基于bp神經(jīng)網(wǎng)絡(luò)的數(shù)字字母識別系統(tǒng)設(shè)計——系統(tǒng)的matlab實現(xiàn)【畢業(yè)論文】

1、<p>　　本科畢業(yè)論文(設(shè)計)</p><p><b>　　（二零 屆）</b></p><p>　　基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字字母識別系統(tǒng)設(shè)計——系統(tǒng)的MATLAB實現(xiàn)</p><p>　　所在學(xué)院 </p><p>　　專業(yè)班級 電氣工程及其

2、自動化 </p><p>　　學(xué)生姓名 學(xué)號 </p><p>　　指導(dǎo)教師 職稱 </p><p>　　完成日期 年 月 </p><p><b>　　摘 要</b></p&g

3、t;<p>　　本課題利用MATLAB將應(yīng)用于數(shù)字識別的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)程序化，并進行仿真實驗，考察網(wǎng)絡(luò)結(jié)構(gòu)對系統(tǒng)實時性、識別效果的影響以及初始權(quán)值對收斂速度的影響, 選取最佳的隱層節(jié)點數(shù)和權(quán)值初始化函數(shù), 實現(xiàn)了基于BP 神經(jīng)網(wǎng)絡(luò)的數(shù)字識別系統(tǒng)。實驗結(jié)果表明該系統(tǒng)能夠?qū)崿F(xiàn)對數(shù)字的有效識別</p><p>　　關(guān)鍵詞： 數(shù)字識別，BP神經(jīng)網(wǎng)絡(luò)，MATLAB仿真</p><p>

4、;<b>　　Abstract</b></p><p>　　In this paper，MATLAB is used to program the BP neural network structure which is applied to digit recognition and conduct simulation experiment. For fulfilling the rea

5、l time and veracity demands of digit recognition，the structure of neural networks is researched. The influence of initial weights on convergent speed is also considered. Select the best hidden layer node number and weigh

6、t initialization function, realized the digit recognition system based on BP neural network. Experimental results</p><p>　　Key Words: digit recognition，BP neural network，MATLAB simulation

7、 </p><p><b>　　目 錄</b></p><p>　　1 引言..............................................................1</p><p>　　2 神經(jīng)網(wǎng)絡(luò).................................................

8、.........2</p><p>　　2.1人工神經(jīng)元......................................................2</p><p>　　2.2人工神經(jīng)網(wǎng)絡(luò)....................................................2</p><p>　　2.2.1人工神經(jīng)網(wǎng)絡(luò)的定...

9、..........................................2</p><p>　　2.2.2人工神經(jīng)網(wǎng)絡(luò)的工作原理.......................................2</p><p>　　2.2.3人工神經(jīng)網(wǎng)絡(luò)的特征...........................................3</p><p

10、>　　2.2.4幾種典型的神經(jīng)網(wǎng)絡(luò)簡介.......................................4</p><p>　　2.2.5人工神經(jīng)網(wǎng)絡(luò)的發(fā)展前景.......................................4</p><p>　　3 BP神經(jīng)網(wǎng)絡(luò)................................................

11、........5</p><p>　　3.1 BP神經(jīng)網(wǎng)絡(luò)概述.................................................5</p><p>　　3.2 BP算法.........................................................5</p><p>　　3.2.1 BP算法的學(xué)習(xí)方

12、式............................................5</p><p>　　3.2.2 BP算法的主要思想............................................5</p><p>　　3.2.3 BP算法的組成................................................6</p

13、><p>　　3.2.4 BP算法的不足及解決辦法......................................7</p><p>　　3.3 BP算法在數(shù)字識別中的應(yīng)用.......................................8</p><p>　　4 軟件開發(fā)環(huán)境和平臺...............................

14、...............10</p><p>　　4.1 MATLAB概述....................................................10</p><p>　　4.2 MATLAB語言特點................................................10</p><p>　　4.3

15、MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱......................................10</p><p>　　5 神經(jīng)網(wǎng)絡(luò)設(shè)計和MATLAB編程.......................................11</p><p>　　5.1神經(jīng)網(wǎng)絡(luò)的設(shè)計.................................................1

16、1</p><p>　　5.1.1系統(tǒng)輸入信號的提取與表示....................................11</p><p>　　5.1.2系統(tǒng)輸出信號的表示..........................................12</p><p>　　5.1.3 網(wǎng)絡(luò)拓撲結(jié)構(gòu)的建立......................

17、...................13</p><p>　　5.2 數(shù)字識別系統(tǒng)的MATLAB語言編程.................................14</p><p>　　5.2.1數(shù)字識別系統(tǒng)MATLAB編程流程圖...............................14</p><p>　　5.2.2程序的初始化........

18、........................................15</p><p>　　5.2.3 網(wǎng)絡(luò)訓(xùn)練...................................................15</p><p>　　5.2.4系統(tǒng)性能....................................................16</p

19、><p>　　5.2.5 生成輸入向量矩陣和輸出向量方陣的MATLAB函數(shù)文件............18</p><p>　　5.2.6 繪制數(shù)字字符圖像的MATLAB函數(shù)文件..........................19</p><p>　　5.2.7 數(shù)字字符識別測試仿真程序...................................19<

20、;/p><p>　　6 結(jié)論.............................................................21</p><p>　　致謝...............................................................22</p><p>　　參考文獻................

