49开发应用1 引言用第一次计算的雅可比矩阵的结果，从而在多次迭代中只身份识别鉴定是各行各业保证系统安全的必要措施。
需要求一次雅可比矩阵就可以达到适应迭代的数据变化的在国家安全、司法、金融、电子商务、电子政务等应用领目的，从而可以大大提高迭代的收敛速度，由于多次迭代域迫切需要。
与传统的身份识别系统相比，人脸具有不易过程结合在一起，可以增加每次迭代的修正量，减少收敛伪造、不易窃取、不会遗忘的显著特点；而与指纹、虹膜时需要的迭代次数，避免迭代振荡的情况，使算法获得更等其他生物特征识别相比，人脸识别则具有更自然、友好的收敛性能。
M-FastICA算法继承了FastICA算法不需要好、无侵犯性的明显优势。
选择步长参数，收敛较有保证和所提取的人脸特征有效的2 特征提取优点，而且能进一步减少算法收敛的迭代次数和时间。
人脸特征提取是人脸识别的第一步。
其目标是用最少 3 QGA-BP神经网络分类器设计的特征量来表征人脸，同时要求特征量最大程度地保持不（1）量子遗传算法。
量子遗传算法(Quantum Genetic 同人脸的可区分能力。
研究表明不同的人脸特征提取方法Algorithm QGA)是一种高效的并行算法，建立在量子的态对人脸识别的性能影响很大。
本文采用的特征提取方法是矢量表达基础上。
它改变了传统GA的结构，其染色体不用基于整体的代数特征提取方法。
二进制数、十进制数或符号等来表示，而将量子比特的概（1）ICA算法的原理。
独立分量分析方法是由法国学率幅表示应用于染色体的编码，染色体的状态是一种叠加者Herault和Jutten于1985年提出的,它是一种非常有效的态或纠缠态，并利用量子旋转门实现染色体的更新操作，盲源分离技术 (Blind Sources Separation,BSS)。
它的基引入量子交叉克服了早熟收敛现象。
QGA的遗传操作不是采本思想是用一组独立的基函数来表示一系列随机变量。
用传统GA的选择、交叉和变异等，而是代之以简单的量子独立分量分析在处理高维数据时存在计算量大的缺门运算。
神经网络简介神经网络简介：人工神经网络是以工程技术手段来模拟人脑神经元网络的结构和特征的系统。
利用人工神经网络可以构成各种不同拓扑结构的神经网络，他是生物神经网络的一种模拟和近似。
神经网络的主要连接形式主要有前馈型和反馈型神经网络。
常用的前馈型有感知器神经网络、BP 神经网络，常用的反馈型有Hopfield 网络。
这里介绍BP （Back Propagation ）神经网络，即误差反向传播算法。
原理：BP （Back Propagation ）网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP 神经网络模型拓扑结构包括输入层（input ）、隐层(hide layer)和输出层(output layer)，其中隐层可以是一层也可以是多层。
图：三层神经网络结构图（一个隐层）任何从输入到输出的连续映射函数都可以用一个三层的非线性网络实现 BP 算法由数据流的前向计算（正向传播）和误差信号的反向传播两个过程构成。
正向传播时，传播方向为输入层→隐层→输出层，每层神经元的状态只影响下一层神经元。
若在输出层得不到期望的输出，则转向误差信号的反向传播流程。
通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。
单个神经元的计算：设12,...ni x x x 分别代表来自神经元1,2...ni 的输入；12,...i i ini w w w 则分别表示神经元1,2...ni 与下一层第j 个神经元的连接强度，即权值；j b 为阈值；()f ∙为传递函数；j y 为第j 个神经元的输出。
若记001,j j x w b ==，于是节点j 的净输入j S 可表示为：0*nij ij i i S w x ==∑；净输入j S 通过激活函数()f ∙后，便得到第j 个神经元的输出:0()(*),nij j ij i i y f S f w x ===∑激活函数：激活函数()f ∙是单调上升可微函数，除输出层激活函数外，其他层激活函数必须是有界函数，必有一最大值。
习题2.1什么是感知机？感知机的基本结构是什么样的？解答：感知机是Frank Rosenblatt在1957年就职于Cornell航空实验室时发明的一种人工神经网络。
它可以被视为一种最简单形式的前馈人工神经网络，是一种二元线性分类器。
感知机结构：2.2单层感知机与多层感知机之间的差异是什么？请举例说明。
解答：单层感知机与多层感知机的区别：1. 单层感知机只有输入层和输出层，多层感知机在输入与输出层之间还有若干隐藏层；2. 单层感知机只能解决线性可分问题，多层感知机还可以解决非线性可分问题。
2.3证明定理：样本集线性可分的充分必要条件是正实例点集所构成的凸壳与负实例点集构成的凸壳互不相交.解答：首先给出凸壳与线性可分的定义凸壳定义1：设集合S⊂R n，是由R n中的k个点所组成的集合，即S={x1,x2,⋯,x k}。
定义S的凸壳为conv(S)为：conv(S)={x=∑λi x iki=1|∑λi=1,λi≥0,i=1,2,⋯,k ki=1}线性可分定义2：给定一个数据集T={(x1,y1),(x2,y2),⋯,(x n,y n)}其中x i∈X=R n , y i∈Y={+1,−1} , i=1,2,⋯,n ,如果存在在某个超平面S：w∙x+b=0能够将数据集的正实例点和负实例点完全正确地划分到超平面的两侧，即对所有的正例点即y i=+1的实例i，有w∙x+b>0，对所有负实例点即y i=−1的实例i，有w∙x+b<0，则称数据集T为线性可分数据集；否则，称数据集T线性不可分。
必要性：线性可分→凸壳不相交设数据集T中的正例点集为S+，S+的凸壳为conv(S+)，负实例点集为S−，S−的凸壳为conv(S−)，若T是线性可分的，则存在一个超平面：w ∙x +b =0能够将S +和S −完全分离。
假设对于所有的正例点x i ，有：w ∙x i +b =εi易知εi >0，i =1，2，⋯，|S +|。
