实验七基于神经网络的模式识别实验推荐文档.docx
《实验七基于神经网络的模式识别实验推荐文档.docx》由会员分享，可在线阅读，更多相关《实验七基于神经网络的模式识别实验推荐文档.docx（13页珍藏版）》请在冰豆网上搜索。
实验七基于神经网络的模式识别实验推荐文档
实验七：
基于神经网络的模式识别实验
一、实验目的
理解BP神经网络和离散Hopfield神经网络的结构和原理，掌握反向传播学习算法对神经元的训练过程，了解反向传播公式。
通过构建BP网络和离散Hopfield网络模式识别实例，熟悉前馈网络和反馈网络的原理及结构。
综合掌握模式识别的原理，了解识别过程的程序设计方法。
二、实验内容
熟悉模式识别的理论方法，用选择一种合适的识别方法，对图像中的字符（英文字母）进行识别，能够区分出不同的形态的26个字母。
在Matlab中，采用BP神经网络，对读取的数据进行训练，进而识别。
1.程序设计
（1）程序各流程图
实验中主程序流程图如图4-1所示：
图4-1主程序流程图
其中图像预处理的流程如图4-2所示：
图4-2图像预处理的流程
神经网络训练的具体流程如图4-3所示：
图4-3神经网络训练流程
（2）程序清单
%形成用户界面
clearall;
%添加图形窗口
H=figure（'Color',[0.850.850.85],...
'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（'position',[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（'position',[0.50.60.30.3]）;
%添加预处理按钮
h3=uicontrol（H,'Style','push',...
'Position',[1401008060],...
'String','二值化',...
'FontSize',10,...
'Call','preprocess'）;
%添加识别按钮
h4=uicontrol（H,'Style','push',...
'Position',[2401008060],...
'String','字母识别',...
'FontSize',10,...
'Call','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,'Style','push',...
'Position',[3401008060],...
'String','网络训练',...
'FontSize',10,...
'Call','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:
imax,jmin:
jmax）;%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:
i1+i,j1+1:
j1+j）=bw1;
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
forkk=0:
M-1
forii=0:
25
t（kk+ii+1）=ii;
end
end
%设置输入向量范围
pr（1:
256,1）=0;
pr（1:
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（'Color',[0.750.750.75],...
'position',[200200400200],...
'Name','基于BP神经网络的英文字母识别结果',...
'NumberTitle','off',...
'MenuBar','none'）;
M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','请先训练网络',...
'FontSize',12,...
'call','delete（M
（1））'）;
form=0:
15
q（m*16+1:
（m+1）*16,1）=p1（1:
16,m+1）;
end
%识别
[a,Pf,Af]=sim（net,q）;
a=round（a）;
switcha
case0,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是A',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case1,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是B',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case2,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是C',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case3,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是D',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case4,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是E',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case5,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是F',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case6,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是G',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case7,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是H',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case8,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是I',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case9,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是J',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case10,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是K',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case11,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是L',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case12,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是M',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case13,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是N',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case14,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是O',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case15,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是P',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case16,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是Q',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case17,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是R',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case18,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是S',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case19,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是T',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case20,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是U',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case21,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是V',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case22,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是W',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case23,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是X',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case24,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是Y',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
case25,M0=uicontrol（M,'Style','push',...
'Position',[1508013040],...
'String','这个字母是Z',...
'FontSize',12,...
'call',...
'delete（M
（1））'）;
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。
升级会员 