实验七基于神经网络的模式识别实验.docx

1、实验七基于神经网络的模式识别实验 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

2、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clear all;%添加图形窗口H=figure(Color,0.85 0.85 0.85,. position,400 300 500 400,. 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,0.1 0.6 0.3 0.3);%添加图像打开按钮h1=uicontrol

3、(H,Style,push,. Position,40 100 80 60,. 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,0.5 0.6 0.3 0.3);%添加预处理按钮h3=uicontrol(H,Style,push,. Position,140 100 80 60,. String,二值化,. FontSize,10,. Call,preprocess);%添加识别按钮h4=uicontrol(H,Style,push,. Position,240 100 80 60,. Stri

4、ng,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,340 100 80 60,. String,网络训练,. FontSize,10,.Call,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:i

5、max,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for kk=0:N-1 p1=ones(16,16);%初始化16*16的二值图像（全白）

6、 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

7、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 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for kk=0:M-1 for ii=0:25 t(kk+ii+1)=ii; endend%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,25

8、 1,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,0.75 0.75 0.75,. position,200 200 400 200,. Name,基于BP神经网络的英文字母识别结果,. NumberTitle,off,. Men

9、uBar,none);M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,请先训练网络,. FontSize,12,. call,delete(M(1) ); for m=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);switch a case 0,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是A,. FontSize,12,. call,.

10、 delete(M(1); case 1,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是B,. FontSize,12,. call,. delete(M(1); case 2,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是C,. FontSize,12,. call,. delete(M(1); case 3,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String

11、,这个字母是D,. FontSize,12,. call,. delete(M(1); case 4,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是E,. FontSize,12,. call,. delete(M(1); case 5,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是F,. FontSize,12,. call,. delete(M(1); case 6,M0=uicontrol(M,Style,push,. P

12、osition,150 80 130 40,. String,这个字母是G,. FontSize,12,. call,. delete(M(1); case 7,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是H,. FontSize,12,. call,. delete(M(1); case 8,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是I,. FontSize,12,. call,. delete(M(1); case 9

13、,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是J,. FontSize,12,. call,. delete(M(1); case 10,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是K,. FontSize,12,. call,. delete(M(1); case 11,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是L,. FontSize

14、,12,. call,. delete(M(1); case 12,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是M,. FontSize,12,. call,. delete(M(1); case 13,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是N,. FontSize,12,. call,. delete(M(1); case 14,M0=uicontrol(M,Style,push,. Position,150 80

15、130 40,. String,这个字母是O,. FontSize,12,. call,. delete(M(1); case 15,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是P,. FontSize,12,. call,. delete(M(1); case 16,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是Q,. FontSize,12,. call,. delete(M(1); case 17,M0=uicontro

16、l(M,Style,push,. Position,150 80 130 40,. String,这个字母是R,. FontSize,12,. call,. delete(M(1); case 18,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是S,. FontSize,12,. call,. delete(M(1); case 19,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是T,. FontSize,12,. call,.

17、 delete(M(1); case 20,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是U,. FontSize,12,. call,. delete(M(1); case 21,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是V,. FontSize,12,. call,. delete(M(1); case 22,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. Str

18、ing,这个字母是W,. FontSize,12,. call,. delete(M(1); case 23,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是X,. FontSize,12,. call,. delete(M(1); case 24,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是Y,. FontSize,12,. call,. delete(M(1); case 25,M0=uicontrol(M,Style,pu

19、sh,. Position,150 80 130 40,. 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;*.*,. Pick an Image File);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。