4.操作步骤与仿真结论

5.参考文献

[1]王镇镇. 基于人脸子区域加权和LDA的表情识别算法[D]. 大连海事大学, 2017.

A05-45

6.完整源码获得方式

方式1：微信或者QQ联系博主

方式2：订阅MATLAB/FPGA教程，免费获得教程案例以及任意2份完整源码