bphandidentifyrate.m

BP神经网络手写体识别。BMP图像训练后

clear all;
clc
for kk=1:400
    pl=ones(28,28);                     %初始化28*28二值图像为全白
    m=strcat('b',int2str(kk),'.bmp');   %连接字符得到样本文件名
    x=imread(m,'bmp');                  %读入研本文件图像
    pl=im2bw(x,0.5);                    %把样本图像转化为二值图
    for m=0:27                          %形成神经网络输入向量
        p(m*28+1:(m+1)*28,kk)=pl(1:28,m+1);
    end
end
%手写体样本对应的数字（从b1.bmp到b400.bmp 共400个）：
t=[5 0 4 1 9 2 1 3 1 4 3 6 3 6 1 7 2 8 6 9 4 0 9 1 1 2 4 3 2 7 8 8 6 9 0 5 6 0 7......
   6 1 8 7 9 3 9 8 5 9 3 3 0 7 4 9 8 0 9 4 1 4 4 6 0 4 5 6 1 0 0 1 7 1 6 3 0 2 1......
   1 7 8 0 2 6 7 8 3 9 0 4 6 7 4 6 8 0 7 8 3 1 5 7 1 7 1 1 6 3 0 2 9 3 1 1 0 4 9......
   2 0 0 2 0 2 7 1 8 6 4 1 6 3 4 1 9 1 3 3 9 5 4 7 7 4 2 8 5 8 6 0 3 4 6 1 9 9 6......
   0 3 7 2 8 2 9 4 4 6 4 9 7 0 9 2 7 5 1 5 9 1 2 3 1 3 5 9 1 7 6 2 8 2 2 6 0 7 4......
   9 7 8 3 2 1 1 8 3 6 1 0 3 1 0 0 1 1 2 7 3 0 4 6 5 2 6 4 7 1 8 9 9 3 0 7 1 0 2......
   0 3 5 4 6 5 8 6 3 7 5 8 0 9 1 0 3 1 2 2 3 3 6 4 7 5 0 6 2 7 9 8 5 9 2 1 1 4 4......
   5 6 4 1 2 5 3 9 3 9 0 5 9 6 5 7 4 1 3 4 0 4 8 0 4 3 6 8 7 6 0 9 7 5 7 2 1 1 6......
   8 9 4 1 5 2 2 9 0 3 9 6 7 2 0 3 5 4 3 6 5 8 9 5 4 7 4 2 7 3 4 8 9 1 9 2 1 7 9......
   1 8 7 4 1 3 1 1 0 2 3 9 4 9 2 1 6 8 4 7 7 4 4 9 2 5 7 2 4 4 2 1 9 2 2 8 7 6 9...... 
   8 2 3 8 1 6 5 1 1 0];
%创建BP网络
pr(1:784,1)=0;
pr(1:784,2)=1;
t1=clock;                   %计时开始
%设置训练参数
net=newff(pr,[25 1],{'logsig','purelin'},'traingdx','learngdm');
net.trainParam.epochs=5000;             %设置训练次数
net.trainParam.goal=0.05;               %设置性能函数
net.trainParam.show=10;                 %每10显示
net.trainParam.Ir=0.05;                 %设置学习速率
net=train(net,p,t);                     %训练BP网络
datat=etime(clock,t1)                   %计算设计网络的时间为66.417s
%生成测试样本
pt(1:784,1)=1;                       
pl=ones(28,28);                         %初始化28*28二值图像像素
for kk=401:600
    pl=ones(28,28);                     %初始化28*28二值图像为全白
    m=strcat('b',int2str(kk),'.bmp');   %连接字符得到样本文件名
    x=imread(m,'bmp');                  %读入研本文件图像
    pl=im2bw(x,0.5);                    %把样本图像转化为二值图
    for m=0:27                          %形成神经网络输入向量
        pt(m*28+1:(m+1)*28,kk-400)=pl(1:28,m+1);
    end
end
[a,Pf,Af]=sim(net,pt);                  %网络仿真
a=round(a)                              %输出识别结果
%测试样本对应的数字（从b401.bmp到b600.bmp 共200个）：
tl=[2 6 4 5 8 3 1 5 1 9 2 7 4 4 4 8 1 5 8 9 5 6 7 9 9 3 7 0 9......
   0 6 6 2 3 9 0 7 5 4 8 0 9 4 1 1 8 7 1 2 6 1 0 3 0 1 1 8 2 0 3 9 4 0 5 0 6 1 7......
   7 8 1 9 2 0 5 1 2 2 7 3 5 4 4 7 1 8 3 9 6 0 3 1 1 2 0 3 5 7 6 8 2 9 5 8 5 7 4...... 
   1 1 3 1 7 5 5 5 2 5 8 2 0 9 7 7 5 0 9 0 0 8 9 2 4 8 1 6 1 6 5 1 8 3 4 0 5 5 8...... 
   3 4 2 3 9 2 1 1 5 2 1 3 2 8 7 3 7 2 4 6 9 7 2 4 2 8 1 1 3 8 4 0 6 5 9 3 0 9 2......
   4 7 1 1 9 4 2 6 1 8 9 0 6 6 7];
k=0;
for i=1:200
    if a(i)==tl(i)
        k=k+1;
    end
end
rate=1.00*k/200;                        %计算最后正确率为0.495