一、实验目的

通过学习BP神经网络技术，对手写数字进行识别，基于结构的识别法及模板匹配法来提高识别率。

二、实验器材

PC机 matlab软件

三、实验内容

按照BP神经网络设计方法选用两层BP网络，构造训练样本集，并构成训练所需的输入矢量和目标向量，通过画图工具，获得数字原始图像，截取图像像素为0的最大矩形区域，经过集合变换，变成16*16的二值图像，再进行反色处理，其图像数据特征提取为神经网络的输入向量。通过实验证实，BP神经网络应用于手写数字识别具有较高的识别率和可靠性。

四、实验原理

BP算法由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成. 正向传播时,传播方向为输入层→隐层→输出层,每层神经元的状态只影响下一层神经元. 若在输出层得不到期望的输出,则转向误差信号的反向传播流程. 通过这两个过程的交替进行,在权向量空间执行误差函数梯度下降策略,动态迭代搜索一组权向量,使网络误差函数达到最小值,从而完成信息提取和记忆过程.

五、实验步骤

1、首先对手写数字图像进行预处理,包括二值化、去噪、倾斜校正、归一化和特征提取,生成BP神经网络的输入向量m和目标向量target. 其中m选取40×10的矩阵,第1列到第10列代表0～9的数字.target为9×10的单位矩阵,每个数字在其所排顺序位置输出1,其他位置输出0.

2、然后神经网络的训练过程是识别字符的基础，直接关系到识别率的高低。输送训练样本至BP神经网络训练, 在梯度方向上反复调整权值使网络平方和误差最小。学习方法采用最速下降方法，输入结点数为16*16=256，隐层传输函数为sigmoid函数(logsig)，一个输出结点，输出传输函数为pureline(purelin),隐层结点数为sqrt(256+1)+a(a=1~10),取为25。训练完毕, 把待识别数字送BP神经网络中进行仿真测试。

分析运行结果

六、实验具体过程

构造训练样本集。也构成训练输入样本和目标矢量。通过画图工具，获得数字0~9的图像：（0，10，20，30，40，50 ，60，70，80，90）.bmp中存放0的不同写法，（1，11，21，31，41，51 ，61，71，81，91）.bmp中存放1的不同写法，… ，以此类推，得到100幅图像。

七、代码实现

clear all;
'正在生成输入向量和目标向量，请稍等...'
for kk=0:99p1=ones(16,16);m=strcat(int2str(kk),'.bmp');x=imread(m,'bmp');bw=im2bw(x,0.5);[i,j]=find(bw==0);imin=min(i);imax=max(i);jmin=min(j);jmax=max(j);bwl=bw(imin:imax,jmin:jmax);rate=16/max(size(bwl));bwl=imresize(bwl,rate); [i,j]=size(bwl);
i1=round((16-i)/2);j1=round((16-j)/2);p1(i1+1:i1+i,j1+1:j1+j)=bwl;p1=-1.*p1+ones(16,16);%以图象数据形成神经网络输入向量for m=0:15
p(m*16+1:(m+1)*16,kk+1)=p1(1:16,m+1);end%形成神经网络目标向量switch kkcase{0,10,20,30,40,50,60,70,80,90}t(kk+1)=0;case{1,11,21,31,41,51,61,71,81,91}t(kk+1)=1;case{2,12,22,32,42,52,62,72,82,92}t(kk+1)=2;case{3,13,23,33,43,53,63,73,83,93}t(kk+1)=3;case{4,14,24,34,44,54,64,74,84,94}u            t(kk+1)=4;case{5,15,25,35,45,55,65,75,85,95}t(kk+1)=5;case{6,16,26,36,46,56,66,76,86,96}t(kk+1)=6;case{7,17,27,37,47,57,67,77,87,97}t(kk+1)=7;case{8,18,28,38,48,58,68,78,88,98}t(kk+1)=8;case{9,19,29,39,49,59,69,79,89,99}t(kk+1)=9;end
end
save E52PT p t;
'输入向量和目标向量生成结束!'

实验四：手写数字识别的神经网络算法设计与实现相关推荐

实验四手写数字识别的神经网络算法设计与实现
实验四手写数字识别的神经网络算法设计与实现一.实验目的通过学习BP神经网络技术,对手写数字进行识别,基于结构的识别法及模板匹配法来提高识别率. 二.实验器材 PC机 matlab软件三.实验内 ...
模式识别实验四手写数字识别的神经网络算法设计与实现
实验四手写数字识别的神经网络算法设计与实现一.实验目的通过学习BP神经网络技术,对手写数字进行识别,基于结构的识别法及模板匹配法来提高识别率. 二.实验器材 PC机 matlab软件三.实验内 ...
【学习日记】手写数字识别及神经网络基本模型
2021.10.7 [学习日记]手写数字识别及神经网络基本模型 1 概述张量(tensor)是数字的容器,是矩阵向任意维度的推广,其维度称为轴(axis).深度学习的本质是对张量做各种运算处理,其分 ...
[Kaggle] Digit Recognizer 手写数字识别（神经网络）
文章目录 1. baseline 2. 改进 2.1 增加训练时间 2.2 更改网络结构 Digit Recognizer 练习地址相关博文: [Hands On ML] 3. 分类(MNIST手写 ...
Python手写数字识别+GUI界面+手写板设计
摘要手写数字识别是模式识别中一个非常重要和活跃的研究领域,数字识别也不是一项孤立的技术,他涉及的问题是模式识别的其他领域都无法回避的:应用上,作为一种信息处理手段,字符识别有广阔的应用背景和巨大的市 ...
基于python的手写数字识别knn_KNN分类算法实现手写数字识别
需求: 利用一个手写数字"先验数据"集,使用knn算法来实现对手写数字的自动识别: 先验数据(训练数据)集: ♦数据维度比较大,样本数比较多. ♦ 数据集包括数字0-9的手写体. ...
卷积神经网络手写数字识别（包含Pytorch实现代码）
Hello!欢迎来到六个核桃Lu! 运用卷积神经网络实现手写数字识别 1 算法分析及设计卷积神经网络: 图1-2 如图1-2,卷积神经网络由若干个方块盒子构成,盒子从左到右仿佛越来越小,但却越来越 ...
深度学习笔记：01快速构建一个手写数字识别系统以及张量的概念
深度学习笔记:01快速构建一个手写数字识别系统神经网络代码最好运行在GPU中,但是对于初学者来说运行在GPU上成本太高了,所以先运行在CPU中,就是慢一些. 一.安装keras框架使用管理员模式打 ...
读书笔记：手写数字识别 ← 斋藤康毅
求解机器学习问题的步骤可以分为"学习"和"推理"两个阶段. 本例假设"学习"阶段已经完成,并将学习到的权重和偏置参数保存在pickle文件s ...

实验四：手写数字识别的神经网络算法设计与实现