21、...........................................23</p><p><b>　　1引言</b></p><p>　　數(shù)字識別是字符識別中的一個特例,是圖像處理技術(shù)和模式識別技術(shù)相結(jié)合的研究課題。隨著國家信息化進程的加速,數(shù)字識別的應(yīng)用越來越廣泛,如郵政編碼的自動識別、銀行稅表和銀行支票的自動處理以及大規(guī)模的統(tǒng)計數(shù)據(jù)庫的數(shù)據(jù)自動識

22、別輸人等。 當(dāng)這些領(lǐng)域涉及到數(shù)字識別時,特別是有關(guān)金額數(shù)額的識別時, 要求識別器具有很高的可靠性。針對這類問題的關(guān)鍵就是設(shè)計出高可靠性和高識別率的數(shù)字識別方法。 人工神經(jīng)網(wǎng)絡(luò)技術(shù)源于人腦神經(jīng)系統(tǒng)的模型 ,是模擬人工智能的一種重要方法 ,具有模擬人的部分形象思維的能力。人工神經(jīng)網(wǎng)絡(luò)技術(shù)的迅速發(fā)展 ,為模式識別開辟了新的途徑。誤差反向傳播(Back-Propagation) ,即 BP神經(jīng)網(wǎng)絡(luò) ,就是一種典型的人工神經(jīng)網(wǎng)絡(luò) , 它具有信息并

23、行分布式處理能力和自學(xué)習(xí)功能等顯著優(yōu)點，有著廣泛的應(yīng)用。本文在對 BP神經(jīng)網(wǎng)絡(luò)基本原理研究的基礎(chǔ)上 ,結(jié)合這一課題 , 利用 BP神經(jīng)網(wǎng)絡(luò)來實現(xiàn)數(shù)字的識別。 再利用MATLAB中神經(jīng)網(wǎng)絡(luò)的工具箱編制程序，把數(shù)字識別系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型變?yōu)槌绦蚰Ｐ?。MATLAB仿真表明，BP神經(jīng)網(wǎng)絡(luò)識別數(shù)字具有良好的效果。</p><p><b>　　2 神經(jīng)網(wǎng)絡(luò)</b></p><

24、p><b>　　2.1 人工神經(jīng)元</b></p><p>　　人工神經(jīng)元模擬了大腦的簡單特性。人工神經(jīng)元是神經(jīng)網(wǎng)絡(luò)最基本的組成，一般是多輸入、單輸出的非線性器件[1]。人工神經(jīng)元模型如圖2-1。.</p><p>　　圖2-1 神經(jīng)元模型結(jié)構(gòu)</p><p><b>　　2.2人工神經(jīng)網(wǎng)絡(luò)</b></p&g

25、t;<p>　　2.2.1人工神經(jīng)網(wǎng)絡(luò)的定義</p><p>　　人工神經(jīng)網(wǎng)絡(luò)是一種模范動物神經(jīng)網(wǎng)絡(luò)行為特征，進行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達到處理信息的目的[2]。</p><p>　　2.2.2人工神經(jīng)網(wǎng)絡(luò)的工作原理</p><p>　　人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的

26、能力，可以通過預(yù)先提供的一批相互對應(yīng)的輸入－輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學(xué)習(xí)分析的過程被稱為“訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的工作原理[3]。</p><p>　　人工神經(jīng)網(wǎng)絡(luò)首先要以一定的學(xué)習(xí)準(zhǔn)則進行學(xué)習(xí)，然后才能工作?，F(xiàn)以人工神經(jīng)網(wǎng)絡(luò)對手寫“A”、“B”兩個字母的識別為例進行說明，規(guī)定當(dāng)“A”輸入網(wǎng)絡(luò)時，應(yīng)該輸出“1”，而當(dāng)輸入為“B”時，輸出為“0”。

27、0; 所以網(wǎng)絡(luò)學(xué)習(xí)的準(zhǔn)則應(yīng)該是：如果網(wǎng)絡(luò)作出錯誤的的判決，則通過網(wǎng)絡(luò)的學(xué)習(xí)，應(yīng)使得網(wǎng)絡(luò)減少下次犯同樣錯誤的可能性。首先，給網(wǎng)絡(luò)的各連接權(quán)值賦予(0，1)區(qū)間內(nèi)的隨機值，將“A”所對應(yīng)的圖象模式輸入給網(wǎng)絡(luò)，網(wǎng)絡(luò)將輸入模式加權(quán)求和、與門限比較、再進行非線性運算，得到網(wǎng)絡(luò)的輸出。在此情況下，網(wǎng)絡(luò)輸出為“1”和“0”的概率各為50%，也就是說是完全隨機的。這時如果輸出為“1”(結(jié)果正確)，則使連接權(quán)值增大，以便使網(wǎng)絡(luò)再次遇到“A”模式輸入時，仍

28、然能作出正確的判斷。</p><p>　　如果輸出為“0”(即結(jié)果錯誤)，則把網(wǎng)絡(luò)連接權(quán)值朝著減小綜合輸入加權(quán)值的方向調(diào)整，其目的在于使網(wǎng)絡(luò)下次再遇到“A”模式輸入時，減小犯同樣錯誤的可能性。如此操作調(diào)整，當(dāng)給網(wǎng)絡(luò)輪番輸入若干個手寫字母“A”、“B”后，經(jīng)過網(wǎng)絡(luò)按以上學(xué)習(xí)方法進行若干次學(xué)習(xí)后，網(wǎng)絡(luò)判斷的正確率將大大提高。這說明網(wǎng)絡(luò)對這兩個模式的學(xué)習(xí)已經(jīng)獲得了成功，它已將這兩個模式分布地記憶在網(wǎng)絡(luò)的各個連接權(quán)值上。

