在这篇文章中,主要阐述在MATLAB环境下利用神经网络对输入的数字图像进行识别。我们利用一个5*5的矩阵来表示1-5的数据,如下图所示:
![7d585dc72cecdfdb62a002f3b49f04ae.png](https://i-blog.csdnimg.cn/blog_migrate/5c581d2f3b98724dd9eaf0e5e8a2b278.jpeg)
基于以上问题,我们构建的神经网络输入层的神经元个数为25个,即5*5矩阵中每个元素作为输入。神经网络的输出层神经元的个数为5个,主要用于识别1-5中的数字。在输出层的激活函数使用Softmax函数。隐含层的神经元个数我们可以设置为50个并利用Sigmoid作为激活函数。神经网络结构如下图所示:
![2cbd080f9c82191c65861a77c65750cb.png](https://i-blog.csdnimg.cn/blog_migrate/eccf0cd6025b7bc366e2186f19597e4b.jpeg)
Matlab程序如下:
神经网络的构建
![ea39e1839689b20c3229ce3ac8f48423.png](https://i-blog.csdnimg.cn/blog_migrate/8e090ef60e59f1d7d76f05c4525b3dc8.jpeg)
对构造好的神经网络进行训练
![a113eea0410364a61eb22e2a6d506596.png](https://i-blog.csdnimg.cn/blog_migrate/13262abc138faf128e0fc5761e58c0f6.jpeg)
![4f26cce6ac38e5016d114fee24302fe0.png](https://i-blog.csdnimg.cn/blog_migrate/1bf373b8d2dc68eed9b1699ec164f8eb.jpeg)
得出结果为:
![0681760e30343015abe97d9b568abe40.png](https://i-blog.csdnimg.cn/blog_migrate/1f4003512b988f6e5518feb28c4f3e36.jpeg)
在训练过程中,输入X的对应的矩阵的数值为数字图像1-5的像素,例如:
![7b7aebaaf05dacd352d5c21720d610f5.png](https://i-blog.csdnimg.cn/blog_migrate/5d0ca9c91efb8588c992c90fc6adda9b.jpeg)
训练过后,我们测试一下神经网络的识别功能。我们输入如下图形,测试神经网络是否能够正确识别1-5的数字。
![fc208730a162658161a6ac27cd045a96.png](https://i-blog.csdnimg.cn/blog_migrate/133dad30bb79fb749f38c7217a26a3bd.jpeg)
测试程序:
![abb016225e2c6e0d8fb372cfaf57fa0d.png](https://i-blog.csdnimg.cn/blog_migrate/77b39ae712c6ba54929b870974706fe0.jpeg)
![c9e9448f894bfb549b0f530db7b8b499.png](https://i-blog.csdnimg.cn/blog_migrate/8b3ccaccf5b3c09c4d6f06851423334f.jpeg)
运行后可以得出结果:
![f9e0f4cab3c9958ad6aae8942caf13d4.png](https://i-blog.csdnimg.cn/blog_migrate/0e93cb7e85b91cd41392c7c67ab98e76.jpeg)
![1077e2ba795efa72bdcb9d0848ca1fe1.png](https://i-blog.csdnimg.cn/blog_migrate/d55d3eb590725207be62d3911dd81beb.jpeg)
![a3ad32995d8a35d75d5674775147f133.png](https://i-blog.csdnimg.cn/blog_migrate/38e71ac0e487adef5260231e3eccef82.jpeg)
可以看出图像为4的概率为94.6%
![b25a92d92b1b4d12faa5e5db50d3cf6a.png](https://i-blog.csdnimg.cn/blog_migrate/d1981e068a147d213e004249d29e26be.jpeg)
![8d435d1637d40ee4943d9942b5692f82.png](https://i-blog.csdnimg.cn/blog_migrate/0a7f56a3b949da53fabf19dab03e520f.jpeg)
![9b2c3492010a87cff73dbe96d4e57657.png](https://i-blog.csdnimg.cn/blog_migrate/ab99543c03ad5e5334b11d4d00314ead.jpeg)
图像为2的概率为94.16%
![d303c65cc9869830071e6f6b06ca5d12.png](https://i-blog.csdnimg.cn/blog_migrate/6982becc07f36f8edafa53bfb07c7abe.jpeg)
![043cdd6f1aaffb7a0a4830b9e6cc7c42.png](https://i-blog.csdnimg.cn/blog_migrate/25445013d688681e8b70e2659f30bf17.jpeg)
![6115a85f1bfc3ae8913d8e9d0e568aee.png](https://i-blog.csdnimg.cn/blog_migrate/dc01290bb76a5a303112403614d4f464.jpeg)
图像3显示数字为3的概率为99.52%
可以看出图像2和图像3只有一个像素不同,但神经网络可以非常好的区别图中显示的数值。