《(完整word版)实验七：基于神经网络的模式识别实验》由会员分享，可在线阅读，更多相关《(完整word版)实验七：基于神经网络的模式识别实验（19页珍藏版）》请在金锄头文库上搜索。
1、实验七：基于神经网络的模式识别实验实验目的理解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:图像预处理神经网络进行数字识别图
2、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:获取图像数据=创建神经网络训练存储训练好的神经网络图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,St
3、yle,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,re
4、cognize);%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%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
5、/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-1p仁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
6、(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pli,j=size(bw1);i1=round(16-i)/2);j1=round(16-j)/2);p1(i
7、1+1:i1+i,j1+1:j1+j)=bw1;p1=-1.*p1+ones(16,16);%将p1转换成输入向量form=0:15p(m*16+1:(m+1)*16,kk+1)=p1(1:16,m+1);endend%形成目标向量forkk=0:M-1forii=0:25t(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,251,logsigpurelin,traingdx,learngdm);net.trainParam.epochs=2500;net.train
8、Param.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,字符识另U%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,1
9、2,.call,delete(M(1);form=0:15q(m*16+1:(m+1)*16,1)=p1(1:16,m+1);end%识别a,Pf,Af=sim(net,q);a=round(a);switchacase0,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(
10、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
11、);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);c
12、ase8,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);c
13、ase11,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