29、當(dāng)網(wǎng)絡(luò)再次遇到其中任何一個模式時，能夠作出迅速、準(zhǔn)確的判斷和識別。一般說來，網(wǎng)絡(luò)中所含的神經(jīng)元個數(shù)越多，則它能記憶、識別的模式也就越多[4]。</p><p>　　2.2.3人工神經(jīng)網(wǎng)絡(luò)的基本特征</p><p>　　(1)非線性 非線性關(guān)系是自然界的普遍特性。大腦的智慧就是一種非線性現(xiàn)象。人工神經(jīng)元處于激活或抑制二種不同的狀態(tài)，這種行為在數(shù)學(xué)上表現(xiàn)為一種非線性關(guān)系。具有閾值的神經(jīng)元構(gòu)成的

30、網(wǎng)絡(luò)具有更好的性能，可以提高容錯性和存儲容量。</p><p>　　(2)非局限性 一個神經(jīng)網(wǎng)絡(luò)通常由多個神經(jīng)元廣泛連接而成。一個系統(tǒng)的整體行為不僅取決于單個神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模擬大腦的非局限性。聯(lián)想記憶是非局限性的典型例子。</p><p>　　(3)非常定性 人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織、自學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)不但處理

31、的信息可以有各種變化，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化。經(jīng)常采用迭代過程描寫動力系統(tǒng)的演化過程[5]。</p><p>　　(4)非凸性 一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數(shù)。例如能量函數(shù)，它的極值相應(yīng)于系統(tǒng)比較穩(wěn)定的狀態(tài)。非凸性是指這種函數(shù)有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)，這將導(dǎo)致系統(tǒng)演化的多樣性。</p><p>　　2.2.4幾種典型

32、的神經(jīng)網(wǎng)絡(luò)簡介 </p><p>　　神經(jīng)網(wǎng)絡(luò)模型各種各樣, 各式各樣的模型從不同的角度對生物神經(jīng)系統(tǒng)進行不同層次的描述和模擬。代表性的網(wǎng)絡(luò)模型有BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、H opfie ld網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)等。運用這些網(wǎng)絡(luò)模型可實現(xiàn)函數(shù)逼近、數(shù)據(jù)聚類、模式分類、優(yōu)化計算等功能。因此, 神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于人工智能、自動控制、機器人、統(tǒng)計學(xué)等領(lǐng)域的信息處理中[6]。</p><p&

33、gt;　　2.2.5人工神經(jīng)網(wǎng)絡(luò)的發(fā)展前景</p><p>　　由于現(xiàn)代高性能計算機的研發(fā)，人工神經(jīng)網(wǎng)絡(luò)的發(fā)展將在趨向于微觀器件同宏觀功能的結(jié)合, 并在智能化傳感器、隨機模式識別、實時知識處理、控制應(yīng)用、最優(yōu)化問題等方面克服現(xiàn)時的理論和技術(shù)障礙, 從實驗室和專門應(yīng)用逐步地滲入到實際生活和各類工作系統(tǒng)中去。我們可以想象到那時聲控電視、電話、計算機、打字機等將進入尋常百姓家; 人類可以直接同機器進行接口對話;具有思維

34、、語言、感情的智能機器人將替代我們?nèi)プ鲈S多繁瑣和人類自身不適合做的事情。</p><p><b>　　3.BP神經(jīng)網(wǎng)絡(luò)</b></p><p>　　3.1 BP神經(jīng)網(wǎng)絡(luò)概述</p><p>　　BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前

35、饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程[7]。</p><p><b>　　3.2 BP算法</b></p><p>　　3.2.1 BP算法的學(xué)習(xí)方式</p><p>　　神經(jīng)網(wǎng)絡(luò)具有初步的自適應(yīng)與自組織能力。在學(xué)習(xí)或訓(xùn)練過程中改變突觸權(quán)重值，以適

36、應(yīng)周圍環(huán)境的要求。同一網(wǎng)絡(luò)因?qū)W習(xí)方式及內(nèi)容不同可具有不同的功能。神經(jīng)網(wǎng)絡(luò)是一個具有學(xué)習(xí)能力的系統(tǒng)，可以發(fā)展知識，以致超過設(shè)計者原有的知識水平。通常，它的學(xué)習(xí)訓(xùn)練方式可分為兩種，一種是有監(jiān)督或稱有導(dǎo)師的學(xué)習(xí)，這時利用給定的樣本標(biāo)準(zhǔn)進行分類或模仿；另一種是無監(jiān)督學(xué)習(xí)或稱無導(dǎo)師學(xué)習(xí)，這時，只規(guī)定學(xué)習(xí)方式或某些規(guī)則，則具體的學(xué)習(xí)內(nèi)容隨系統(tǒng)所處環(huán)境 （即輸入信號情況）而異，系統(tǒng)可以自動發(fā)現(xiàn)環(huán)境特征和規(guī)律性，具有更近似人腦的功能。BP算法即誤差反向

37、傳播（Error Back Propagation, BP）算法。BP算法屬于δ算法， 是一種監(jiān)督式的學(xué)習(xí)算法[8]。</p><p>　　3.2.2 BP算法的主要思想</p><p>　　BP算法的主要思想：輸入學(xué)習(xí)樣本，使用反向傳播算法對網(wǎng)絡(luò)的權(quán)值和偏差進行反復(fù)的調(diào)整訓(xùn)練，使輸出的向量與期望向量盡可能地接近，當(dāng)網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時訓(xùn)練完成，保存網(wǎng)絡(luò)的權(quán)值和偏差。即對

