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
％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
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）；
p1i1+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）；
end
end
％形成目标向量
for kk=0:M—1
for ii=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，［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.
14