所谓神经网络即人工神经网络，缩写，简称神经网络，缩写，是种模仿生物神经网络的结构和功能的数学模型或计算模型。基于人工神经网络的人脸识别的常用学习方法又根据网络结构和模型不同而分为算法和算法。这两种算法在很多领域中都具有很重要的实用价值，在人脸识别领域中尤为突出。而这两种算法也正是本文研究的主要内容。理论及实际意义人脸识别技术是图像处理和模式识别的重要应用之，它涵盖了图像处理模式识别和计算机视觉等多个领域，在公安银行海关等机要部门都有着广泛的应用，除此之外在部分地区的安保部门的门禁系统摄像监视系统，学校的考勤系统，相机，智能手机,访问控制，视觉监控以及人机接口，视频会议，档案管理，电子相册等领域也有些应用。广义的人脸识别包括构建人脸识别系统的系列相关技术，包括人脸图像采集人脸定位人脸识别预处理身份确认以及身份查找等而狭义的人脸识别特指通过人脸进行身份确认按特征值大小以降序排列训练阶段计算特征脸形成的坐标系算法神经网络与人脑相似之处可以概括为两方面通过学习过程利用神经网络从外部环境中获取知识内部神经元用来存储获取的知识信息网络处理信息的基本原理输入信号通过中间节点隐层节点作用于输出节点，经过非线性转换产生输出信号，网络训练的每个样本包括输入向量和期望输出，网络实际输出值与期望输出值之间的偏差，通过调整输入节点与隐层节点连接强度取值和隐层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向下降，经过反复的学习训练，确定与最小误差相对应的网络参数权值和阈值，训练即告停止，此时经过训练的神经网络即能够对类似样本的输入信息自行处理，输入误差最小的经过非线性转换的信息。神经网络结构如图所示图网络结构神经网络的学习过程及过程网络输入向量,网络目标向量中间层单元输入向量输出向量输出层单元输入向量,输出向量,输入层至中间层的连接权中间层至输出层的连接权中间层各单元的输出阈值输出层各单元的输出阈值参数,。初始化。给每个连接权值阈值与赋予区间,内的随机值。随机选取组输入和目标样本,提供给网络。用输入样本,连接权和阈值计算中间层各单元的输入,然后用通过传递函数计算中间层各单元的输出。,,利用中间层的输出连接权和阈值计算输出层各单元的输出，然后通过传递函数计算输出层各单元的响应。,,利用网络目标向量，网络输出，计算输出层单元般化误差。,利用连接权输出层的般化误差和中间层计算中间层各单元的般化误差。利用输出层各单元的般化误差与中间层各单元的输出来修正连接权和阈值。利用中间层各单元的般化误差，输出层各单元的输入,来修正连接权和阈值。随机选取下个随机样本向量提供给网络，返回步骤，直到个训练样本训练完毕。重新从个学习样本中随机选取组输入和目标样本，返回步骤，直到网络全局误差小于预先设定的个极小值，即网络收敛。如果学习次数大于预先设定的值，网络就无法收敛。学习结束。训练过程主要代码归化训练样本顺序系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图像或者相应的编码，而其输出则是系列相似度得分，表明待识别的人脸的身份。现实生活中，人脸特征提取和识别技术又分为多种，而此次论文中主要讨论使用进行特征提取进而通过算法以及算法进行识别，并比较两者的异同。算法和算法均属于人工神经网络算法，人工神经网络是通过模拟大脑的基本特性，在神经科学研究的基础上提出的神经网络的模型。其中网络的全称为，即反向传播网络，它是个前向多层网络，结构上类似于多层感知器，利用误差反向传播算法对网络进行训练，由于其结构简单可调参数多可塑性强训练算法多可操控性好，故在函数逼近模式识别信息分类及数据压缩等领域得到了广泛的实际应用。而径向基函数神经网络简称径向基网络是个以函数逼近理论为基础构造的类前向神经网络。它是个只有个隐藏层的三层前馈神经网结构，其中间层以对局部响应的径向基函数代替传统的全局响应的激发函数，由于局部响应的特性，使其能够以任意精度逼近任意连续函数，而且训练过程很短。