训练样本空间

  每个样本使用5×5的二值矩阵表征一个字母。一共10个字母类型,分别是N,I,L,H,T,C,E,F,Z,V。每个字母9个样本。共90个。

	N1=[1,0,0,0,1;
1,0,0,0,1;
1,0,1,0,1;
1,0,0,1,1;
1,0,0,0,1];
N2=[1,0,0,0,1;
1,1,0,0,1;
1,0,1,0,0;
1,0,0,1,1;
1,0,0,0,1];
·
·
·
·
·
·
N9=[1,0,0,0,1;
1,1,0,0,1;
1,0,1,1,1;
1,0,0,1,1;
1,0,0,0,1];
I1=[0,0,1,1,0;
0,0,1,0,0;
0,0,1,0,0;
0,0,1,0,0;
0,1,1,1,0];
I2=[0,1,1,1,0;
0,0,1,0,0;
0,0,0,0,0;
0,0,1,0,0;
0,1,1,1,0];
·
·
·
·
·
·
V8=[1,0,0,0,1;
1,0,0,0,0;
0,1,0,1,0;
0,1,0,1,0;
0,0,1,0,0];
V9=[1,0,1,0,1;
1,0,0,0,1;
0,1,0,1,0;
0,1,0,1,0;
0,0,1,0,0];
%训练集
P=[N1(1:end);N2(1:end);N3(1:end);
N4(1:end);N5(1:end);N6(1:end);
N7(1:end);N8(1:end);N9(1:end);
I1(1:end);I2(1:end);I3(1:end);
I4(1:end);I5(1:end);I6(1:end);
I7(1:end);I8(1:end);I9(1:end);
L1(1:end);L2(1:end);L3(1:end);
L4(1:end);L5(1:end);L6(1:end);
L7(1:end);L8(1:end);L9(1:end);
H1(1:end);H2(1:end);H3(1:end);
H4(1:end);H5(1:end);H6(1:end);
H7(1:end);H8(1:end);H9(1:end);
T1(1:end);T2(1:end);T3(1:end);
T4(1:end);T5(1:end);T6(1:end);
T7(1:end);T8(1:end);T9(1:end);
C1(1:end);C2(1:end);C3(1:end);
C4(1:end);C5(1:end);C6(1:end);
C7(1:end);C8(1:end);C9(1:end);
E1(1:end);E2(1:end);E3(1:end);
E4(1:end);E5(1:end);E6(1:end);
E7(1:end);E8(1:end);E9(1:end);
F1(1:end);F2(1:end);F3(1:end);
F4(1:end);F5(1:end);F6(1:end);
F7(1:end);F8(1:end);F9(1:end);
Z1(1:end);Z2(1:end);Z3(1:end);
Z4(1:end);Z5(1:end);Z6(1:end);
Z7(1:end);Z8(1:end);Z9(1:end);
V1(1:end);V2(1:end);V3(1:end);
V4(1:end);V5(1:end);V6(1:end);
V7(1:end);V8(1:end);V9(1:end);]';%注意转置

期望输出

	%期望输出,每一列表示一个样本的期望输出。
T=[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1;
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1;
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ;
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 ;
];

测试样本空间

%测试样本空间:为10个字母
N0=[1,0,0,0,1;
1,1,0,0,1;
1,0,1,0,1;
1,0,0,1,1;
1,0,0,0,1];
I0=[0,1,1,1,0;
0,0,1,0,0;
0,0,1,0,0;
0,0,1,0,0;
0,1,1,1,0];
L0=[1,0,0,0,0;
1,0,0,0,0;
1,0,0,0,0;
1,0,0,0,0;
1,1,1,1,1];
H0=[1,0,0,0,1;
1,0,0,0,1;
1,1,1,1,1;
1,0,0,0,1;
1,0,0,0,1];
T0=[1,1,1,1,1;
0,0,1,0,0;
0,0,1,0,0;
0,0,1,0,0;
0,0,1,0,0];
C0=[1,1,1,1,1;
1,0,0,0,0;
1,0,0,0,0;
1,0,0,0,0;
1,1,1,1,1];
E0=[1,1,1,1,1;
1,0,0,0,0;
1,1,1,1,0;
1,0,0,0,0;
1,1,1,1,1];
F0=[1,1,1,1,0;
1,0,0,0,0;
1,1,1,0,0;
1,0,0,0,0;
1,0,0,0,0];
Z0=[1,1,1,1,1;
0,0,0,1,0;
0,0,1,0,0;
0,1,0,0,0;
1,1,1,1,1];
V0=[1,0,0,0,1;
1,0,0,0,1;
0,1,0,1,0;
0,1,0,1,0;
0,0,1,0,0];
%测试集
X=[N0(1:end);I0(1:end);L0(1:end);H0(1:end);T0(1:end);
C0(1:end);E0(1:end);F0(1:end);Z0(1:end);V0(1:end);]';%注意转置

参数设置与训练网络

	%参数设置函数
net=newff(P,T,11);
net.trainParam.epochs=50;%最大迭代次数
net.trainParam.goal=0.000001;%计算期望与实际的差,当小于这个值时,迭代停止
net.trainParam.lr=0.2;%学习速率 %用训练样本集、期望输出来训练我们设置的网络
net=train(net,P,T);

测试阶段

	%使用sim将测试样本集X进行测试,% sim函数用于仿真一个神经网络,输出结果返回到C
C=sim(net,X);

输出结果

  在命令窗口用:

