BP神经网络对0-9数字识别(共8页).docx

《BP神经网络对0-9数字识别(共8页).docx》由会员分享，可在线阅读，更多相关《BP神经网络对0-9数字识别(共8页).docx（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上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进行数字(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行反复的调整训练,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行识别前,应先对阿拉伯数字位图样本进行预处理,即先将256色位图转为灰度图,然后二值化,最后进行归一化处理，然后进行特征向量提取。大小为2020像素。图像是二值图。下一步建立神经网络，如图1所示。2.

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,就可以用数据进行识别。识别流程图如下。图3 数字识别流程2)matlab 代码%预处理clear all;for pcolum=0:39 p1=ones(30,30); %建立全为1的样本矩阵m=strcat(C:Users91082Desktopyangbennum,int2str(pcolum),.jpg); I=imread(m); %循环读入0-39个样本数字文件I1=im2bw(I,0.3); %对输入图像进行二值化处理 采用全局阈值0.3 m,n=find(I1=0); rowmi

3、n=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部分 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

4、理 for hh=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 switch pcolum case 0,10,20,30 t(pcolum+1)=0; %数字0 case1,11,21,31 t(pcolum+1)=1 ; %数字1 case2,12,22,32 t(pcolum+1)=2 ; %数字2 case3,13,23,33 t(pcolum+1)=3; %数字3 case4,14,24,34 t(pcolum+1)=4; %数字4 cas

5、e5,15,25,35 t(pcolum+1)=5 ; %数字5 case6,16,26,36 t(pcolum+1)=6 ; %数字6 case7,17,27,37 t(pcolum+1)=7 ; %数字7 case8,18,28,38 t(pcolum+1)=8 ; %数字8 case9,19,29,39 t(pcolum+1)=9 ; %数字9 end %建立与训练样本对应的输出值tendsave 51ET p t;%训练网络代码clear all;load 51ET p t; %加载样本pr(1:900,1)=0;pr(1:900,2)=1;net=newff(pr,25 1,logs

6、ig 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save ET51net net;%识别0-9过程clear allfor m=0:9 c=m;%m=input(请输入测试样本(C:Users91082Desktopyangbentry):); I=

7、strcat(C:Users91082Desktopyangbentry,int2str(m),.jpg);U=imread(I);imtool(U); %通过键盘输入添加试验样本load ET51net net; %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I1=im2bw(U,0.3); %对输入图像进行二值化处理 采用全局阈值0.3m,n=find(I1=0); rowmin=min(m);rowmax=max(m);colummin=min(n);colummax=max(n);I

8、2=I1(rowmin:rowmax,colummin:colummax); %截取是入图像中的数字部分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 for hh=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:%dn,c,x)end3)运行结果及分析 训练网络结果如下图：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10张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较，这十张图片全部识别成功。专心-专注-专业