基于极限学习单元的多生物特征图像深度学习建模与识别研究

Deep learning is a kind of cognitive learning to simulate the human visual perception of the nervous system, hierarchical and incremental deep learning can get more high-level features, and it is suitable to the field of multimodal biometrics recognition. According to the low efficiency drawbacks of the traditional deep learning models, based on the preliminary studies, the project intends to do the researches on building a deep learning model and recognition for multimodal biometrics image with extreme learning units. The studies include : ① The image pre-processing and data fusion of the multimodl biometrics images; ② Fusing the extreme learning into deep learning to build the deep learning units , and combining the variational Bayesian inference, Adaptive Fuzzy Particle Swarm Optimization (AF-PSO), sparse structure optimization algorithms to improve the learning efficiency; ③Based on the built extreme learning machine units, we determine the network parameters of the learning unit of each layer to performe the hierarchical, incremental learning on the deep learning networks;Besides, it is able to fuse the certain learning methods according to the different input environments. ④Using the learned high-level representation features for multimodal biometrics recognition. By studying the above contents, we will build a new and effective deep learning model, and hope to provide new ideas and methods for the multimodal biometrics authentication, and also lay the foundation for further study.

深度学习是模拟人类视觉感知神经系统的认知学习，层次化、渐进式的深度学习能够获得更具表征力的高层特征，适用于多生物特征识别领域。针对传统深度学习模型存在运算效率不高的弊端，在前期研究基础上，本项目拟开展基于极限学习单元的多生物特征图像深度学习建模及识别研究。研究内容包括：①多生物特征图像的预处理以及图像数据的融合；②将极限学习融入深度学习，构建深度学习单元，并引入贝叶斯变分推理，自适应模糊粒子群优化，稀疏结构等优化算法，提高学习效率；③基于构建的极限学习单元，依次确定每层学习单元的网络参数，进行深度网络的层次化、渐进式学习；此外，针对不同的输入环境，可以融入特定的学习算法。④利用学习后的高层表征特征进行多生物特征识别。通过以上内容的研究，构建新的有效的深度学习模型，期望为多生物特征识别提供新的研究思路和方法，也为进一步深入研究打下基础。

深度学习是模拟人类视觉感知神经系统的认知学习，层次化、渐进式的深度学习能够获得更具表征力的高层特征，适用于多生物特征识别领域。针对传统深度学习模型存在运算效率不高的弊端，在前期研究基础上，本项目开展基于极限学习单元的多生物特征图像深度学习建模及识别研究。研究内容包括：①多生物特征图像的预处理以及图像数据的融合；②将极限学习融入深度学习，构建深度学习单元，并引入贝叶斯变分推理等优化算法，提高学习效率；③基于构建的极限学习单元，依次确定每层学习单元的网络参数，进行深度网络的层次化、渐进式学习；此外，针对不同的输入环境，可以融入特定的学习算法。④利用学习后的高层表征特征进行多生物特征识别。本项目研究中提出了一种新的基于堆栈极限深度学习机和核典型关联分析方法的多生物特征深度识别模型，利用快速极限学习机作为学习单元，构建深度神经网络模型完成多生物特征识别的任务。通过本课题研究，在基于极限学习的深度学习建模，以及基于模型的多生物特征识别方面取得了一些成果，包括发表一系列的论著、高水平论文、发明专利、科技获奖等30项成果，培养了6名硕士研究生等人才，完成了预期目标。