神经网络应用于手写数字识别-matlab(6页).doc

《神经网络应用于手写数字识别-matlab(6页).doc》由会员分享，可在线阅读，更多相关《神经网络应用于手写数字识别-matlab(6页).doc（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、-神经网络应用于手写数字识别-matlab-第 6 页实 验 报 告实验课程： 管理运筹学实验名称： 神经网络应用于手写数字识别-matlab学生姓名： 指导教师： 实验时间： 2018年1月16日实验要求：运用matlab编程进行神经网络进行手写数字识别。小组成员：姓名学号实验过程：一、BP神经网络神经网络是由很多神经元组成，可以分为输入，输出，隐含层。BP神经网络的特点：信号前向传递，信号反向传播。若输出存在误差，根据误差调整权值和阈值，使网络的输出接近预期。在用BP神经网络进行预测之前要训练网络训练过程如下：1.网络初始化：各个参数的确定包括输入，输出，隐含层的节点数，输入和隐含，隐含和

2、输出层之间的权值，隐含，输出层的阈值，学习速度和激励函数。2.计算隐含层输出3.计算输出层输出4.误差计算5.权值更新6.阈值更新7.判断迭代是否结束二、模型建立数据集介绍：数据集包含0-9这10个数字的手写体。是放在10个文件夹里，文件夹的名称对应存放的手写数字图片的数字，每个数字500张,每张图片的像素统一为28*28。识别流程：首先要对数据进行处理，这个主要是批量读取图片和特征提取的过程，特征提取的方法很多，这里只挑选最简单的来实现，然后是训练出一个神经网络的模型，最后用测试数据进行测试。为了方面，这里的神经网络的创建，训练和测试采用matlab函数来实现。运行流程：1.确定神经网络的输

3、入，输出。输入是BP神经网络很重要的方面，输入的数据是手写字符经过预处理和特征提取后的数据。预处理有二值化，裁剪掉空白的区域，然后再统一大小为70*50为特征提取做准备。特征提取采用的是粗网格特征提取，把图像分成35个区域，每个区域100像素，统计区域中1像素所占的比例。经过预处理特征提取后，28*28图像转成1*35的特征矢量。提取完5000张图片后，依次把所有的特征存于一个矩阵（35*5000）中。2.神经的网络的训练用matlab的rands函数来实现网络权值的初始化，网络结构为输入层35，隐藏层34，输出层10，学习速率为，隐藏层激励函数为sigmoid函数。随机抽取4500张图片提取

4、特征后输入，按照公式计算隐含层和输出层输出，误差，更新网络权值。3.神经网络的预测训练好神经网络之后，用随机抽取的500个数字字符对网络进行预测，输入特征向量，计算隐含层和输出层输出，得到最后预测的数据。同时计算每个数字的正确率和全体的正确率。最后得到的总体正确率为。主函数：clc;clear all;close all;% 读取图像root=./data;img=read_train(root);% 提取特征img_feature=feature_lattice(img);% 构造标签class=10;numberpclass=500;ann_label=zeros(class,number

5、pclass*class);ann_data=img_feature;for i=1:class for j=numberpclass*(i-1)+1:numberpclass*i ann_label(i,j)=1; endend% 选定训练集和测试集k=rand(1,numberpclass*class); m,n=sort(k); ntraindata=4500;ntestdata=500;train_data=ann_data(:,n(1:ntraindata);test_data=ann_data(:,n(ntraindata+1:numberpclass*class);train_l

6、abel=ann_label(:,n(1:ntraindata);test_label=ann_label(:,n(ntraindata+1:numberpclass*class);% BP神经网络创建，训练和测试net=network_train(train_data,train_label);predict_label=network_test(test_data,net);% 正确率计算u,v=find(test_label=1);label=u;error=label-predict_label;accuracy=size(find(error=0),2)/size(label,2)批

7、量读取图片函数：文件存放特点：在data下有10个子文件夹，每个子文件夹下有500张图片。函数可以利用于任何批量图片的读取，传入的是文件夹路径，输出的是一个n（对应图片数目）维cell，每个cell存放的是图片的数据。function imglist = read_train(root)%=读取文件夹=%out_Files = dir(root);%展开tempind=0;imglist=cell(0);n=length(out_Files);%=读取文件=%for i = 1:n; if strcmp(out_Files(i).name,.)| strcmp(out_Files(i).nam

8、e,.) else rootpath=strcat(root,/,out_Files(i).name); in_filelist=dir(rootpath); ni=length(in_filelist); for j=1:ni if strcmp(in_filelist(j).name,.)| strcmp(in_filelist(j).name,.)| strcmp(in_filelist(j).name,Desktop_1.ini)| strcmp(in_filelist(j).name,Desktop_2.ini) else tempind=tempind+1; imglisttemp

9、ind=imread(strcat(rootpath,/,in_filelist(j).name); end end endendend特征提取函数：提取所有图像的特征，二值化resize-提取特征function feature = feature_lattice(img)% 输入:黑底白字的二值图像。输出：35维的网格特征% =提取特征，转成5*7的特征矢量,把图像中每10*10的点进行划分相加，进行相加成一个点=%=即统计每个小区域中图像象素所占百分比作为特征数据=%for i=1:length(img);bw2=im2bw(imgi,graythresh(imgi);bw_7050=i

10、mresize(bw2,70,50);for cnt=1:7 for cnt2=1:5 Atemp=sum(bw_7050(cnt*10-9):(cnt*10),(cnt2*10-9):(cnt2*10);%10*10box lett(cnt-1)*5+cnt2)=sum(Atemp); endendlett=(100-lett)/100);lett=lett;feature(:,i)=lett;end构造标签：要构造出适合神经网络的标签，在这个例子中有10个类，若为某个标签，那么这个位置的值为1，其余为0。BP神经网络创建，训练和测试：主要是几个参数的设置，layer隐含层的神经元个数。tr

11、ainFcn：训练算法function net = network_train(train_data,train_label )% 输入：训练图像特征和label。输出：训练好的神经网络% BP网络训练% 初始化网络结构layer=25;net=newff(train_data,train_label,layer);net.trainParam.epochs=1;net.trainParam.lr=;net.trainParam.goal=;net.trainFcn=trainrp;% 网络训练net=train(net,train_data,train_label);endfunction out = network_test(test_data,net)% BP网络预测an=sim(net,test_data);for i=1:length(test_data) out(i)=find(an(:,i)=max(an(:,i);endend实验结果：