又由于它具有简单的结构快速的训练过程及与初始值无关是的优良特性，在多维曲面拟合自由曲面重构和大型设备故障诊断等领域有着较多的应用。绪论国内外研究动态人脸识别系统的研究始于上世纪年代，随着年代后计算机技术和光学成像技术的发展以及年代初期模式识别技术的兴起得到了提高，并随着时代的发展逐渐进入了初级应用阶段，尤其是在美国发生事件以后，引起了各界广泛的重视，自此人脸识别技术在公共安全等领域发挥着愈加重要的作用。与众多生物认证手段相比，人脸识别具有不可代替的显著优点，因而人脸识别逐渐成为当前模式识别和人工智能领域的个研究热点，尤其是近年来，人脸自动识别的研讨获得了很大的开展，从工程索引上检索到的关联文献已达数千篇，包含模式分析与机器智能汇刊在内的重要世界期刊也有专栏乃至专刊报导人脸识别的最新研讨开展，些还承办了专门的世界学术会议，当前人脸识别范畴内最著名的世界研讨机构包含美国麻省理工学院媒体试验室及人工智能试验室南加州大学卡内基梅隆机器人研讨及交互体系试验室马里兰大学等。与此同时，国内些研究机构也逐渐开展了许多关于人脸识别研究工作，如年代中后期，国内的许多研究机构在天然科学基金方案攀爬方案等赞助下，开展了对人脸识别的研究。其间主要包括清华大学计算机系自动化系电子系，哈尔滨工业大学，南京理工大学信息学院，中科院自动化所，上海交通大学图画处置与形式辨认研讨所，中山大学数学系等，它们在人脸识别研究范畴内进行了许多很有意义的测验，积累了十分丰富的经验。般来说，人脸识别系统包括图像摄取人脸定位图像预处理以及人脸识别身份确认或者身份查找。系统输入般是张或者系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图像或者相应的编码，而其输出则是系列相似度得分，表明待识别的人脸的身份。目前人脸识别的算法可大致分为四类基于人脸特征点的识别算法基于整幅人脸图像的识别算法基于模板的识别算法基于神经网络进行识别的算法。打乱物在摸索与借鉴中成长着，利用中国特有的优势来克服不利的外部环境因素，例如采用货到付款就是中国购物网站的成功创新。随着外部环境的逐步优化，中国网上购物网站发展前景良好。随着居民生活水平的不断提高，网上购物的不断成熟，网上购物将会呈现两种不同的发展趋势，种是走低价格路线，像超市样，有物美价廉的图书另种是销售高档消费图书。网上购物作为种新兴的商业模式，正在获得越来越多人的认可。美国日本欧洲等发达国家和地区，零售业起步早，伴随着西方国家的三次零售革命，其理论研究也逐渐成熟。世纪年代的第三次零售革命对零售业影响最为深远，种新的零售业态超级市场在美国诞生，超级市场的出现掀起了场零售技术革命，将专业化社会化生产方式引入零售经营。由于经济的高速发展，计算机的普及，些发达国际早已实现系统管理化，现在我们所有的些超市的管理模式，主要是仿照国外发达地区所采用的方式。他们所采用的管理模式在定的程度上已经非常的完善。中国的电子商务开始于世纪年代末，近年来逐渐走向快速发展的道路。如果说美国电子商务是商务推动型，那么中国电子商务则更多的是技术拉动型，这是在发展模式上中国电子商务与美国电子商务的最大不同。相关技术介绍网上书店管理系统的开发模式网上书店管理系统可以有两种开发模式，中是结构种是结构。结构，即客户机和服务器结构。它是软件系统体系结构，通过它可以充分利用两端硬件环境的优势，将任务合理分配到端和端来实现，降低了系统的通讯开销。目前大多数应用软件系统都是形式的两层结构，由于现在的软件应用系统正在向分布式的应用发展，和应用都可以进行同样的业务处理，应用不同的模块共享逻辑组件因此，内部的和外部的用户都可以访问新的和现有的应用系统，通过现有应用系统中的逻辑可以扩展出新的应用系统。这也就是目前应用系统的发展方向。结构，就是我们所说的浏览器服务器的种结构，他是种目前非常流行的程序结构。