实验七基于某神经网络地模式识别实验Word文件下载.docx

1、 position,400 300 500 400,.Name,基于BP神经网络的英文字母识别,.NumberTitleoffMenuBarnone）;%画坐标轴对象，显示原始图像h0=axes（,0.1 0.6 0.3 0.3）;%添加图像打开按钮h1=uicontrol（H,StylepushPosition,40 100 80 60,.String选择图片FontSize,10,.Callop%画坐标轴对象，显示经过预处理之后的图像h2=axes（,0.5 0.6 0.3 0.3）;%添加预处理按钮h3=uicontrol（H,140 100 80 60,.二值化preprocess%添

2、加识别按钮h4=uicontrol（H,240 100 80 60,.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,340 100 80 60,.网络训练Example1Tr%预处理%preprocessp1=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（si

3、ze（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for kk=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,b

4、mp%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:

5、p1=-1.*p1+ones（16,16）; %将p1转换成输入向量 for m=0:15 p（m*16+1:（m+1）*16,kk+1）=p1（1:16,m+1）; endend%形成目标向量M-1 for ii=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,25 1,logsigpurelin,traingdxlearngdmnet.trainParam.epochs=2500;net.trainParam.goal=0.001;net.trainParam.show=1

6、0;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（,0.75 0.75 0.75,.,200 200 400 200,.基于BP神经网络的英文字母识别结果M0=uicontrol（M,150 80 130 40,.请先训练网络,12,.calldelete（M（1） ）; for m=0: q（m*16+1:（m+1）*16,1）=p1（1:%识别a,Pf,Af=sim（net,q）;a=round（a）;switch a case 0,M0=uicontro

7、l（M,这个字母是Adelete（M（1） case 1,M0=uicontrol（M,这个字母是B case 2,M0=uicontrol（M,这个字母是C case 3,M0=uicontrol（M,这个字母是D case 4,M0=uicontrol（M,这个字母是E case 5,M0=uicontrol（M,这个字母是F case 6,M0=uicontrol（M,这个字母是G case 7,M0=uicontrol（M,这个字母是H case 8,M0=uicontrol（M,这个字母是I case 9,M0=uicontrol（M,这个字母是J case 10,M0=uicont

8、rol（M,这个字母是K case 11,M0=uicontrol（M,这个字母是L case 12,M0=uicontrol（M,这个字母是M case 13,M0=uicontrol（M,这个字母是N case 14,M0=uicontrol（M,这个字母是O case 15,M0=uicontrol（M,这个字母是P case 16,M0=uicontrol（M,这个字母是Q case 17,M0=uicontrol（M,这个字母是R case 18,M0=uicontrol（M,这个字母是S case 19,M0=uicontrol（M,这个字母是T case 20,M0=uicont

9、rol（M,这个字母是U case 21,M0=uicontrol（M,这个字母是V case 22,M0=uicontrol（M,这个字母是W case 23,M0=uicontrol（M,这个字母是X case 24,M0=uicontrol（M,这个字母是Y case 25,M0=uicontrol（M,这个字母是ZEnd%op%读取图像文件filename,pathname=uigetfile（*.bmp;*.jpg.*.gif*.*,.Pick an Image FileX=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。