BP神经网络对09数字识别.docx
《BP神经网络对09数字识别.docx》由会员分享，可在线阅读，更多相关《BP神经网络对09数字识别.docx（8页珍藏版）》请在冰点文库上搜索。
BP神经网络对09数字识别
3.编程实现BP网络，并利用该程序实现数字（0-9）图片的识别。
解：
采用BP进展数字（0-9）图片的识别，并使用MATLAB编程实现。
BP算法原理：
输入学习样本,使用反向传播算法对网络的权值和偏差进展反复的调整训练,使输出的向量与期望向量尽可能地接近,当网络输出层的误差平方和小于指定的误差时训练完成,保存网络的权值和偏差。
1）算法步骤：
1.利用BP神经网络对阿拉伯数字进展识别前,应先对阿拉伯数字位图样本进展预处理,即先将256色位图转为灰度图,然后二值化,最后进展归一化处理，然后进展特征向量提取。
大小为20×20像素。
图像是二值图。
下一步建立神经网络，如图1所示。
2.建立BP网络，训练BP网络。
本设计采用40个训练样本训练BP网络。
训练流程如下：
3.训练完BP网络,就可以用数据进展识别。
识别流程图如下。
图3数字识别流程
2）matlab代码
%预处理
clearall;
forpcolum=0:
39
p1=ones（30,30）;%建立全为1的样本矩阵
m=strcat（‘C:
\Users\91082\Desktop\yangben\num\’,int2str（pcolum）,’.jpg’）;
I=imread（m）;%循环读入0-39个样本数字文件
[m,n]=find（I1==0）;
rowmin=min（m）;
rowmax=max（m）;
colummin=min（n）;
colummax=max（n）;
I2=I1（rowmin:
rowmax,colummin:
colummax）;%截取是入图像中的数字局部
rate=30/max（size（I2））;
I3=imresize（I2,rate）;%对输入文件变尺寸处理
[I,j]=size（I3）;
row=round（（30-i）/2）;
colum=round（（30-j）/2）;
p1（row+1:
row+I,colum+1:
colum+j）=I3;%建立起30*30的矩阵
p1=-1*p1+ones（30,30）;%反色处理
forhh=1:
30
p（（hh-1）*30+1:
（hh-1）*30+30,pcolum+1）=p1（hh,1:
30）;
end%将处理的源样本输入供神经网络训练的样本
%pcolum是样本数循环变量
switchpcolum
case{0,10,20,30}
t（pcolum+1）=0;%数字0
case{1,11,21,31}
t（pcolum+1）=1;%数字1
case{2,12,22,32}
t（pcolum+1）=2;%数字2
case{3,13,23,33}
t（pcolum+1）=3;%数字3
case{4,14,24,34}
t（pcolum+1）=4;%数字4
case{5,15,25,35}
t（pcolum+1）=5;%数字5
case{6,16,26,36}
t（pcolum+1）=6;%数字6
case{7,17,27,37}
t（pcolum+1）=7;%数字7
case{8,18,28,38}
t（pcolum+1）=8;%数字8
case{9,19,29,39}
t（pcolum+1）=9;%数字9
end%建立与训练样本对应的输出值t
end
save51ETpt;
%训练网络代码
clearall;
load51ETpt;%加载样本
pr（1:
900,1）=0;
pr（1:
900,2）=1;
net=newff（pr,[251],{'logsig''purelin'},'traingdx','learngdm'）;
%创建BP网络
net.trainParam.epochs=3000;%设置训练步数
net.trainParam.goal=0.005;%设置训练目标
net.trainParam.show=10;%设置训练显示格数
net.trainParam.lr=0.05;%设置训练学习率
net=train（net,p,t）;%训练BP网络
saveET51netnet;
%识别0-9过程
clearall
form=0:
9
c=m;
%m=input（'请输入测试样本（C:
\Users\91082\Desktop\yangben\try\）:
'）;
I=strcat（'C:
\Users\91082\Desktop\yangben\try\',int2str（m）,'.jpg'）;
U=imread（I）;
imtool（U）;%通过键盘输入添加试验样本
loadET51netnet;%加载以训练好的BP神经网络
p=zeros（900,1）;%建立输入样本的空矩阵
p1=ones（30,30）;%建立临时存放样本的30*30的矩阵
[m,n]=find（I1==0）;
rowmin=min（m）;
rowmax=max（m）;
colummin=min（n）;
colummax=max（n）;
I2=I1（rowmin:
rowmax,colummin:
colummax）;%截取是入图像中的数字局部
rate=30/max（size（I2））;
I3=imresize（I2,rate）;%对输入文件变尺寸处理
[i,j]=size（I3）;
row=round（（30-i）/2）;
colum=round（（30-j）/2）;
p1（row+1:
row+i,colum+1:
colum+j）=I3;%建立起30*30的矩阵
p1=-1*p1+ones（30,30）;%反色处理
forhh=1:
30
p（（hh-1）*30+1:
（hh-1）*30+30,1）=p1（hh,1:
30）;
end%将处理的源样本输入供神经网络训练的样本
x=sim（net,p）;%测试网络
x=round（x）;%输出网络识别结果
fprintf（'第%d图片是数字:
%d\n',c,x）
end
3）运行结果与分析
训练网络结果如如下图：
由图可知，训练70次就达到训练目标。
输入识别的0-9图片如下：
将上图10X测试图片进过识别程序，输出结果如下：
通过命令行结果可知，将测试图片与结果比拟，这十X图片全部识别成功。
升级会员 