他运行于信息服务管理器之上是种非常流行的程序结构，架构解决了开发的程序不能联网的问题，这样的种运行结构使我们只需要在运行的服务器上进行架设，然后所有可以上网的用户都可以通过互联网使用配置好的程序。所以说这样的种结构是非常先进的程序框架，他和传统的程序的结构相比有很多优点，架构的程序只能在台电脑上进行访问，充其量也只能在个小型的局域网中进行互联互通，不能做到在互联网上进行访问，所以本系统选择的是结构。网上书店管理系统使用的开发工具的选择是从前几年流行起来的种微软的技术框架，是目前比较流行的可以开发跨平台的种先进的技术框架结构。总体来说他是种开发的技术框架，是微软公司发布的个整体的技术框架，包括众多的开发语言来进行支撑。这样的个框架是个全新的技术框架，他采用代码和界面分离的方式来进行系统的开发，后台的开发代码可以采用编程语言，也可以采用编程语言，甚至可以使用开发语言来进行开发，前台界面技术可以采用代码来进行书写和开发，同时框架还提供了很多可以直接使用的控件，直接操作到页面上进行使用和配置，这样的种方式给程序的开所谓神经网络即人工神经网络，缩写，简称神经网络，缩写，是种模仿生物神经网络的结构和功能的数学模型或计算模型。基于人工神经网络的人脸识别的常用学习方法又根据网络结构和模型不同而分为算法和算法。这两种算法在很多领域中都具有很重要的实用价值，在人脸识别领域中尤为突出。而这两种算法也正是本文研究的主要内容。理论及实际意义人脸识别技术是图像处理和模式识别的重要应用之，它涵盖了图像处理模式识别和计算机视觉等多个领域，在公安银行海关等机要部门都有着广泛的应用，除此之外在部分地区的安保部门的门禁系统摄像监视系统，学校的考勤系统，相机，智能手机,访问控制，视觉监控以及人机接口，视频会议，档案管理，电子相册等领域也有些应用。广义的人脸识别包括构建人脸识别系统的系列相关技术，包括人脸图像采集人脸定位人脸识别预处理身份确认以及身份查找等而狭义的人脸识别特指通过人脸进行身份确认按特征值大小以降序排列训练阶段计算特征脸形成的坐标系算法神经网络与人脑相似之处可以概括为两方面通过学习过程利用神经网络从外部环境中获取知识内部神经元用来存储获取的知识信息网络处理信息的基本原理输入信号通过中间节点隐层节点作用于输出节点，经过非线性转换产生输出信号，网络训练的每个样本包括输入向量和期望输出，网络实际输出值与期望输出值之间的偏差，通过调整输入节点与隐层节点连接强度取值和隐层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向下降，经过反复的学习训练，确定与最小误差相对应的网络参数权值和阈值，训练即告停止，此时经过训练的神经网络即能够对类似样本的输入信息自行处理，输入误差最小的经过非线性转换的信息。神经网络结构如图所示图网络结构神经网络的学习过程及过程网络输入向量,网络目标向量中间层单元输入向量输出向量输出层单元输入向量,输出向量,输入层至中间层的连接权中间层至输出层的连接权中间层各单元的输出阈值输出层各单元的输出阈值参数,。初始化。给每个连接权值阈值与赋予区间,内的随机值。随机选取组输入和目标样本,提供给网络。用输入样本,连接权和阈值计算中间层各单元的输入,然后用通过传递函数计算中间层各单元的输出。,,利用中间层的输出连接权和阈值计算输出层各单元的输出，然后通过传递函数计算输出层各单元的响应。,,利用网络目标向量，网络输出，计算输出层单元般化误差。,利用连接权输出层的般化误差和中间层计算中间层各单元的般化误差。利用输出层各单元的般化误差与中间层各单元的输出来修正连接权和阈值。利用中间层各单元的般化误差，输出层各单元的输入,来修正连接权和阈值。随机选取下个随机样本向量提供给网络，返回步骤，直到个训练样本训练完毕。重新从个学习样本中随机选取组输入和目标样本，返回步骤，直到网络全局误差小于预先设定的个极小值，即网络收敛。如果学习次数大于预先设定的值，网络就无法收敛。学习结束。训练过程主要代码归化训练样本顺序