基于反向传播神经网络的人脸识别

是标准的机器学习算法。您有许多浮点数数组(ML中的实例或统计学术语中的观察值)和相应的名称(标签、类标记)，每个数组一个。这对于大多数ML算法来说已经足够了。特别是在人工神经网络中，数组的元素(即特征)是网络的输入，标签(名称)是其输出。

如果你正在寻找反向传播的理论描述，可以看看斯坦福大学的机器学习课程(人工神经网络部分)。如果您需要现成的实现，请阅读这个问题。

你没有指定数组的元素是什么。如果您只使用原始图像的像素，这应该可以工作，但不是很好。如果你需要生产级系统(尽管仍然使用人工神经网络)，试着提取更多的高级特征(例如Haar-like features, OpenCV自己使用)。

您是否尝试过将您的特征向量写入arff文件并将它们提供给weka，只是为了看看您的方法是否可能有效?Weka集成了很多分类器，包括MLP。根据我目前的理解，我怀疑您选择的特征和分类器不起作用。

对于你最初的问题:你有没有尝试过自己实现一个神经网络?如果有，你在哪里卡住了?注意，这里不是向观众请求完整的工作实现的地方。

对一般性问题给出一般性的回答:通常在MLP中有节点。特别是输入节点、输出节点和隐藏节点。这些节点严格按层组织。下面是输入层，上面是输出层，中间是隐藏层。节点以简单的前馈方式连接(只允许输出连接到下一层)。然后将每个float连接到单个输入节点，并将特征向量馈送到网络。对于反向传播，需要提供为输出节点指定的错误信号。因此，如果您有n名称来区分，您可以使用n输出节点(即每个名称一个)。例如，让它们在匹配的情况下返回1，否则返回0。您可以很好地使用一个输出节点，让它为名称返回n不同的值。也许最好使用n完全不同的感知器，即每个名称一个，以避免一些副作用(灾难性干扰)。

注意，每个节点的输出是一个数字，而不是一个名称。因此，您需要使用某种阈值来获得数字-名称关系。还要注意，你需要大量的训练数据来训练一个大型网络(即服从维度的诅咒)。知道float数组的大小会很有趣。实际上，对于一个复杂的决策，您可能需要更多的隐藏节点甚至隐藏层。进一步注意，您可能需要进行大量评估(即交叉验证)以找到最佳配置(层数，每层节点数)，或者甚至找到任何工作配置。

无论如何，祝你好运!