实验七基于某神经网络地模式识别实验Word文件下载.docx

实验七基于某神经网络地模式识别实验Word文件下载.docx

《实验七基于某神经网络地模式识别实验Word文件下载.docx》由会员分享，可在线阅读，更多相关《实验七基于某神经网络地模式识别实验Word文件下载.docx（15页珍藏版）》请在冰豆网上搜索。

'

position'

[400300500400],...

Name'

'

基于BP神经网络的英文字母识别'

...

NumberTitle'

off'

MenuBar'

none'

）;

%画坐标轴对象，显示原始图像

h0=axes（'

[0.10.60.30.3]）;

%添加图像打开按钮

h1=uicontrol（H,'

Style'

push'

Position'

[401008060],...

String'

选择图片'

FontSize'

10,...

Call'

op'

%画坐标轴对象，显示经过预处理之后的图像

h2=axes（'

[0.50.60.30.3]）;

%添加预处理按钮

h3=uicontrol（H,'

[1401008060],...

二值化'

preprocess'

%添加识别按钮

h4=uicontrol（H,'

[2401008060],...

字母识别'

recognize'

%添加显示识别结果的文本框

%添加训练神经网络按钮

h6=uicontrol（H,'

[3401008060],...

网络训练'

'

Example1Tr'

%预处理

%preprocess

p1=ones（16,16）;

bw=im2bw（X,0.5）;

%转换成二值图像

%用矩形框截取图像

[i,j]=find（bw==0）;

imin=min（i）;

imax=max（i）;

jmin=min（j）;

jmax=max（j）;

bw1=bw（imin:

imax,jmin:

jmax）;

%调整比例，变换成16*16图像

rate=16/max（size（bw1））;

bw1=imresize（bw1,rate）;

[i,j]=size（bw1）;

i1=round（（16-i）/2）;

j1=round（（16-j）/2）;

p1（i1+1:

i1+i,j1+1:

j1+j）=bw1;

p1=-1.*p1+ones（16,16）;

%显示预处理的结果

axes（h2）;

imshow（p1）;

%Example1Tr，训练网络

M=1;

%人数

N=26*M;

%样本数

%获取26个大写字母图像的数据

forkk=0:

N-1

p1=ones（16,16）;

%初始化16*16的二值图像（全白）

m=strcat（int2str（kk）,'

.bmp'

%形成文件名

x=imread（m,'

bmp'

%读取图像

bw=im2bw（x,0.5）;

%转换成二值图像数据

%用矩形框截取

[i,j]=find（bw==0）;

%查找像素为黑的坐标

%取边界坐标

imin=min（i）;

imax=max（i）;

jmin=min（j）;

jmax=max（j）;

bw1=bw（imin:

%截取

%调整比例，缩放成16*16的图像

rate=16/max（size（bw1））;

bw1=imresize（bw1,rate）;

%会存在转换误差

%将bw1转换成标准的16*16图像p1

[i,j]=size（bw1）;

i1=round（（16-i）/2）;

j1=round（（16-j）/2）;

p1（i1+1:

p1=-1.*p1+ones（16,16）;

%将p1转换成输入向量

form=0:

15

p（m*16+1:

（m+1）*16,kk+1）=p1（1:

16,m+1）;

end

end

%形成目标向量

M-1

forii=0:

25

t（kk+ii+1）=ii;

%设置输入向量围

pr（1:

256,1）=0;

256,2）=1;

%创建两层BP神经网络，隐层有25个节点

net=newff（pr,[251],{'

logsig'

purelin'

},'

traingdx'

learngdm'

net.trainParam.epochs=2500;

net.trainParam.goal=0.001;

net.trainParam.show=10;

net.trainParam.lr=0.05;

%训练神经网络

net=train（net,p,t）;

%存储训练好的神经网络

%recognize，字符识别

%生成向量形式

M=figure（'

[0.750.750.75],...

[200200400200],...

基于BP神经网络的英文字母识别结果'

M0=uicontrol（M,'

[1508013040],...

请先训练网络'

12,...

call'

delete（M

（1））'

）;

form=0:

q（m*16+1:

（m+1）*16,1）=p1（1:

%识别

[a,Pf,Af]=sim（net,q）;

a=round（a）;

switcha

case0,M0=uicontrol（M,'

这个字母是A'

delete（M

（1））'

case1,M0=uicontrol（M,'

这个字母是B'

case2,M0=uicontrol（M,'

这个字母是C'

case3,M0=uicontrol（M,'

这个字母是D'

case4,M0=uicontrol（M,'

这个字母是E'

case5,M0=uicontrol（M,'

这个字母是F'

case6,M0=uicontrol（M,'

这个字母是G'

case7,M0=uicontrol（M,'

这个字母是H'

case8,M0=uicontrol（M,'

这个字母是I'

case9,M0=uicontrol（M,'

这个字母是J'

case10,M0=uicontrol（M,'

这个字母是K'

case11,M0=uicontrol（M,'

这个字母是L'

case12,M0=uicontrol（M,'

这个字母是M'

case13,M0=uicontrol（M,'

这个字母是N'

case14,M0=uicontrol（M,'

这个字母是O'

case15,M0=uicontrol（M,'

这个字母是P'

case16,M0=uicontrol（M,'

这个字母是Q'

case17,M0=uicontrol（M,'

这个字母是R'

case18,M0=uicontrol（M,'

这个字母是S'

case19,M0=uicontrol（M,'

这个字母是T'

case20,M0=uicontrol（M,'

这个字母是U'

case21,M0=uicontrol（M,'

这个字母是V'

case22,M0=uicontrol（M,'

这个字母是W'

case23,M0=uicontrol（M,'

这个字母是X'

case24,M0=uicontrol（M,'

这个字母是Y'

case25,M0=uicontrol（M,'

这个字母是Z'

End

%op

%读取图像文件

[filename,pathname]=uigetfile（{'

*.bmp'

;

*.jpg'

...

*.gif'

*.*'

},...

PickanImageFile'

X=imread（[pathname,filename]）;

%显示图像

axes（h0）;

%将h0设置为当前坐标轴句柄

imshow（X）;

%在h0上显示原始图像

2.实验结果

图5-1为实验的主窗口，用于选择图片，进行二值化，网络训练和字符识别。

运行程序后，将弹出次窗口，选择图片后，先进行二值化处理，然后在进行网络训练，最后字符识别。

图5-1主窗口

图5-2网络训练

图5-3字符识别结果

三、实验体会

理解了BP神经网络和离散Hopfield神经网络的结构和原理，掌握了反向传播学习算法对神经元的训练过程，了解了反向传播公式。

通过构建了BP网络和离散Hopfield网络模式识别的实例，熟悉了前馈网络和反馈网络的原理及结构。

掌握了模式识别的原理，了解了识别过程的程序设计方法。