Đóng góp của một đầu vào sẽ phụ thuộc ảnh hưởng của nó tới các đầu vào khác. Với độ thiếu thông tin (về độ quan trọng của mỗi đầu vào), thường phải chuẩn hoá mỗi đầu vào vào một vùng giá trị xác định hoặc một độ lệch chuẩn giống nhau. Đó là bước cuối cùng trước khi đưa dữ liệu vào bộ phân lớp. Dưới đây tôi sẽ thực
hiện đánh giá các phương pháp chuẩn hóa đầu vào đã trình bày trong phần 3.3.1 với một hệ thống có các tham số như sau:
Tham số Giá trị
Tập dữ liệu Các ảnh mặt kích thước 30x27 điểm ảnh Phương pháp chuẩn hóa đầu vào {[0,1]~pp1, [-1,1]~pp2, m[-1,1]~pp3 , std~pp4,
PCA450, PCA200, PCA50, PCA10} Khởi tạo trọng số Lớp ẩn = 0, lớp ra = ngẫu nhiên (cố định)
Thuật toán huấn luyện Giảm gradient với hệ số quán tính (gdm) Hàm kích hoạt Dùng hàm log-sigmoid (cố định)
Số nơron trong lớp ẩn 14
Hệ số học 0.9
Hệ số quán tính 0.6
MSE huấn luyện nhỏ nhất 0 Số chu kỳ lớn nhất 1500
Bảng 4.1 - Các tham số trong so sánh các công nghệ chuẩn hóa đầu vào
Với những kết quả thu được đã mô tả trong hình 4.3 cho thấy rằng, hệ thống nhận dạng nét cảm xúc không thực hiện tốt khi chuẩn hóa các đầu vào ở trung bình 0 và chuẩn hóa độ lệch chuẩn là 1. Ưu điểm của PCA là thời gian huấn luyện nhanh, có kết quả khá tốt khi lựa chọn số lượng đặc trưng nhỏ (50), tuy nhiên độ sai số vẫn là quá lớn so với khi áp dụng phương pháp thứ 2. Do vậy, tôi lựa chọn phương pháp 2 là phương pháp để huấn luyện cho hệ thống này.