38、于n個輸入學(xué)習(xí)樣本：X1，X2，……，Xn，已知與其對應(yīng)的輸出樣本為：Y1，Y2，…….，Yn。使網(wǎng)絡(luò)輸出層的誤差平方和達到最小。用網(wǎng)絡(luò)的實際輸出A1，A2,……，An，與目標(biāo)矢量T1，T2，…….，Tn之間的誤差修改其權(quán)值，使Am與期望的Tm（m=1，……，n）盡可能接近。</p><p>　　3.2.3 BP算法的組成</p><p>　　BP算法由2部分組成，即信息的正向傳播和誤差的

39、反向傳播。</p><p>　　輸入層各神經(jīng)元負責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果[9]。</p><p>　　當(dāng)實際輸出與期望輸出不符時，進入誤差的反向傳播

40、階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定。BP算法的網(wǎng)絡(luò)結(jié)構(gòu)如圖3-1，流程如圖3-2。.</p><p>　　圖3-1 BP算法的網(wǎng)絡(luò)結(jié)構(gòu)示意圖</p><p><b>　　Y&

41、lt;/b></p><p><b>　　N</b></p><p><b>　　N</b></p><p><b>　　Y</b></p><p>　　圖3-2 BP算法流程圖</p><p>　　3.2.4 BP算法的不足及解決辦法</

42、p><p>　　雖然BP網(wǎng)絡(luò)得到了廣泛的應(yīng)用，但自身也存在一些缺陷和不足，主要包括以下幾個方面的問題。 </p><p>　　首先，由于學(xué)習(xí)速率是固定的，因此網(wǎng)絡(luò)的收斂速度慢，需要較長的訓(xùn)練時間。對于一些復(fù)雜問題，BP算法需要的訓(xùn)練時間可能非常長，這主要是由于學(xué)習(xí)速率太小造成的，可采用變化的學(xué)習(xí)速率或自適應(yīng)的學(xué)習(xí)速率加以改進。 </p><p>　　其次，BP算法可以使

43、權(quán)值收斂到某個值，但并不保證其為誤差平面的全局最小值，這是因為采用梯度下降法可能產(chǎn)生一個局部最小值。對于這個問題，可以采用附加動量法來解決。 </p><p>　　再次，網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無理論上的指導(dǎo)，一般是根據(jù)經(jīng)驗或者通過反復(fù)實驗確定。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定程度上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負擔(dān)。 </p><p>　　最后，網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性。也就是說，

44、如果增加了學(xué)習(xí)樣本，訓(xùn)練好的網(wǎng)絡(luò)就需要從頭開始訓(xùn)練，對于以前的權(quán)值和閾值是沒有記憶的[10]。</p><p>　　3.3 BP算法在數(shù)字識別中的應(yīng)用</p><p>　　BP算法在數(shù)字識別中的應(yīng)用如圖3-3。.</p><p>　　圖 3-3 BP算法在數(shù)字識別中的應(yīng)用</p><p>　　數(shù)字識別還有一個前提工作，即將視覺圖像轉(zhuǎn)化為可

45、由計算機處理的二值圖像，即用給定閾值法把圖像中的像素根據(jù)一定標(biāo)準(zhǔn)化為兩種顏色。但二值化的圖像在很多情況下字體模糊，或出現(xiàn)雜亂散布的白點或黑點，給識別造成一定的困難，可采用梯度銳化的方法對圖像進行銳化，使模糊的圖像變的清晰，同時可以對噪聲起到一定的去除作用。</p><p>　　由于識別時只能根據(jù)每個數(shù)字字符的特征進行判斷，所以對銳化后的二值圖像還需分割成單個的字符，對字符進行細化。常用的脫殼算法，即從字符的邊界逐

46、層移去黑點，直到尋找到一個集合，此集合與其邊界相重合（即厚度為1或2）。為了對任意字符的特征提取，還需要對數(shù)字字符進行規(guī)范化處理，即把字符的尺寸變換成統(tǒng)一大小，字符位置(旋轉(zhuǎn)、平移)糾正。從被分割處理完畢的字符中，提取最能體現(xiàn)這個字符特點的特征向量，代入BP網(wǎng)絡(luò)之中，對網(wǎng)絡(luò)進行訓(xùn)練。然后提取出待識別的的樣本中的特征向量代入到訓(xùn)練好的BP網(wǎng)絡(luò)中，就可以對字符進行識別。常用的特征向量的提取方法有逐像素提取法、骨架特征提取法、垂直方向數(shù)據(jù)統(tǒng)計

47、提取法等[11]。</p><p>　　4 軟件開發(fā)環(huán)境和平臺</p><p>　　4.1 MATLAB概述</p><p>　　MATLAB是由美國mathworks公司發(fā)布的主要面對科學(xué)計算、可視化以及交互式程序設(shè)計的高科技計算環(huán)境。它將數(shù)值分析、矩陣計算、科學(xué)數(shù)據(jù)可視化以及非線性動態(tài)系統(tǒng)的建模和仿真等諸多強大功能集成在一個易于使用的視窗環(huán)境中，為科學(xué)研究、工

48、程設(shè)計以及必須進行有效數(shù)值計算的眾多科學(xué)領(lǐng)域提供了一種全面的解決方案，并在很大程度上擺脫了傳統(tǒng)非交互式程序設(shè)計語言（如C、Fortran）的編輯模式，代表了當(dāng)今國際科學(xué)計算軟件的先進水平。MATLAB可以進行矩陣運算、繪制函數(shù)和數(shù)據(jù)、實現(xiàn)算法、創(chuàng)建用戶界面、連接其他編程語言的程序等，主要應(yīng)用于工程計算、控制設(shè)計、信號處理與通訊、圖像處理、信號檢測、金融建模設(shè)計與分析等領(lǐng)域。</p><p>　　4.2 MATLA