C(回车换行)

即可查看输出的分类结果:

	>> C

	C =

	    0.0844    0.0347    1.0807    0.9751    0.8557    0.9753    0.9901    0.8641    1.0358    1.0402
1.1358 1.0816 0.0260 0.0904 -0.0034 -0.0285 0.9873 1.0561 1.0743 0.9758
0.6802 1.0481 -0.0390 0.0107 1.0695 1.0152 0.0134 0.0654 0.9796 0.9731
-0.2012 0.7774 0.0502 0.9262 0.0497 0.9352 -0.0690 0.7618 -0.0061 1.1026

Matlab实现BP网络识别字母的更多相关文章

  1. Matlab实现单层感知机网络识别字母

    感知机网络的参数设置 % 具体用法: % net=newp(pr,T,TF,LF); % % pr: pr是一个R×2的矩阵,R为感知器中输入向量的维度(本例中使用35个字符表征一个字母,那么其维度为 ...

  2. 基于Opencv自带BP网络的车标简易识别

    代码地址如下:http://www.demodashi.com/demo/12966.html 记得把这几点描述好咯:代码实现过程 + 项目文件结构截图 + 演示效果 1.准备工作 1.1 训练集和测 ...

  3. Matlab的BP神经网络工具箱及其在函数逼近中的应用

    1.神经网络工具箱概述 Matlab神经网络工具箱几乎包含了现有神经网络的最新成果,神经网络工具箱模型包括感知器.线性网络.BP网络.径向基函数网络.竞争型神经网络.自组织网络和学习向量量化网络.反馈 ...

  4. 详细MATLAB 中BP神经网络算法的实现

    MATLAB 中BP神经网络算法的实现 BP神经网络算法提供了一种普遍并且实用的方法从样例中学习值为实数.离散值或者向量的函数,这里就简单介绍一下如何用MATLAB编程实现该算法. 具体步骤   这里 ...

  5. 关于BP网络的一些总结

    背景 前段时间,用过一些模型如vgg,lexnet,用于做监督学习训练,顺带深入的学习了一下相关模型的结构&原理,对于它的反向传播算法记忆比较深刻, 就自己的理解来描述一下BP网络. 关于BP ...

  6. 基于Levenberg-Marquardt训练算法的BP网络Python实现

    经过一个多月的努力,终于完成了BP网络,参考的资料为: 1.Training feed-forward networks with the Marquardt algorithm 2.The Leve ...

  7. Python实现bp神经网络识别MNIST数据集

    title: "Python实现bp神经网络识别MNIST数据集" date: 2018-06-18T14:01:49+08:00 tags: [""] cat ...

  8. 从头推导与实现 BP 网络

    从头推导与实现 BP 网络 回归模型 目标 学习 \(y = 2x\) 模型 单隐层.单节点的 BP 神经网络 策略 Mean Square Error 均方误差 \[ MSE = \frac{1}{ ...

  9. 我对BP网络的简单的理解

    最近在学习tf的神经网络算法,十多年没有学习过数学了,本来高中数学的基础,已经彻底还给数学老师了.所以我把各种函数.公式和推导当做黑盒子来用,理解他们能做到什么效果,至于他们是如何做到的,暂时不去深究 ...

随机推荐

  1. 常用docker镜像

    oracle12c: mkdir -p /path/to/oradata docker run --name oracle12c \ -p 1521:1521 -p 5500:5500 \ -v /p ...

  2. 逻辑运算符&逻辑短路

    (1)and 逻辑与 全真则真,一假则假 print(True and True) #True print(False and True) #False print(False and False) ...

  3. CentOS之Vim

    安装  yum install -y vim-enhanced 移动光标 h或者向左的方向键:光标向左移动一个字符 l或者向右的方向键:光标向右移动一个字符 j或者向下的方向键:光标向下移动一个字符 ...

  4. 线程守护进程与GIL

    为何要用多线程 多线程指的是,在一个进程中开启多个线程,简单的讲:如果多个任务共用一块地址空间,那么必须在一个进程内开启多个线程.详细的讲分为4点: 1. 多线程共享一个进程的地址空间 2. 线程比进 ...

  5. requests模块的cookie和代理操作

    一.基于requests模块的cookie操作 引言:有些时候,我们在使用爬虫程序去爬取一些用户相关信息的数据(爬取张三“人人网”个人主页数据)时,如果使用之前requests模块常规操作时,往往达不 ...

  6. Spring之jdbcTemplate:查询的三种方式(单个值、单个对象、对象集合)

    JdbcTemplateDemo2.java package helloworld.jdbcTemplate; import org.springframework.jdbc.core.JdbcTem ...

  7. django模型之meta使用

    模型元数据Meta是“任何不是字段的数据”,比如排序选项(ordering),数据库表名(db_table)或者人类可读的单复数名称(verbose_name 和verbose_name_plural ...

  8. c# 中实用包,实用dll。

    Aspose.cell:用与操作Excel,生成,导入导出等. ICSharpCode.SharpZipLib.dll:用户压缩及解压ZIP包,根据需要也可以加密.

  9. eclipse 添加svn资源库卡死。长时间等待

    使用https://localhost:8443/svn/xx方式打入浏览器判断其服务器是否正常 如果正常通过,而eclipse新建库卡死时.可以等待一点时间看是否卡 问题依旧,考虑更改地址 主机名 ...

  10. 前端通过js-xlsx获取Excel完整数据

    <!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title> ...