神經(jīng)網(wǎng)絡應用于手寫數(shù)字識別-matlab7頁

1、實 驗 報 告實驗課程： 管理運籌學實驗名稱： 神經(jīng)網(wǎng)絡應用于手寫數(shù)字識別-matlab學生姓名： 指導教師： 實驗時間： 2018年1月16日實驗要求：運用matlab編程進行神經(jīng)網(wǎng)絡進行手寫數(shù)字識別。小組成員：姓名學號實驗過程：一、BP神經(jīng)網(wǎng)絡神經(jīng)網(wǎng)絡是由很多神經(jīng)元組成，可以分為輸入，輸出，隱含層。BP神經(jīng)網(wǎng)絡的特點：信號前向傳遞，信號反向傳播。若輸出存在誤差，根據(jù)誤差調(diào)整權(quán)值和閾值，使網(wǎng)絡的輸出接近預期。在用BP神經(jīng)網(wǎng)絡進行預測之前要訓練網(wǎng)絡訓練過程如下：1.網(wǎng)絡初始化：各個參數(shù)的確定包括輸入，輸出，隱含層的節(jié)點數(shù)，輸入和隱含，隱含和輸出層之間的權(quán)值，隱含，輸出層的閾值，學習速度和激勵函

2、數(shù)。2.計算隱含層輸出3.計算輸出層輸出4.誤差計算5.權(quán)值更新6.閾值更新7.判斷迭代是否結(jié)束二、模型建立數(shù)據(jù)集介紹：數(shù)據(jù)集包含0-9這10個數(shù)字的手寫體。是放在10個文件夾里，文件夾的名稱對應存放的手寫數(shù)字圖片的數(shù)字，每個數(shù)字500張,每張圖片的像素統(tǒng)一為28*28。識別流程：首先要對數(shù)據(jù)進行處理，這個主要是批量讀取圖片和特征提取的過程，特征提取的方法很多，這里只挑選最簡單的來實現(xiàn)，然后是訓練出一個神經(jīng)網(wǎng)絡的模型，最后用測試數(shù)據(jù)進行測試。為了方面，這里的神經(jīng)網(wǎng)絡的創(chuàng)建，訓練和測試采用matlab函數(shù)來實現(xiàn)。運行流程：1.確定神經(jīng)網(wǎng)絡的輸入，輸出。輸入是BP神經(jīng)網(wǎng)絡很重要的方面，輸入的數(shù)據(jù)是

3、手寫字符經(jīng)過預處理和特征提取后的數(shù)據(jù)。預處理有二值化，裁剪掉空白的區(qū)域，然后再統(tǒng)一大小為70*50為特征提取做準備。特征提取采用的是粗網(wǎng)格特征提取，把圖像分成35個區(qū)域，每個區(qū)域100像素，統(tǒng)計區(qū)域中1像素所占的比例。經(jīng)過預處理特征提取后，28*28圖像轉(zhuǎn)成1*35的特征矢量。提取完5000張圖片后，依次把所有的特征存于一個矩陣（35*5000）中。2.神經(jīng)的網(wǎng)絡的訓練用matlab的rands函數(shù)來實現(xiàn)網(wǎng)絡權(quán)值的初始化，網(wǎng)絡結(jié)構(gòu)為輸入層35，隱藏層34，輸出層10，學習速率為0.1，隱藏層激勵函數(shù)為sigmoid函數(shù)。隨機抽取4500張圖片提取特征后輸入，按照公式計算隱含層和輸出層輸出，誤差

4、，更新網(wǎng)絡權(quán)值。3.神經(jīng)網(wǎng)絡的預測訓練好神經(jīng)網(wǎng)絡之后，用隨機抽取的500個數(shù)字字符對網(wǎng)絡進行預測，輸入特征向量，計算隱含層和輸出層輸出，得到最后預測的數(shù)據(jù)。同時計算每個數(shù)字的正確率和全體的正確率。最后得到的總體正確率為0.8620。主函數(shù)：clc;clear all;close all;% 讀取圖像root=./data;img=read_train(root);% 提取特征img_feature=feature_lattice(img);% 構(gòu)造標簽class=10;numberpclass=500;ann_label=zeros(class,numberpclass*class);ann_

