bp 字母识别 java_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
bp 字母识别 java_Matlab实现BP网络识别字母相关推荐
- 简单BP网络识别数码表字符
01数码识别 这学期的人工神经网络课程已经进行完了第三章内容,关于经典网络重要的BP(误差反向传播网络)是所有学习人工神经网络最先接触到的一个实用网络.它的原理相对比较简单,在很多平台中都非常容易实现 ...
- C++毕业设计——基于VC+++BP神经网络+车牌识别的车牌定位和识别系统设计与实现（毕业论文+程序源码）——车牌定位和识别系统
基于VC+++BP神经网络+车牌识别的车牌定位和识别系统设计与实现(毕业论文+程序源码) 大家好,今天给大家介绍基于VC+++BP神经网络+车牌识别的车牌定位和识别系统设计与实现,文章末尾附有本毕业设 ...
- 车牌识别-模板匹配-BP神经网络-卷积神经网络[深度学习]
文章来源:http://blog.csdn.net/fighting_dreamer/article/details/56285738 1 车牌识别的步骤 车牌定位 车牌分割 字符识别 正如上面所讲 ...
- 【图像识别】基于BP神经网络和RGB颜色空间实现人民币识别系统matlab代码
1 简介 随着信息化时代的到来,智能识别成为研究的热点,本文以人民币识别为研究对象,运用 Matlab 软件系统中所提供的神经网络工具箱,结合图像处理技术,实现对各种不同面值纸质版人民币的识别.本文主 ...
- bp神经网络数字识别matlab_卷积神经网络学习识别手写数字时的可视化
观看此神经网络了解在整个模型训练中可视化卷积层激活 Image by Sian Molloy 警告,该文章有不少大尺寸的图. 动机 与其他机器学习技术相比,深度学习的主要优势在于它能够自动学习输入数据 ...
- opencv 车牌字符分割 ANN网络识别字符
opencv 车牌字符分割 ANN网络识别字符 原文参考:https://www.cnblogs.com/chenzhefan/p/7629441.html 最近在复习OPENCV的知识,学习ca ...
- Temporal Segment Networks for Action Recognition in Videos 用于动作识别的时序分割网络
Temporal Segment Networks for Action Recognition in Videos 用于动作识别的时序分割网络 本文原创,欢迎转载 https://blog.csdn ...
- MMIT冠军方案 | 用于行为识别的时间交错网络，商汤公开视频理解代码库
作者 | 商汤 出品 | AI科技大本营(ID:rgznai100) 本文主要介绍三个部分: 一个高效的SOTA视频特征提取网络TIN,发表于AAAI2020 ICCV19 MMIT多标签视频理解竞赛 ...
- PTGAN：针对行人重识别的生成对抗网络 | PaperDaily #36
在碎片化阅读充斥眼球的时代,越来越少的人会去关注每篇论文背后的探索和思考. 在这个栏目里,你会快速 get 每篇精选论文的亮点和痛点,时刻紧跟 AI 前沿成果. 点击本文底部的「阅读原文」即刻加入社区 ...
最新文章
- 比尔·盖茨8000万美元买地建智慧城市，准备打造美国版“雄安新区”
- 后端开挂：3行代码 = 8个接口
- [Objective-c 基础 - 2.10] description方法
- block里的self、weakSelf、strongSelf
- TCP/IP 免费ARP
- 计算机专业黑板报迎新,迎新学期黑板报图
- supersocket缓冲区_关于supersocker的数据传输中遇到的问题
- 对因果报应和轮回的态度
- labelImg 使用以及安装教程---图像标注工具
- android开发点击部分文字颜色,墨迹天气推Android版 单城数据流量不足0.5k
- 黑苹果驱动 hackintosh
- ，智商达到140及以上可以称之为天才
- Android 设置黑白滤镜
- HTML中表格和表单的简单构造和样式
- ElasticSearch英文基本查询
- 【题解】Musical Track Database (Using Databases with Python)
- 金山快盘ubuntu shell客户端
- mcafee怎么添加信任区_如何免费将McAfee SECURE Seal添加到您的WordPress网站
- 如何把int数组中的相同元素，从数组中删除。
- 04735数据库系统原理（知识点快速记忆）
热门文章
- 窗口子类化-实例应用
- C# ToString()用法汇总
- 威刚(A-DATA)DDR3-1600震撼评测
- 60亿元高新项目落户西安
- 让IE8和IE9支持 placeholder
- .NET (C#) Internals: ASP.NET 应用程序与页面生命周期——吴秦（Tyler）
- phoenixframework自动化测试平台架构图
- Firefox的input缓存
- PostgreSQL创建数据库时报错：ERROR: source database template1 is being accessed by other users
- python3 logging 句柄释放 shutdown 简介