ty2.m

神经网络matlab源程序

function tuoyuan1()
allsamples=[];                         %所有训练图像
for i=1:6
    for j=1:7
a=imread(strcat('C:\Documents and Settings\Rohoan\桌面',num2str(i),'\',num2str(j),'.jpg'));
imshow(a);
b=a(1:51*59); 
b=double(b);
      allsamples=[allsamples; b];                                       %allsamples是一个M * N 矩阵allsamples中每一行数据代表一张图片,其中M＝42
  end
end
samplemean=mean(allsamples);            % 平均图片，1 × N
for i=1:42 xmean(i,:)=allsamples(i,:)-samplemean;                        % xmean是一个M × N矩阵，xmean每一行保存的数据是“每个图片数据-平均图片”去均值
end;

sigma=xmean*xmean';                     % M * M 阶矩阵
[v d]=eig(sigma);                       % 计算矩阵的特征值和特征向量
d1=diag(d);
[d2 index]=sort(d1);                    %以升序排序              %降序排列特征值 eigenvalues = flipud(sort(diag(D)));
cols=size(v,2);% 特征向量矩阵的列数
for i=1:cols
    vsort(:,i) = v(:, index(cols-i+1) ); % vsort 是一个M*cols(cols一般等于M)阶矩阵，保存的是按降序排列的特征向量,每一列构成一个特征向量
    dsort(i)=d1( index(cols-i+1) );      % dsort 保存的是按降序排列的特征值，是一维行向量
end                                       %完成降序排列
%以下选择95%的能量
dsum = sum(dsort);
    dsum_extract=0;
    p = 0;
    while( dsum_extract/dsum < 0.95)
        p=p+1;
        dsum_extract=sum(dsort(1:p));
    end
i=1;
% (训练阶段)计算特征脸形成的坐标系
while (i<=p && dsort(i)>0)
    base(:,i) = dsort(i)^(-1/2)' * xmean' * vsort(:,i);   % base是N×p阶矩阵，除以dsort(i)^(1/2)是对人脸图像的标准化，详见《基于PCA的人脸识别算法研究》p31
    i=i+1;
end

% add by wolfsky 就是下面两行代码，将训练样本对坐标系上进行投影,得到一个 M*p 阶矩阵allcoor
Allcoor=allsamples * base;



%初始化神经网络
T00=[1;0;0;0;0;0];T01=[1;0;0;0;0;0];T02=[1;0;0;0;0;0];T03=[1;0;0;0;0;0];T04=[1;0;0;0;0;0];T05=[1;0;0;0;0;0];T06=[1;0;0;0;0;0];   
T10=[0;1;0;0;0;0];T11=[0;1;0;0;0;0];T12=[0;1;0;0;0;0];T13=[0;1;0;0;0;0];T14=[0;1;0;0;0;0];T15=[0;1;0;0;0;0];T16=[0;1;0;0;0;0];  
T20=[0;0;1;0;0;0];T21=[0;0;1;0;0;0];T22=[0;0;1;0;0;0];T23=[0;0;1;0;0;0];T24=[0;0;1;0;0;0];T25=[0;0;1;0;0;0];T26=[0;0;1;0;0;0];
T30=[0;0;0;1;0;0];T31=[0;0;0;1;0;0];T32=[0;0;0;1;0;0];T33=[0;0;0;1;0;0];T34=[0;0;0;1;0;0];T35=[0;0;0;1;0;0];T36=[0;0;0;1;0;0];
T40=[0;0;0;0;1;0];T41=[0;0;0;0;1;0];T42=[0;0;0;0;1;0];T43=[0;0;0;0;1;0];T44=[0;0;0;0;1;0];T45=[0;0;0;0;1;0];T46=[0;0;0;0;1;0];
T50=[0;0;0;0;0;1];T51=[0;0;0;0;0;1];T52=[0;0;0;0;0;1];T53=[0;0;0;0;0;1];T54=[0;0;0;0;0;1];T55=[0;0;0;0;0;1];T56=[0;0;0;0;0;1];
T=[T00 T01 T02 T03 T04 T10 T11 T12 T13 T14 T20 T21 T22 T23 T24 T30 T31 T32 T33 T34 T40 T41 T42 T43 T44 T50 T51 T52 T53 T54 ];%生成目标矩阵T；
Allcoor1=Allcoor';
WW=0;
%测试的改动把p该为每个人前5副图

for i=1:29-1
p=[p;0];
end
P=[];
for i=0:5
    for j=1:5
        p=Allcoor1(:,i*5+j);
        P=[P;p'];% Allcoor1为输入图像向量；
    end
end
P=P';
%归一化数据
[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T);
[Pn]=tramnmx(P,minp,maxp);
SamNum = 30; % 总样本数
InDim = 29; % 样本输入维数
ClusterNum = 6; % 隐节点数，即聚类样本数

