实验七：基于神经网络的模式识别实验.doc

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：图像输入灰度转化图像二值化图像分割归一化调整调整比例显示预处理结果图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：获取图像数据创建神经网络训练存储训练好的神经网络图4-3 神经网络训练流程(2)程序清单%形成用户界面clear all;%添加图形窗口H=figure(Color,0.85 0.85 0.85,. position,400 300 500 400,. 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,0.1 0.6 0.3 0.3);%添加图像打开按钮h1=uicontrol(H,Style,push,. Position,40 100 80 60,. 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,0.5 0.6 0.3 0.3);%添加预处理按钮h3=uicontrol(H,Style,push,. Position,140 100 80 60,. String,二值化,. FontSize,10,. Call,preprocess);%添加识别按钮h4=uicontrol(H,Style,push,. Position,240 100 80 60,. 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,340 100 80 60,. String,网络训练,. FontSize,10,.Call,Example1Tr);%预处理%preprocessp1=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for kk=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 for m=0:15 p(m*16+1:(m+1)*16,kk+1)=p1(1:16,m+1); endend%形成目标向量for kk=0:M-1 for ii=0:25 t(kk+ii+1)=ii; endend%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,25 1,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,0.75 0.75 0.75,. position,200 200 400 200,. 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,150 80 130 40,. String,请先训练网络,. FontSize,12,. call,delete(M(1) ); for m=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);switch a case 0,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是A,. FontSize,12,. call,. delete(M(1); case 1,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是B,. FontSize,12,. call,. delete(M(1); case 2,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是C,. FontSize,12,. call,. delete(M(1); case 3,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是D,. FontSize,12,. call,. delete(M(1); case 4,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是E,. FontSize,12,. call,. delete(M(1); case 5,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是F,. FontSize,12,. call,. delete(M(1); case 6,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是G,. FontSize,12,. call,. delete(M(1); case 7,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是H,. FontSize,12,. call,. delete(M(1); case 8,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是I,. FontSize,12,. call,. delete(M(1); case 9,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是J,. FontSize,12,. call,. delete(M(1); case 10,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是K,. FontSize,12,. call,. delete(M(1); case 11,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是L,. FontSize,12,. call,. delete(M(1); case 12,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是M,. FontSize,12,. call,. delete(M(1); case 13,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是N,. FontSize,12,. call,. delete(M(1); case 14,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是O,. FontSize,12,. call,. delete(M(1); case 15,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是P,. FontSize,12,. call,. delete(M(1); case 16,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是Q,. FontSize,12,. call,. delete(M(1); case 17,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是R,. FontSize,12,. call,. delete(M(1); case 18,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是S,. FontSize,12,. call,. delete(M(1); case 19,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是T,. FontSize,12,. call,. delete(M(1); case 20,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是U,. FontSize,12,. call,. delete(M(1); case 21,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是V,. FontSize,12,. call,. delete(M(1); case 22,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是W,. FontSize,12,. call,. delete(M(1); case 23,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是X,. FontSize,12,. call,. delete(M(1); case 24,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. String,这个字母是Y,. FontSize,12,. call,. delete(M(1); case 25,M0=uicontrol(M,Style,push,. Position,150 80 130 40,. 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;*.*,. Pick an Image File);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。