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    1.1026

Matlab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

Mongodb集群搭建之 Sharding+ Replica Sets集群架构（2）
参考http://blog.51cto.com/kaliarch/2047358 一.概述 1.1 背景为解决mongodb在replica set每个从节点上面的数据库均是对数据库的全量拷贝,从节 ...
sas 基础（1）-关于数据格式的SAS函数
(一)字符转换: 1)字符型转换成数值型 Numvar=INPUT(source,informat) 2)数值型转换成字符型 Chavar=PUT(source,format) (二)字符型变量的处理 ...
supervisor管理hive metastore和hive server2进程
1. hive_metastore.ini [program:hive_metastore] environment = JAVA_HOME=/usr/java/jdk1..0_172-amd64,H ...
利用WordPress REST API 开发微信小程序从入门到放弃
自从我发布并开源WordPress版微信小程序以来,很多WordPress网站的站长问有关程序开发的问题,其实在文章:<用微信小程序连接WordPress网站>讲述过一些基本的要点,不过仍 ...
更换Git的地址；
Git地址变了,Android Studio更新和提交代码都用不了了:需要把新的Git地址更换一下: 1.打开git项目的文件夹,进入git操作框: 2. git remote -v 查看现有地址: ...
linux设置服务器时间同步
yum install -y rdate 服务器请设置 */5 * * * * /usr/bin/rdate -s time-b.nist.gov ubuntu 设定时区:dpkg-reconfigu ...
Navicat Premium 12.0.18 / 12.0.24安装与激活
若使用Navicat Premium 12.1.8.0请转至Navicat Premium 12.1.8.0安装与激活,其实每个小版本更迭变化不大.另外最重要的是,请仔细阅读本文激活部分,总有一些人遇 ...
【Linux】【Jenkins】Jenkins安装和配置等
Jenkins配置详解: http://lib.csdn.net/article/git/18342 Jenkins介绍 Jenkins是基于Java开发的一种持续集成工具,用于监控持续重复的工作,功 ...
jdbc（MySQL）
1.连接数据库 2.使用配置文件 3.启用连接池 4.事务 JDBC WHAT? 用于执行 SQL 语句的 Java API WHY? 不需要了解每一种数据库连接操作方式 HOW? 加载驱动.获取连接 ...
FreeMarker之FTL指令
assign指令此指令用于在页面上定义一个变量 (1)定义简单类型: <#assign linkman="周先生"> 联系人:${linkman} (2)定义对象类型 ...

Matlab实现BP网络识别字母

训练样本空间

期望输出

测试样本空间

参数设置与训练网络

测试阶段

输出结果

Matlab实现BP网络识别字母的更多相关文章

随机推荐

热门专题