49、B語言特點</p><p>　　新版本MATLAB語言是基于最為流行的C＋＋語言基礎(chǔ)上的，因此語法特征與C＋＋語言極為相似，而且更加簡單，更加符合科技人員對數(shù)學(xué)表達式的書寫格式用戶可以在命令窗口中將輸入語句與執(zhí)行命令同步，也可以先編寫好一個較大的復(fù)雜的應(yīng)用程序（M文件）后再一起運行。使之更利于非計算機專業(yè)的科技人員使用。而且這種語言可移植性好、可拓展性極強。</p><p>　　4.3 M

50、ATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱</p><p>　　MATLAB軟件中包含MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，工具箱以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，只要根據(jù)自己需要調(diào)用函數(shù)，就可以完成網(wǎng)絡(luò)設(shè)計、權(quán)值初始化、網(wǎng)絡(luò)訓(xùn)練等。MATLAB神經(jīng)工具箱包括的網(wǎng)絡(luò)有感知器、線性網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、徑向基網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)和回歸網(wǎng)絡(luò)。因此系統(tǒng)的軟件實現(xiàn)使用MATLAB。</p><p>　　5 神經(jīng)網(wǎng)絡(luò)設(shè)計和MATLAB編程

51、</p><p>　　5.1神經(jīng)網(wǎng)絡(luò)的設(shè)計</p><p>　　5.1.1系統(tǒng)輸入信號的提取與表示</p><p>　　本課題中將需要識別的0-9十個數(shù)字字符納入4×7的網(wǎng)格中，圖5-1—圖5-4所示就是數(shù)字0-9十個數(shù)字的網(wǎng)格圖。用數(shù)字1~28表示網(wǎng)格的序號，設(shè)計了一個具有28個分量的輸入向量X，其中每個分量的下標(biāo)與網(wǎng)絡(luò)的序號相對應(yīng)，其取值為1或0，它們

52、分別代表網(wǎng)絡(luò)內(nèi)字符筆跡的有無。則代表十個數(shù)字字符樣本的輸入向量分別為：</p><p>　　X0=（1 1 1 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 1 1 1）T;</p><p>　　X1=（0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0）T;</p><

53、;p>　　X2=（1 1 1 1 0 0 0 1 0 0 0 1 1 1 1 1 1 0 0 0 1 0 0 0 1 1 1 1）T;</p><p>　　X3=（1 1 1 1 0 0 0 1 0 0 0 1 1 1 1 1 0 0 0 1 0 0 0 1 1 1 1 1）T;</p><p>　　X4= (1 0 1 0 1 0 1 0 1 0 1 0 1 1 1 1 0 0 1

54、 0 0 0 1 0 0 0 1 0) T;</p><p>　　X5= (1 0 0 0 1 1 1 1 1 0 0 0 1 1 1 1 0 0 0 1 0 0 0 1 1 1 1 1) T;</p><p>　　X6= (1 1 1 1 1 0 0 0 1 0 0 0 1 1 1 1 1 0 0 1 1 0 0 1 1 1 1 1) T;</p><p>　　X

55、7= (1 1 1 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1) T;</p><p>　　X8= (1 1 1 1 1 0 0 1 1 0 0 1 1 1 1 1 1 0 0 1 1 0 0 1 1 1 1 1) T;</p><p>　　X9= (1 1 1 1 1 0 0 1 1 0 0 1 1 1 1 1 0 0 0 1 0

56、0 0 1 1 1 1 1) T;</p><p>　　在程序中輸入向量被定義成一個變量X。</p><p>　　圖5-1 數(shù)字0-2字符的網(wǎng)絡(luò)表示</p><p>　　圖5-2 數(shù)字3-5字符的網(wǎng)絡(luò)表示</p><p>　　圖5-3 數(shù)字6-8字符的網(wǎng)絡(luò)表示</p><p>　　圖5-4 數(shù)字9字符的網(wǎng)絡(luò)表示

57、</p><p>　　5.1.2系統(tǒng)輸出信號的表示</p><p>　　本課題采用了語言變量表示方法中的“n中取1”表示法。即期望輸出向量含有10個元素，數(shù)字字母在數(shù)字表中所占位置處元素為1，其他位置為0。因此十個數(shù)字字符輸出信號向量表示為：</p><p>　　Y0＝（1 0 0 0 0 0 0 0 0 0）；</p><p>　　Y1＝（

58、0 1 0 0 0 0 0 0 0 0）；</p><p>　　Y2＝（0 0 1 0 0 0 0 0 0 0）；</p><p>　　Y3＝（0 0 0 1 0 0 0 0 0 0）；</p><p>　　Y4＝（0 0 0 0 1 0 0 0 0 0）；</p><p>　　Y5＝（0 0 0 0 0 1 0 0 0 0）；</p&

59、gt;<p>　　Y6＝（0 0 0 0 0 0 1 0 0 0）；</p><p>　　Y7＝（0 0 0 0 0 0 0 1 0 0）；</p><p>　　Y8＝（0 0 0 0 0 0 0 0 1 0）；</p><p>　　Y9＝（0 0 0 0 0 0 0 0 0 1）；</p><p>　　在程序中輸出向量被定義成

60、一個變量Y。</p><p>　　5.1.3網(wǎng)絡(luò)拓撲結(jié)構(gòu)的建立</p><p>　　根據(jù)輸入、輸出信號的表示方法，本文建立了三層BP神經(jīng)網(wǎng)絡(luò)，其中輸入層神經(jīng)元節(jié)點數(shù)為28，隱層神經(jīng)元節(jié)點數(shù)為10，輸出層神經(jīng)元節(jié)點數(shù)為10，其拓撲結(jié)構(gòu)如圖5-2</p><p>　　圖5-2 數(shù)字識別系統(tǒng)神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖</p><p>　　5.2 數(shù)字識別