Maxepoch=50;
MaxEpoch = 1000; % 最大训练次数
E0 = 0.05; % 目标误差
% 根据目标函数获得样本输入输出

SamIn = Pn;
SamOut = T;

% TestSamIn = 
% TestSamOut = 

% 中心的第一次求
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
Center=[];
for i=0:5
    for j=1:29
        s=0;
        for k=1:5
        s=s+Pn(j,5*i+k);
        end 
        s=s/5;
        Center(i+1,j)=s;
    end
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%设置训练中心次数%%%%%%%%%%%%%%%%%%%%%%%%%%%%1111111111111111111111111111111
for k=1:Maxepoch
AllDist=[];
for i=0:5
for j=1:30
ww=dist(Center(i+1,:),Pn(:,j));
AllDist(i+1,j)=ww;
end
end

%第一步粗糙判断
%找出每个对象到各个中心的最小值
for i=1:30
    D(i)=min(AllDist(:,i));
end
%找出非0最小值
Di=repmat(D',1,6);
Dt=Di';
Ds=AllDist-Dt;
To=[];
po=[];
    for i=1:6  %po是0标量
    po=[po;0];
    end
for i=1:30
    if Ds(:,i)==po;
        continue;
    end
    [Y I]=min(Ds(:,i));
    while Y==0
        if I==1
            Y=min(Ds(2:6,i));
        else if I==6
            Y=min(Ds(1:5,i));
            else
        xt=min(Ds(1:I-1,i));
        yt=min(Ds(I+1:6,i));
        if xt<yt
            Y=xt;
        else Y=yt;
        end
            end
        end
    end
            To(i)=Y;
end 
end
%这里的end结束中心求取
TT=To(1);

%第一步t0的判断值得出，下面第2步求出上下近似集分类
cnum=1;
dnum=1;
AA=[];
c=[];
d=[];
%隶数度的判断
[Y DI]=size(Pn);
low=[0;];
upp=[0;];
for i=1:28
low=[low;0];
upp=[upp;0];
end
llow=[];
uupp=[];
for i=0:5
    ul=0;%这两个是定义的上下集数量
    ll=0;
    for j=1:5
    if To(i*5+j)<=TT;
        upp=upp+Pn(:,i*5+j);
        ul=ul+1;
    else
        low=low+Pn(:,i*5+j);
        ll=ll+1;
    end
    end
    if ll==0
    wlow=1;
    wupp=0;
    else 
    wupp=1/(ul/ll+1);
    wlow=1-wupp;
    end
    if (ul-ll==0)
        for m=1:DI
    Center(i+1,m)=wlow*low(m)/ul;
        end
    else if ul==0
            for m=1:29
                Center(i+1,m)=wupp*upp(m)/abs(ul-ll);
            end
        else
        for m=1:29
    Center(i+1,m)=wlow*low(m)/ul+wupp*upp(m)/abs(ul-ll);
        end
end
end
end  %结束中心训练
%11111111111111111111111111111111111111111111111111111111111111111111111111


