实验一 基于人工神经网络的数码识别.doc

人工智能导论课程基于人工神经网络的数码识别班级：计1103学号：201107010330姓名：贾梦洁成绩评定：评阅老师：日 期：实验报告正文一、实验目的基于神经网络的数字识别系统二、实验内容通常实现手写体数字识别技术的方法有很多种，比如说Fisher线性判别方法，最小风险贝叶斯判别方法，朴素贝叶斯判别方法，神经网络方法等。这些方法都可以实现手写体数字的识别，本课题是采用后向传播（BP）神经网络算法，先用MATLAB自带的函数im2bw把输入的数字图像二值化处理，然后取得图片数字部分的最大行列和最小行列，对图片进行实际大小的裁剪，为接下来的归一化做铺垫，取得图像的矩阵特征值，输入到设置好的BP网络中，让网络学习，并保存网络,最后用sim函数仿真识别。运行程序后，训练好的神经网络对输入的数字进行识别。但是有时识别同一数字图片后所得出的结果会不相同，训练网络的时长，精确度也不相同。由此我们可以得出神经网络具有不稳定性和局限性，同时很多因素都能影响网络，比如加入噪声，所以神经网络仍需要人们进一步的研究。三、实验所用智能算法基本原理与流程学习过程中由信号的正向传播与误差的逆向传播两个过程组成.正向传播时,模式作用于输入层,经隐层处理后,传入误差的逆向传播阶段,将输出误差按某种子形式,通过隐层向输入层逐层返回,并“分摊”给各层的所有单元,从而获得各层单元的参考误差或称误差信号,以作为修改各单元权值的依据.权值不断修改的过程,也就是网络学习过程.此过程一直进行到网络输出的误差准逐渐减少到可接受的程度或达到设定的学习次数为止.BP网络模型包括其输入输出模型,作用函数模型,误差计算模型和自学习模型.BP网络由输入层,输出层以及一个或多个隐层节点互连而成的一种多层网,这种结构使多层前馈网络可在输入和输出间建立合适的线性或非线性关系,又不致使网络输出限制在-1和1之间.该系统使用自建样本库，应用BP神经网络算法对样本进行训练识别。系统分为预处理、特征提取、分类器三部分。其中，预处理包括数据的读取，灰度转换，二值化，去噪，然后得到特征值，分类器的设计是整个系统的核心部分。具体程序流程图如下：四、系统构成与程序设计#includetvec.h#includetmat.h#include五、核心代码#includetvec.h#includetmat.h#includetypedeftmatCMatrix;typedeftvecCVector;一个简单易用的矩阵类库使用简介：初始化矩阵：tmaxA(3,2);-生成一个3行2列的零阵初始化矩阵：tmaxB(2,2,a);-生成一个2行2列的矩阵并利用数组a的前22个元素为其赋值。这里要求a至少要包含22个元素给矩阵元素赋值： A(1,2)=1.0; -将1.0赋给矩阵A的第1行、第2列取矩阵元素的值：f=A(2,2); -取出矩阵A第2行、第2列的值赋给f矩阵的加、减、乘：A=B+C;C=B*A;等等，可以像普通数据类型那样直接进行运算符运算矩阵转置： transpose(A);求矩阵行列式： det(A); 注意：必须是方阵矩阵求逆： inv(A);注意：必须是方阵得到矩阵的行数和列数： A.nrows(); A.ncols();resize矩阵： A.resize(2,2);-取原来A矩阵的前22个元素来构造新尺寸的A另外，tvec.h则包含了一个矢量(向量)类库，这里也简要介绍一下初始化向量：tvecA; -生成一个一维的向量。默认初始值为0初始化向量：tvecB(4); -生成一个4维的向量初始化向量：tvecC(4,0.1); -生成一个4维的向量，并将每一维元素初始化为0.1初始化向量：tvecD(5,a); -生成一个5维的向量，并用数组a的前5个元素为其赋值初始化向量：tvecE(B); -由向量B来初始化向量E。相当于复制向量给向量的元素赋值：B(1)=2.0; -给B向量的第1维元素赋值为2.0提取向量元素的值：f=B(2); -将B向量的第2维元素提取出来，赋给变量f得到向量的维数：B.nsize();【注意】：1.本类库的矩阵、向量运算采用值传递2.本类库的矩阵和向量的第一个元素的起始下标为1，不是0。这点尤其要注意。这和C语言中的数组不一样CVectorV3;booltest()V0.resize(4);V0(1)=1;doublek=V0(1);coutk;returntrue;intmain()doublea=1,2,3,4,5,6,7,8,9;doubleb=1.12,2.45,5.67,-2.2,3.4,6.4,0,7.1;/创建一个2行3列的零阵mACMatrixmA(2,3);mA(1)=2;mA(2)=4;mA(3)=mA(2);mA(4)=5; /mA(4)其实就是mA(2,1)mA(2,3)=9;cout测试1：nmA;coutmA(4)=mA(4)n;coutmA(2,1)=mA(2,1)n;/由mA来创建一个一模一样的矩阵mBCMatrixmB(mA);cout测试2：nmB;coutA的内存地址：&mA;coutnB的内存地址：&mBn;/resize矩阵mA。