61、系統(tǒng)的Matlab語言編程</p><p>　　5.2.1數(shù)字識別系統(tǒng)Matlab編程流程圖</p><p>　　本文的Matlab編程流程圖如下圖5-3。</p><p>　　圖5-3 Matlab編程流程圖</p><p>　　5.2.2程序的初始化</p><p>　　程序的初始化。首先生成10個數(shù)字字符的布爾

62、值樣本數(shù)據(jù)，然后應(yīng)用函數(shù)newff()構(gòu)建一個三層BP神經(jīng)網(wǎng)絡(luò)。程序如下：</p><p>　　[X,Y]=XY; %調(diào)用函數(shù)XY生成10個數(shù)字字符輸入向量矩陣X和輸出向量方陣Y</p><p>　　[R,Q]=size(X); %確定輸入向量矩陣的大小為（R×Q）</p><p>　　[S2,Q]=size(Y); %確定輸出向量方陣的大小為（S2

63、15;Q）</p><p>　　S1=10; %確定隱層節(jié)點數(shù)大小為10</p><p>　　P=X; %把輸入向量矩陣賦值給P</p><p>　　net=newff(minmax(P),[S1,S2],{'logsig','logsig'},'traingdx'); %建立三層BP神經(jīng)網(wǎng)絡(luò)</p>

64、<p>　　net.LW{2,1}=net.LW{2,1}*0.01; %輸出層權(quán)值初始化</p><p>　　net.b{2}=net.b{2}+0.01; %輸出層神經(jīng)元閾值初始化</p><p>　　5.2.3 網(wǎng)絡(luò)訓(xùn)練</p><p>　　為了使建立的網(wǎng)絡(luò)對輸入向量具有一定的容錯能力，采用的訓(xùn)練辦法是既使用理想的信號，又使用帶有噪聲的信號對網(wǎng)絡(luò)

65、進行訓(xùn)練。為了保證網(wǎng)絡(luò)同時具有對理想輸入和有噪聲輸入同時分類的能力，訓(xùn)練有噪聲的輸入矢量是通過對兩組無噪聲訓(xùn)練的同時，加上兩對有隨機噪聲輸入矢量來實現(xiàn)的。網(wǎng)絡(luò)訓(xùn)練完成后，為保證網(wǎng)絡(luò)能夠準(zhǔn)確無誤地識別出理想的數(shù)字，我們可以再用理想的無噪聲輸入矢量對網(wǎng)絡(luò)再訓(xùn)練一次。將最終的訓(xùn)練結(jié)果存入一個數(shù)據(jù)文件，作為下一步網(wǎng)絡(luò)識別用的權(quán)矢量。具體過程如下：</p><p><b>　　1.無噪聲訓(xùn)練</b>&

66、lt;/p><p>　　應(yīng)用理想的輸入信號對網(wǎng)絡(luò)進行訓(xùn)練，直到均方差達到精度要求，程序如下：</p><p>　　T=Y; %把輸出向量方陣賦值給目標(biāo)輸出向量矩陣T</p><p>　　net.performFcn='sse';</p><p>　　net.trainParam.goal=0.1; %最小誤差設(shè)置為0.1<

67、;/p><p>　　net.trainParam.show=20; %每隔20次顯示一次結(jié)果</p><p>　　net.trainParam.epochs=5000; %最大訓(xùn)練次數(shù)為5000</p><p>　　net.trainParam.mc=0.95;</p><p>　　[net,tr]=train(net,P,T) %對新建立

68、的BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練</p><p><b>　　2.有噪聲訓(xùn)練</b></p><p>　　為了保證設(shè)計的網(wǎng)絡(luò)對于噪聲信號有一定的容錯能力，采用由兩套理想數(shù)字字符向量和兩套帶有一定噪聲的數(shù)字字符向量作為新的訓(xùn)練樣本，那兒期望輸出向量信號就包括4組重復(fù)數(shù)字字母向量方陣。加入的噪聲采用均值為0.1和0.2兩種信號，并且在循環(huán)中重復(fù)10次，而每一次循環(huán)訓(xùn)練300次，誤差

69、精度為0.6。程序如下：</p><p>　　netn=net; %把前面訓(xùn)練好的的BP網(wǎng)絡(luò)賦給netn</p><p>　　netn.trainParam.goal=0.6; %設(shè)置誤差精度為0.6</p><p>　　netn.trainParam.epochs=300;%訓(xùn)練次數(shù)為300</p><p>　　T=[Y Y Y Y];

70、 %設(shè)置目標(biāo)向量矩陣</p><p>　　for pass=1:10 %重復(fù)循環(huán)訓(xùn)練10次</p><p>　　P=[X,X,(X+randn(R,Q)*0.2),(X+randn(R,Q)*0.3)]; %設(shè)置輸入信號矩陣</p><p>　　[netn,tr]=train(net,P,T); %進行有噪聲網(wǎng)絡(luò)訓(xùn)練</p><p>

71、<b>　　3.再次無噪聲訓(xùn)練</b></p><p>　　通過這次訓(xùn)練使得網(wǎng)絡(luò)進行理想信號識別時，節(jié)省資源。程序如下：</p><p>　　netn.trainParam.goal=0.1; %設(shè)置網(wǎng)絡(luò)訓(xùn)練誤差精度</p><p>　　netn.trainParam.epochs=500; %設(shè)置網(wǎng)絡(luò)訓(xùn)練次數(shù)</p>&l

