matlab在模式识别中的应用

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,*,模式识别技术,定义：识别出给定的事物与哪一个标本相同或相近。,模式分类,:,把供模仿的标本分成若干类，再判断给定的事物属于哪一类。,例如：文字识别，疾病诊断,声纹识别。模式是被属于人工智能的研究范畴。,模式识别的分类,有监督的模式识别：除了待识别样本外，还提供已经类别样本集（训练样本集），用来先行训练，使之积累经验，获得识别能力，再对未知样本识别，分类。,无监督的模式识别：无训练样本。采用集群（聚类）分析。,模式识别系统,数据获取,预处理,特征提取,决策分类,在实际问题中，提取的特征是把一个物理模式变成一个随机向量。,决策分类：若已知待识别样本完整的先验知识，则可据此确定决策函数的数学表达式；若仅知待识别样本的定性知识，那么需要经过学习（训练），确定决策函数。,例,: Cancer,数据测试,调用,cancer_dataset,采用,BP,网络识别癌症特征。,采用,newpr(p,t,hidenum,),创建网络,数据分类：,1,、,60%,用于训练,2,、,20%,用于监测（防止过收 敛）,3,、,20%,用于测试,采用,train,训练,提高精度方法,对网络赋值新权值，重新训练,增加隐层神经元数目,增加训练样本,增加预测变量的数目（更多先验信息）,更好其他的训练算法,采用优化算法,nprtool,的使用,在命令窗口输入,nprtool,即可弹出,GUI,界面。,其中可以,load,软件中的样本数据，进行测试。,例：血清胆固醇含量检测问题,通过临床实践共提取了,264,位病人的血样检测结果数据，其中每个检测结果均对应所测血样光谱的,21,个波长值。现利用样本数据训练，设计一个神经网络，使其能够自动完成上述检测过程。,分析,Step1:,采用,load,choles_all,调用内置的经典样本，训练样本名为,p,训练目标名为,t,Step2:,采用,prestd(p,t,),对原始样本归一化，获得归一化后的样本矩阵,pn,Step3:,采用,ptran,=prepca(pn,0.001),对归一化后的矩阵,pn,降维。,Step4:,对样本数据划分为训练集、验证集、测试集。,Itest,=2:4:Q;Ival=4:4:Q;Itr=1:2:Q;,Val.P,=,ptrans(:,Ival);val.T,=,t(:,Ival,);,Test.P,=,ptrans(:,Itest);Val.T,=,t(:,Itest,),Ptr,=,ptran(:,Itr);ttr,=,t(:,Itr,);,Step5:,创建网络,net=newff(minmax(ptr),S1,S2,),Step6:,训练,并绘制误差曲线,net,tr,=,train(net,ptr,ttr,val,test,),Plot(tr.epoch,tr.perf,tr.epoch,tr.vperf,tr.epoch,tr.tperf,),车牌号识别算法,字符识别相关：特征提取，识别算法。,在二值字符图像中，利用字符的点阵特征进行字符识别是最简单的方法，只需要将二值化的字符图像以数组的形式输入到分类器中。分类器可以采用模板匹配，或者利用大量的样本训练的神经网络来作分类器。,实验证明，该方法对于字符字体，型号变化不大的情况非常有效。,特征提取,点阵特征：该组特征基于细化的二值图像，二值化字符图像的点阵结构反映了一个字符的整体结构特征。,通常，分类器采用模板匹配，利用距离函数计算模板与当前字符之间的相似度，其中相似度最小的那个模板所代表的字符即为识别出的字符。该方法简单易行，计算复杂度低，适合实时识别。,识别算法,利用,BP,神经网络来分类字符。,BP,神经网络包括,3,层：输入层，隐含层，输出层。,通过,BP,网络的泛化能力，进行字符的识别。,例：用神经网络对,26,个字母识别,采用,matlab,中的,prprob,字母库，作为样本实例，进行字母的识别。,分析：,1,、训练样本为,35x26,的矩阵，每列对应于每个字母的布尔矢量，训练目标为,26x26,的单位矩阵。,2,、在实际的字母识别中，不同级别的噪声是存在的，因而会影响识别率，所以可以考虑扩张训练样本，并对扩张的训练样本加入小功率噪声。,采用,newff(p,t,hidenums,),创建新,BP,网络；采用,train,函数进行训练。采用,plotchar,画出,5x7,的字母网格图。,在对训练好的网络性能进行测试时，可以选择要识别的字母。由于受噪声影响，网络输出模式矢量中的元素可能不是单纯的,0,和,1,两个值。,其中测试的输出可以用,compet,竞争传递函数得出最接近网络输出的标准模式矢量。,例：车牌号识别,给定车牌号是：,J369,训练部分：对神经网络的输入训练样本，分为两种：,1,、纯训练样本（无噪声）,2,、对训练样本扩张，并对扩张的样本加入不同级别的噪声。,测试,(,仿真,),部分：,1,、对,J369,（无噪声）测试，观察测试效果,2,、对,J369(,加入噪声,),测试。,