matlab在模式识别中的应用.ppt

模式识别技术 定义 识别出给定的事物与哪一个标本相同或相近 模式分类 把供模仿的标本分成若干类 再判断给定的事物属于哪一类 例如 文字识别 疾病诊断 声纹识别 模式是被属于人工智能的研究范畴 模式识别的分类 有监督的模式识别 除了待识别样本外 还提供已经类别样本集 训练样本集 用来先行训练 使之积累经验 获得识别能力 再对未知样本识别 分类 无监督的模式识别 无训练样本 采用集群 聚类 分析 模式识别系统 数据获取 预处理 特征提取 决策分类在实际问题中 提取的特征是把一个物理模式变成一个随机向量 决策分类 若已知待识别样本完整的先验知识 则可据此确定决策函数的数学表达式 若仅知待识别样本的定性知识 那么需要经过学习 训练 确定决策函数 例 Cancer数据测试 调用cancer dataset采用BP网络识别癌症特征 采用newpr p t hidenum 创建网络数据分类 1 60 用于训练2 20 用于监测 防止过收敛 3 20 用于测试采用train训练 提高精度方法 对网络赋值新权值 重新训练增加隐层神经元数目增加训练样本增加预测变量的数目 更多先验信息 更好其他的训练算法采用优化算法 nprtool的使用 在命令窗口输入nprtool 即可弹出GUI界面 其中可以load软件中的样本数据 进行测试 例 血清胆固醇含量检测问题 通过临床实践共提取了264位病人的血样检测结果数据 其中每个检测结果均对应所测血样光谱的21个波长值 现利用样本数据训练 设计一个神经网络 使其能够自动完成上述检测过程 分析 Step1 采用loadcholes all 调用内置的经典样本 训练样本名为p 训练目标名为tStep2 采用prestd p t 对原始样本归一化 获得归一化后的样本矩阵pnStep3 采用ptran prepca pn 0 001 对归一化后的矩阵pn降维 Step4 对样本数据划分为训练集 验证集 测试集 Itest 2 4 Q Ival 4 4 Q Itr 1 2 Q Val P ptrans Ival val T t Ival Test P ptrans Itest Val T t Itest Ptr ptran Itr ttr t Itr Step5 创建网络net newff minmax ptr S1 S2 Step6 训练 并绘制误差曲线 net tr train net ptr ttr val test Plot tr epoch tr perf tr epoch tr vperf tr epoch tr tperf 车牌号识别算法 字符识别相关 特征提取 识别算法 在二值字符图像中 利用字符的点阵特征进行字符识别是最简单的方法 只需要将二值化的字符图像以数组的形式输入到分类器中 分类器可以采用模板匹配 或者利用大量的样本训练的神经网络来作分类器 实验证明 该方法对于字符字体 型号变化不大的情况非常有效 特征提取 点阵特征 该组特征基于细化的二值图像 二值化字符图像的点阵结构反映了一个字符的整体结构特征 通常 分类器采用模板匹配 利用距离函数计算模板与当前字符之间的相似度 其中相似度最小的那个模板所代表的字符即为识别出的字符 该方法简单易行 计算复杂度低 适合实时识别 识别算法 利用BP神经网络来分类字符 BP神经网络包括3层 输入层 隐含层 输出层 通过BP网络的泛化能力 进行字符的识别 例 用神经网络对26个字母识别 采用matlab中的prprob字母库 作为样本实例 进行字母的识别 分析 1 训练样本为35x26的矩阵 每列对应于每个字母的布尔矢量 训练目标为26x26的单位矩阵 2 在实际的字母识别中 不同级别的噪声是存在的 因而会影响识别率 所以可以考虑扩张训练样本 并对扩张的训练样本加入小功率噪声 采用newff p t hidenums 创建新BP网络 采用train函数进行训练 采用plotchar画出5x7的字母网格图 在对训练好的网络性能进行测试时 可以选择要识别的字母 由于受噪声影响 网络输出模式矢量中的元素可能不是单纯的0和1两个值 其中测试的输出可以用compet竞争传递函数得出最接近网络输出的标准模式矢量 例 车牌号识别 给定车牌号是 J369训练部分 对神经网络的输入