72、t;p>　　netn.trainParam.show=5; %設(shè)置每訓(xùn)練5次顯示一次結(jié)果</p><p>　　P=X; %給網(wǎng)絡(luò)輸入矩陣P賦值</p><p>　　T=Y; %給網(wǎng)絡(luò)輸出目標(biāo)矩陣賦值</p><p>　　[net,tr]=train(netn,P,T) %訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)</p><p><b>　　5

73、.2.4系統(tǒng)性能</b></p><p>　　為了測量所設(shè)計的神經(jīng)網(wǎng)絡(luò)模式識別系統(tǒng)的可靠性，應(yīng)用上百個輸入向量加入不同的噪聲信號進行測試，并繪制網(wǎng)絡(luò)識別錯誤與噪聲信號的比較曲線。加入網(wǎng)絡(luò)輸入向量的噪聲均值為0，標(biāo)準(zhǔn)差范圍為0～0.5。在每個噪聲級別上，分別利用100個不同的噪聲信號進行試驗，并將噪聲信號加到每個字符向量上，然后通過仿真計算網(wǎng)絡(luò)輸出，將輸出通過競爭傳遞函數(shù)，保證輸出向量10個元素中有一個

74、值為1，其余均為0。程序如下：</p><p>　　noise_range=0:0.05:0.5; %設(shè)置噪聲均值范圍</p><p>　　max_test=100; %設(shè)置噪聲信號個數(shù)</p><p>　　network1=[]; %矩陣賦值語句</p><p>　　network2=[]; %矩陣賦值語句</p>

75、<p>　　T=Y; %設(shè)置輸出目標(biāo)信號矩陣</p><p>　　for noiselevel=noise_range %利用for循環(huán)語句設(shè)置噪聲均值</p><p>　　errors1=0; %給變量賦初始值</p><p>　　errors2=0; %給變量賦初始值</p><p>　　for i=1:max_tes

76、t %利用for循環(huán)語句設(shè)置100個噪聲信號</p><p>　　P=X+randn(28,10)*noiselevel; %設(shè)置帶有噪聲的輸入信號</p><p>　　A=sim(net,P); %利用無噪聲網(wǎng)絡(luò)仿真求實際輸出信號</p><p>　　AA=compet(A); %確定輸出向量方陣的每個列向量的10個分量元素中有一個值為1，其余為0<

77、/p><p>　　errors1=errors1+sum(sum(abs(AA-T)))/2; %計算識別誤差</p><p>　　An=sim(netn,P); %利用有噪聲網(wǎng)絡(luò)仿真求實際輸出信號</p><p>　　AAn=compet(An); %確定輸出向量方陣的每個列向量的10個分量元素中有一個值為1，其余為0</p><p>　

78、　errors2=errors2+sum(sum(abs(AAn-T)))/2; %計算識別誤差</p><p><b>　　end</b></p><p>　　network1=[network1 errors1/10/100];</p><p>　　network2=[network2 errors2/10/100];</p>

79、<p><b>　　end</b></p><p>　　plot(noise_range,network1*100,'r',noise_range,network2*100); %繪制識別誤差與噪聲指標(biāo)的關(guān)系圖</p><p>　　title('識別誤差'); %設(shè)置圖形標(biāo)題</p><p>　

80、　xlabel('噪聲指標(biāo)'); %設(shè)置橫坐標(biāo)標(biāo)題</p><p>　　ylabel('無噪聲訓(xùn)練網(wǎng)絡(luò) – 有噪聲訓(xùn)練網(wǎng)絡(luò) ---'); %設(shè)置縱坐標(biāo)標(biāo)題</p><p>　　識別誤差與噪聲的關(guān)系圖如圖5-4</p><p>　　圖5-4 識別誤差與噪聲的關(guān)系圖</p><p>　　5.2.5 生成輸入向

81、量矩陣和輸出向量方陣的MATLAB函數(shù)文件</p><p>　　function [X,Y] = XY()</p><p>　　%生成（28×10）的輸入向量矩陣X</p><p>　　letter0 = [1 1 1 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1 1 1 1]’;</p><p

82、>　　letter1 = [0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0]';</p><p>　　letter2 = [1 1 1 1 0 0 0 1 0 0 0 1 1 1 1 1 1 0 0 0 1 0 0 0 1 1 1 1]';</p><p>　　letter3 = [1 1 1 1 0 0

83、 0 1 0 0 0 1 1 1 1 1 0 0 0 1 0 0 0 1 1 1 1 1]';</p><p>　　letter4 = [1 0 1 0 1 0 1 0 1 0 1 0 1 1 1 1 0 0 1 0 0 0 1 0 0 0 1 0]';</p><p>　　letter5 = [1 0 0 0 1 1 1 1 1 0 0 0 1 1 1 1 0 0 0

84、 1 0 0 0 1 1 1 1 1]';</p><p>　　letter6 = [1 1 1 1 1 0 0 0 1 0 0 0 1 1 1 1 1 0 0 1 1 0 0 1 1 1 1 1]';</p><p>　　letter7 = [1 1 1 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1]';

85、</p><p>　　letter8 = [1 1 1 1 1 0 0 1 1 0 0 1 1 1 1 1 1 0 0 1 1 0 0 1 1 1 1 1]';</p><p>　　letter9 = [1 1 1 1 1 0 0 1 1 0 0 1 1 1 1 1 0 0 0 1 0 0 0 1 1 1 1 1]';</p><p>　　X=[