%
SamIn = Pn;
SamOut = T;
SamNum= 30; % 训练样本数
TargetSamNum = size(T); % 测试样本数
InDim = 29; % 样本输入维数
UnitNum = 6; % 隐节点数
W = 0.1*rand(6,6)-0.1;
lrCent = 0.01; % 隐节点数据中心学习系数
lrSP = 0.001; % 隐节点扩展常数学习系数
lrW = 0.001; % 隐节点输出权值学习系数
ErrHistory = [];
for i=1:6
    SP(i)=max(AllDist(i,:));
end
SPMat = 30*repmat(SP',1,30);
%%%%%%%%%%%%%%%%%%%%%%%%%
aq=0.44;%奶奶的改正矩阵
for i=1:6
    aqm(i)=radbas(-aq)+1;
end
aqmm=repmat(aqm',1,30);
for i=1:6
    aqi(i)=radbas(-aq);
end
aqii=repmat(aqi',1,30);
%%%%%%%%%%%%%%%%%%%%%%%%
for epoch = 1:MaxEpoch
yOut = radbas(-AllDist./SPMat);
UnitOut=(aqii)./(aqmm+yOut);
% UnitOut=[];
% for i=1:6;
% b = radbas(AllDist(i)./SPMat);
% UnitOut=[UnitOut:b'];
% end
NetOut = W*UnitOut;
Error = SamOut-NetOut;
%停止学习判断
SSE = sumsqr(Error)-25
WW=WW+1
% 记录每次权值调整后的训练误差
ErrHistory = [ErrHistory SSE];
if SSE<E0, break, end
for j= 1:6
for i = 1:6
CentGrad = (SamIn-repmat(Center(i,:)',1,SamNum))*(Error(i,:).*UnitOut(i,:)*W(j,i)/(SP(i)^2))';
SPGrad = AllDist(i, :).^2*(Error(i,:).*UnitOut(i,:)*W(i,j)/(SP(i)^3))';
WGrad = Error(i,:)*UnitOut(i,:)';
Center(i,:) = Center(i,:) + (lrCent*CentGrad)';
SP(i) = SP(i) + lrSP*SPGrad;
W(j,i) = W(j,i) + lrW*WGrad;
end
end
end




% %计算各隐节点的输出权值
% yOut = radbas(-AllDist./SPMat);
% UnitOut=(aqii)./(aqmm+yOut);
% % Distance = dist(Centers',SamIn); % 计算各样本输入离各数据中心的距离
% % HiddenUnitOut = radbas(Distance./SpreadsMat); % 计算隐节点输出阵
% W2Ex = SamOut*pinv(UnitOut); % 求广义输出权值
% W2 = W2Ex(:,1:ClusterNum); % 输出权值
% 
          %last end

plot([1:MaxEpoch],SSE,'r-*');
    


% 测试
for i=1:29-1
p=[p;0];
end
PPP=[];
for i=0:5
    for j=6:7
        p=Allcoor1(:,i*5+j);
        PPP=[PPP;p'];% Allcoor1为输入图像向量；
    end
end
PPP=PPP';
TestIn=[];
t=[];
for i=1:29-1
t=[t;0];
end
for i=0:5
    for j=6:7
        t=Allcoor1(:,i*5+j);
        TestIn=[TestIn;p'];% Allcoor1为输入图像向量；
    end
end
TestIn=TestIn';
%归一化数据
[PPn,minp,maxp,TestOut,mint,maxt]=premnmx(PPP,TT);
[PPn]=tramnmx(PPP,minp,maxp);
TestOut=[T05 T06 T15 T16 T25 T26 T35 T36 T45 T46 T55 T56];
osum=0;

AllDist=[];
for i=0:5
for j=1:12
ww=dist(Center(i+1,:),PPn(:,j));
AllDist(i+1,j)=ww;
end
end
aq=0.44;%奶奶的改正矩阵
for i=1:6
    aqm(i)=radbas(-aq)+1;
end
aqmm=repmat(aqm',1,12);
for i=1:6
    aqi(i)=radbas(-aq);
end
aqii=repmat(aqi',1,12);
SPMat = 30*repmat(SP',1,12);
xOut = radbas(-AllDist./SPMat);
UnitOut=(aqii)./(aqmm+xOut);
NetOut = W*UnitOut;
Error = TestOut-NetOut;
for i=1:12
    ss=sumsqr(Error(:,i))-25;
    if ss>E0
        osum=osun+1;
    end
end
zql=osum/12

% UnitOut=[];
% for i=1:6;
% b = radbas(AllDist(i)./SPMat);
% UnitOut=[UnitOut:b'];
% end
% NetOut = W*UnitOut;
% Error = SamOut-NetOut;
% TestDistance = dist(Centers',TestSamIn);
% TestSpreadsMat = repmat(Spreads,1,TestSamNum);
% TestHiddenUnitOut = radbas(TestDistance./TestSpreadsMat);
% TestNNOut = W2*TestHiddenUnitOut+B2;
% plot(TestSamIn,TestNNOut,'k-')
% W2
% B2