基于PSO-CG优化深度信念网络的人脸表情识别

深度信念网络(Deep Belief Network,DBN)在人脸表情识别领域表现出较好的性能,但其在有监督学习阶段通常采用反向传播微调网络的初始参数空间,容易陷入局部最优值,不能找到网络的最优参数空间.提出一种粒子群算法(Particle Swarm Optimization,PSO)和共轭梯度(Conjugate Gradient,CG)融合进行优化DBN,将其用于人脸表情识别.首先,通过虚拟样本扩充训练样本数据集的方式构建了人脸表情数据集.然后,使用PSO寻找全局最优点,DBN的参数维度高,单独使用PSO优化网络参数空间,容易出现局部最优、收敛速度慢等问题,结果显示,PSO与CG相融可以加强搜索精度和加快收敛速度,获取更优模型参数.仿真结果表明,提出的方法在JAFFE和CK+这2个常用人脸表情数据库的识别率分别为94.52%和97.84%.