86、letter0,letter1,letter2,letter3,letter4,letter5,letter6,letter7,letter8,letter9];</p><p>　　%生成（10×10）的輸出方陣Y</p><p>　　Y = eye(10) </p><p>　　5.2.6 繪制數(shù)字字符圖像的MATLAB函數(shù)文件</p>

87、<p>　　function plotcharsz(c)</p><p>　　x1 = [-0.5 -0.5 +0.5 +0.5 -0.5];</p><p>　　y1 = [-0.5 +0.5 +0.5 -0.5 -0.5];</p><p>　　x2 = [x1 +0.5 +0.5 -0.5];</p><p>　　y2 =

88、[y1 +0.5 -0.5 +0.5];</p><p>　　newplot; %繪制新圖形</p><p>　　axis([-1.5 6.5 -0.5 7.5]); %坐標(biāo)比例控制，即x軸范圍為[-1.5，6.5]，y軸范圍為[-0.5，7.5]</p><p>　　axis('equal') %將圖形的x，y坐標(biāo)軸的單位刻度設(shè)置為相等<

89、;/p><p>　　axis off </p><p>　　hold on %保持當(dāng)前圖形及軸系的所有特性</p><p>　　for i=1:length(c)</p><p>　　x = rem(i-1,4)+.5;</p><p>　　y = 5-floor((i-1)/4)+1.5;</p>&l

90、t;p>　　plot(x2*c(i)+x,y2*c(i)+y); %繪制數(shù)字字符圖形</p><p><b>　　end</b></p><p>　　hold off %解除hold on函數(shù)</p><p>　　5.2.7 數(shù)字字符識別測試仿真程序</p><p>　　用訓(xùn)練好的BP網(wǎng)絡(luò)仿真識別帶有噪聲的數(shù)字

91、“9”，其仿真識別程序如下：</p><p>　　noisyJ=X(:,10)+randn(28,1)*0.3; %設(shè)置帶有噪聲的數(shù)字字符“9”的輸入信號</p><p>　　subplot(121) %繪圖區(qū)域分割為1行2列，本圖畫在第1列位置處</p><p>　　plotcharsz(noisyJ); %調(diào)用plotcharsz函數(shù)文件繪制帶有噪聲的數(shù)字

92、字符“9”的圖像</p><p>　　A2=sim(net,noisyJ); %利用訓(xùn)練好的網(wǎng)絡(luò)仿真求輸出信號</p><p>　　A2=compet(A2); %確定輸出信號向量的10個分量中有一個元素為1，其余元素為0</p><p>　　answer=find(compet(A2)==1); %求出仿真輸出信號在輸出目標(biāo)信號方陣中的位置（即第幾列）<

93、;/p><p>　　subplot(122) %繪圖區(qū)域分割為1行2列，本圖繪制在第2列位置處</p><p>　　plotcharsz(X(:,answer)); %調(diào)用plotcharsz函數(shù)文件繪制仿真后所得數(shù)字字符圖像</p><p>　　數(shù)字字符識別系統(tǒng)程序運行后，識別結(jié)果如圖5-5所示：</p><p>　　圖5-5 識別數(shù)字字母

94、“9”</p><p><b>　　6 結(jié)論和展望</b></p><p>　　本文在對BP神經(jīng)網(wǎng)絡(luò)進行深入分析的基礎(chǔ)上,通過實驗探索了BP神經(jīng)網(wǎng)絡(luò)用于數(shù)字識別的可行性和有效性。MATLAB實驗結(jié)果表明,基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識別系統(tǒng)能夠有效地完成識別任務(wù)?？梢灶A(yù)見，在科技高度發(fā)展的未來，神經(jīng)網(wǎng)絡(luò)將會被運用的越來越廣泛。</p><p><

95、;b>　　參考文獻</b></p><p>　　[1]黨建武.神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用[M].北京: 中國鐵道出版, 2000，7.</p><p>　　[2]Simon Haykin. Neural networks a comprehensive foundation[M]2nd ed.北京: 清華大學(xué)出版, 2001,10.</p><p>　　[

96、3]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機械工業(yè)出版社，2009，1.</p><p>　　[4]樓順天，施陽.基于MATLAB的系統(tǒng)分析與設(shè)計-神經(jīng)網(wǎng)絡(luò)[M] .西安：西安電子科技大學(xué)出版社，1998,9.</p><p>　　[5]聞新，周露，王丹力，熊曉英.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M] .北京：科學(xué)出版社，2000,9.</p><p>　

97、　[6]張寶偉，聞新，李翔，周露.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京：科學(xué)出版社，2003,7.</p><p>　　[7]甘俊英，張有為.基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別[J].系統(tǒng)工程與電子技術(shù)，2003,25（1）.</p><p>　　[8]周忠海，張奚寧，張濤，泮利.BP神經(jīng)網(wǎng)絡(luò)及其在圖像壓縮中的應(yīng)用[J].中國水運（理論版），2006,4（6）.</p><

98、;p>　　[9]郭榮艷，胡雪惠. BP神經(jīng)網(wǎng)絡(luò)在車牌字符識別中的應(yīng)用研究[J].計算機仿真，2010,9,27（9）.</p><p>　　[10]馮必波.BP 神經(jīng)網(wǎng)絡(luò)在教學(xué)質(zhì)量評價體系中的應(yīng)用[J].計算機與數(shù)字工程,2010,1，38（4）.</p><p>　　[11] 林康紅,施惠昌,盧強. 基于神經(jīng)網(wǎng)絡(luò)的傳感器非線性誤差校正[J].傳感器技術(shù)，2002,21(1).<