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

转载于:https://www.cnblogs.com/d0main/p/6692662.html