保留原来mA中的前22个元素mA.resize(2,2);cout测试3：nmA;coutA的内存地址：&mAn;/可见resize后，A的地址不变/由数组a来创建一个矩阵mCCMatrixmC(3,2,a);cout测试4：nmC;/求mD转置CMatrixmD(2,3,a);cout测试5：nmDn转置前mD的地址：&mDn;mD=transpose(mD);coutmDn转置后mD的地址：&mDn;/可见，虽然转置后行数、列数互换，这里仍然可以直接把转置后的矩阵赋给自身/位于等号左边的矩阵可以自动调整行数和列数。这很便利！/求逆矩阵CMatrixmE(2,2,b);cout测试6：nmE;mE=inv(mE);coutmE;coutinv(mE); /再求逆回来。注意这句不会改变mE本身，但可以显示出再次求逆后的结果coutmE;/矩阵的连续运算CMatrixA(2,2,a);CMatrixB(3,2,a);CMatrixC(2,3,a);CMatrixD;D=inv(A)*transpose(B)+C;/求D=A的逆乘以B的转置，再加上C/可见，该类库来进行矩阵的一系列运算非常简单！cout测试7：nA的逆乘以B的转置，再加上CnABCD;coutAinv(A)A*inv(A);coutdiagprod(A)n;/以下进入向量部分CVectorvA(3,a);cout测试8：向量nvA;/由向量构造矩阵CMatrixmAA(3,1,vA);cout由向量构造矩阵nmAA;/这里，将列向量vA（3行、1列）转化为3行、1列的矩阵，于是就可以使用矩阵计算公式来兼容向量了！/最后，调用diagbyarray函数来由一个数组来构造一个矩阵。这里矩阵对角线的元素为该数组的元素CMatrixmBBdoubleaa=1,2,3,4,5;diagbyarray(mBB,aa,5);cout最后一个测试：nmBB;diagbyarray(mBB,aa,3);coutnmBB;/*CVectorv1,v2;v1.resize(4);v1(1)=2;v2.resize(4);coutv1;coutv2;doublekkk=v1(1);coutkkk:kkkLoadFrame(IDR_MAINFRAME,WS_OVERLAPPEDWINDOW|FWS_ADDTOTITLE,NULL,NULL);/Theoneandonlywindowhasbeeninitialized,soshowandupdateit.pFrame-ShowWindow(SW_MAXIMIZE);pFrame-UpdateWindow();returnTRUE;/CDigitRecAppmessagehandlers/CAboutDlgdialogusedforAppAboutclassCAboutDlg:publicCDialogpublic:CAboutDlg();/DialogData/AFX_DATA(CAboutDlg)enumIDD=IDD_ABOUTBOX;/AFX_DATA/ClassWizardgeneratedvirtualfunctionoverrides/AFX_VIRTUAL(CAboutDlg)protected:virtualvoidDoDataExchange(CDataExchange*pDX); /DDX/DDV support/AFX_VIRTUAL/Implementationprotected:/AFX_MSG(CAboutDlg)/Nomessagehandlers/AFX_MSGDECLARE_MESSAGE_MAP();CAboutDlg:CAboutDlg():CDialog(CAboutDlg:IDD)/AFX_DATA_INIT(CAboutDlg)/AFX_DATA_INITvoidCAboutDlg:DoDataExchange(CDataExchange*pDX)CDialog:DoDataExchange(pDX);/AFX_DATA_MAP(CAboutDlg)/AFX_DATA_MAPBEGIN_MESSAGE_MAP(CAboutDlg,CDialog)/AFX_MSG_MAP(CAboutDlg)/Nomessagehandlers/AFX_MSG_MAPEND_MESSAG