神经网络应用于手写数字识别matlab.docVIP

实验报告 实验课程：管理运筹学 实验名称：神经网络应用于手写数字识别-matlab 学生姓名： 指导教师： 实验时间：2018年1月16日 实验要求： 运用matlab编程进行神经网络进行手写数字识别。 小组成员: 姓名 学号 实验过程: 一、 BP神经网络 神经网络是由很多神经元组成，可以分为输入，输出，隐含层。 BP神经网络的特点：信号前向传递，信号反向传播。若输出存在误差，根 据误差调整权值和阈值，使网络的输出接近预期。 在用BP神经网络进行预测之前要训练网络训练过程如下： 1.网络初始化：各个参数的确定包括输入，输出，隐含层的节点数，输入和隐含， 隐含和输出层之间的权值，隐含，输出层的阈值，学习速度和激励函数。 ?计算隐含层输出 ?计算输出层输出 误差计算 权值更新 6 ?阈值更新 7.判断迭代是否结束 二、 模型建立 数据集介绍： 数据集包含0?9这10个数字的手写体。是放在10个文件夹里，文件夹的名 称对应存放的手写数字图片的数字，每个数字500张，每张图片的像素统一为 28*28。 识别流程： 首先要对数据进行处理，这个主要是批量读取图片和特征提取的过程，特征 提取的方法很多，这里只挑选最简单的来实现，然后是训练出一个神经网络的模 型，最后用测试数据进行测试。为了方面，这里的神经网络的创建，训练和测试 采用matlab函数来实现。 训练 运行流程： 1?确定神经网络的输入，输岀。 输入是BP神经网络很重要的方面，输入的数据是手写字符经过预处理和特 征提取后的数据。预处理有二值化，裁剪掉空白的区域，然后再统一大小为70*50 为特征提取做准备。特征提取采用的是粗网格特征提取，把图像分成35个区域， 每个区域100像素,统计区域屮1像素所占的比例。经过预处理特征提取后,28*28 图像转成1*35的特征矢量。提取完5000张图片后，依次把所有的特征存于一个 矩阵(35*5000)中。 ?神经的网络的训练 用matlab的rands函数来实现网络权值的初始化，网络结构为输入层35, 隐藏层34,输出层10,学习速率为0.1,隐藏层激励函数为sigmoid函数。随机 抽取4500张图片提取特征后输入，按照公式计算隐含层和输出层输岀，误差， 更新网络权值。 ?神经网络的预测 训练好神经网络Z后，用随机抽取的500个数字字符对网络进行预测，输入 特征向量，计算隐含层和输出层输出，得到最后预测的数据。同时计算每个数字 的正确率和全体的正确率。最后得到的总体正确率为0.8620o 主函数： clc; clear all; close all; %%读取图像 root=,./data,; i mg=read_trai n(root); %%提取特征 img_feature=feature_lattice(img); %%构造标签 class=10; n umberpclass=500; ann_label=zeros(class,numberpclass*class); ann_data=img_feature; for i=l:class for j=numberpclass*(i-1)+1:numbeipclass*i ann_label(ij)=l; end end %%选定训练集和测试集 k=rand( 1 ,numberpclass*class); [m,n]=sort(k); ntraindata=4500; n(estdata=500; train_data=ann_data(:,n( 1:ntraindata)); test_data=ann_data(:,n(ntraindata+1: numberpclass*class)); train _label=annJabel(:,n( 1:ntraindata)); test_label=annjabel(:,n(ntraindata+1:numbeipclass *class)); %% BP神经网络创建，训练和测试 net=netvvork_train(train_data,train_label); predict_label=network_test(test_data5net); %%正确率计算 [u,v]=find(test_label==l); label; erroi-label-predict_label; accuracy=size(find(error==0),2)/size(label,2) 批量读取图片函数： 文件存放特点:在data下有10个子文件夹，每个子文件夹下有500张图片。 函数可以利用于任何批量图片的读取，传入的是文件夹路径，输出的是一个n(对 应图片数目)维cell,每个cell存放的是图片的数据。 function [img