5、data=img_feature;for i=1:class for j=numberpclass*(i-1)+1:numberpclass*i ann_label(i,j)=1; endend% 選定訓練集和測試集k=rand(1,numberpclass*class); m,n=sort(k); ntraindata=4500;ntestdata=500;train_data=ann_data(:,n(1:ntraindata);test_data=ann_data(:,n(ntraindata+1:numberpclass*class);train_label=ann_label(:,n

6、(1:ntraindata);test_label=ann_label(:,n(ntraindata+1:numberpclass*class);% BP神經(jīng)網(wǎng)絡創(chuàng)建，訓練和測試net=network_train(train_data,train_label);predict_label=network_test(test_data,net);% 正確率計算u,v=find(test_label=1);label=u;error=label-predict_label;accuracy=size(find(error=0),2)/size(label,2)批量讀取圖片函數(shù)：文件存放特點：在da

7、ta下有10個子文件夾，每個子文件夾下有500張圖片。函數(shù)可以利用于任何批量圖片的讀取，傳入的是文件夾路徑，輸出的是一個n（對應圖片數(shù)目）維cell，每個cell存放的是圖片的數(shù)據(jù)。function imglist = read_train(root)%=讀取文件夾=%out_Files = dir(root);%展開tempind=0;imglist=cell(0);n=length(out_Files);%=讀取文件=%for i = 1:n; if strcmp(out_Files(i).name,.)| strcmp(out_Files(i).name,.) else rootpath

8、=strcat(root,/,out_Files(i).name); in_filelist=dir(rootpath); ni=length(in_filelist); for j=1:ni if strcmp(in_filelist(j).name,.)| strcmp(in_filelist(j).name,.)| strcmp(in_filelist(j).name,Desktop_1.ini)| strcmp(in_filelist(j).name,Desktop_2.ini) else tempind=tempind+1; imglisttempind=imread(strcat(

9、rootpath,/,in_filelist(j).name); end end endendend特征提取函數(shù)：提取所有圖像的特征，二值化resize-提取特征function feature = feature_lattice(img)% 輸入:黑底白字的二值圖像。輸出：35維的網(wǎng)格特征% =提取特征，轉(zhuǎn)成5*7的特征矢量,把圖像中每10*10的點進行劃分相加，進行相加成一個點=%=即統(tǒng)計每個小區(qū)域中圖像象素所占百分比作為特征數(shù)據(jù)=%for i=1:length(img);bw2=im2bw(imgi,graythresh(imgi);bw_7050=imresize(bw2,70,50)

10、;for cnt=1:7 for cnt2=1:5 Atemp=sum(bw_7050(cnt*10-9):(cnt*10),(cnt2*10-9):(cnt2*10);%10*10box lett(cnt-1)*5+cnt2)=sum(Atemp); endendlett=(100-lett)/100);lett=lett;feature(:,i)=lett;end構(gòu)造標簽：要構(gòu)造出適合神經(jīng)網(wǎng)絡的標簽，在這個例子中有10個類，若為某個標簽，那么這個位置的值為1，其余為0。BP神經(jīng)網(wǎng)絡創(chuàng)建，訓練和測試：主要是幾個參數(shù)的設(shè)置，layer隱含層的神經(jīng)元個數(shù)。trainFcn：訓練算法function net = network_train(train_data,train_label )% 輸入：訓練圖像特征和label。輸出：訓練好的神經(jīng)網(wǎng)絡% BP網(wǎng)絡訓練% 初始化網(wǎng)絡結(jié)構(gòu)layer=25;net=newff(train_data,train_label,layer);net.trainParam.epochs=1;net.trainParam.lr=0.1;net.trainParam.goal=0.001;net.trainFcn=trainrp;% 網(wǎng)絡訓練net=train(n