基于BP神经网络的手写数字识别仿真提供手写数字数据库

目录

1.算法仿真效果

2.MATLAB核心程序

3.算法涉及理论知识概要

4.完整MATLAB

---

1.算法仿真效果

matlab2022a仿真结果如下：

使用的手写字数据库如下：

 测试结果如下：

 

 

2.MATLAB核心程序

function [imglist] = read_train(root)
% ni为读取图片张数，n为文件夹数目
%========读取文件夹========%
out_Files = dir(root);%展开
tempind=0;
imglist=cell(0);
n=length(out_Files);
%========读取文件========%
for i = 1:n;
    if strcmp(out_Files(i).name,'.')|| strcmp(out_Files(i).name,'..')
    else
        rootpath=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
......................................................................
            end
        end
    end
end
end

......................................................
%% 读取图像
root='./data';
img=read_train(root);
%% 提取特征
img_feature=feature_lattice(img);
%% 构造标签
class=10;
numberpclass=500;
ann_label=zeros(class,numberpclass*class);
ann_data=img_feature;
for i=1:class
 for j=numberpclass*(i-1)+1:numberpclass*i
     ann_label(i,j)=1;
 end
end

%% 选定训练集和测试集
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(1:ntraindata));
test_label=ann_label(:,n(ntraindata+1:numberpclass*class));
%% BP神经网络创建，训练和测试
net=network_train(train_data,train_label);
predict_label=network_test(test_data,net);
%% 正确率计算
[u,v]=find(test_label==1);
label=u';
error=label-predict_label;
accuracy=size(find(error==0),2)/size(label,2)

A336

3.算法涉及理论知识概要

        手写识别（HandWriting Recognition）是指将在手写设备上书写时产生的有序轨迹信息化转化为汉字内码的过程，实际上是手写轨迹的坐标序列到汉字的内码的一个映射过程，是人机交互最自然、最方便的手段之一。
       随着智能手机、掌上电脑等移动信息工具的普及，手写识别技术也进入了规模应用时代。
手写识别能够使用户按照最自然、最方便的输入方式进行文字输入，易学易用，可取代键盘或者鼠标。用于手写输入的设备有许多种，比如电磁感应手写板、压感式手写板、触摸屏、触控板、超声波笔等。
         手写识别属于文字识别和模式识别范畴，文字识别从识别过程来说分成脱机识别（off-line）和联机识别（on-line)两大类，从识别对象来说又分成手写体识别和印刷体识别两大类，我们常说的手写识别是指联机手写体识别。

         手写数字识别是指给定一系列的手写数字图片以及对应的数字标签，构建模型进行学习，目标是对于一张新的手写数字图片能够自动识别出对应的数字。图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。机器学习领域一般将此类识别问题转化为分类问题。

        阿拉伯数字作为唯一被世界各国通用的符号，所以对手写体数字识别的研究基本.上与文化背景无关，各地的研究工作者可以说是基于同一-平台开展工作的，有利于研究的比较和探讨。

        手写数字识别应用广泛，如税表系统，银行支票自动处理和邮政编码自动识别等。在以前，这些工作需要大量的手工录入，投入的人力物力都相对较多，而且劳动强度较大。为了适应无纸化办公的需要，大大提高工作效率，研究实现手写数字识别系统是必须要做的。

        由于数字类别只有0-9共10个，比其他字符识别率较高，可将其用于验证新的理论或做深入的分析研究。许多机器学习和模式识别领域的新理论和算法都是先用手写数字识别进行检验，验证其理论的有效性，然后才会将其应用到更为复杂的领域当中。在这方面的典型例子就是人工神经网络和支持向量机。

         BP神经网络的网络层包括输入层，隐含层和输出层三个网络层次，其基本结构如下图所示： 

 基于三层网络结构的BP神经网络具有较为广泛的应用场合和训练效果。

        在BP神经网络中，隐含层数量对神经网络的性能有着至关重要的影响，如果隐含层数量过多，会大大增加BP神经网络的内部结构的复杂度，从而降低学习效率，增加训练时间；如果隐含层数量过少，则无法精确获得训练输入数据和输出结果之间的内在规律，增加预测误差。因此，选择合适的隐含层个数具有十分重要的意义。由于隐含层个数的设置没有明确的理论可以计算，通常情况下，采用逐次分析的方法获得，即通过对不同隐含层所对应的神经网络进行预测误差的仿真分析，选择误差最小情况下所对应的隐含层个数。

        学习率，即网络权值得更新速度，当学习率较大的时候，网络权值的更新速度快，当网络稳定性会下降；当学习率较小的时候，网络权值的更新速度慢，网络较为稳定。这里选择BP神经网络的学习率方式参考上一章节隐含层的选择方式，即通过对比不同学习率的网络训练误差，选择性能较优的学习率。

       BP神经网络的初始网络权值对网络训练的效率以及预测性能有着较大的影响，通常情况下，采用随机生成[-1，1]之间的随机数作为BP神经网络的初始权值。

4.完整MATLAB

V