实验七基于神经网络的模式识别实验精品模板.docx
《实验七基于神经网络的模式识别实验精品模板.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精品模板.docx（16页珍藏版）》请在冰点文库上搜索。
实验七基于神经网络的模式识别实验精品模板
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 