Matlab实现BP网络识别字母
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 1.1026Matlab实现BP网络识别字母的更多相关文章
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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}{ ...
- 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
- 数据迁移_把RAC环境备份的数据，恢复到另一台单机Oracle本地文件系统下
数据迁移_把RAC环境备份的数据,恢复到另一台单机Oracle本地文件系统下 作者:Eric 微信:loveoracle11g 1.创建pfile文件 # su - ora11g # cd $ORAC ...
- /dev/null 2>&1 解释
cmd >a 2>a 和 cmd >a 2>&1 为什么不同?cmd >a 2>a :stdout和stderr都直接送往文件 a ,a文件会被打开两遍,由 ...
- 动态添加XtraTabControl的page页和子窗体
using System; using System.Collections.Generic; using System.Linq; using System.Reflection; using Sy ...
- (转)SQL知识_SQL Case when 的使用方法
原文地址:http://www.cnblogs.com/yazdao/archive/2009/12/09/1620482.html Case具有两种格式.简单Case函数和Case搜索函数. --简 ...
- SurFS:共享式和分布式集群各取所长
http://www.ccidnet.com/2016/0811/10168835.shtml 一个集群系统可以做成三层定义,也就是后端存储访问层.沟通协作层.前端数据访问层,如果愣是要给每个层起个洋 ...
- java正则表达式替换空格和换行符
public class StringUtil { public static String getStringNoBlank(String str) { if(s ...
- 微信小程序笔记<二>认识app.json
*.json文件在小程序开发中必不可少,从 app.json 开始认识小程序中的配置文件*.json: app.json 为小程序必须文件,它不仅作为配置文件管理着小程序的UI还充当着路由器的功能: ...
- 关于js的一些收集
判断jquery文件有没有加载 !window.jQuery && alert('jQuery未导入!请确认路径是否正确'); 禁止页面跳转 javascript:void(0); / ...
- 乌龟svn不能拉取代码的原因
因为一个账号只能在一个客户端登陆,用同一个账号的话,必然有一个会拉取失败,提示unable connect to url 解决方法: 清楚一下即可
- switch的穿透，是参数里包含case内容就执行。
package rom; import java.lang.*; /* * switch的穿透,是参数里包含case内容就执行. */ public class Xamle_5 { public st ...