bp神经网络实现的手写英文字母识别，内附训练样本，基于matlab平台实现.zip

%---------------------------------------------% % % % 工作室提供代做matlab仿真 % % % % 详情请访问：http://cn.mikecrm.com/5k6v1DP % % % %---------------------------------------------% %本程序用BP神经网络实现对英文大写字母的识别 clear all clc nntwarn off; disp(' 本程序用BP神经网络实现对英文大写字母的识别。'); disp(' 首先将进行数字化处理并建立BP神经网络。'); disp(' 请按任意键开始执行本程序。'); pause %将每个英文字母进行数字化处理 letterA = [0 0 1 0 0,0 1 0 1 0,0 1 0 1 0,1 0 0 0 1,1 1 1 1 1,1 0 0 0 1,1 0 0 0 1]; letterB = [1 1 1 1 0,1 0 0 0 1,1 0 0 0 1,1 1 1 1 0,1 0 0 0 1,1 0 0 0 1,1 1 1 1 0]; letterC = [0 1 1 1 0,1 0 0 0 1,1 0 0 0 0,1 0 0 0 0,1 0 0 0 0,1 0 0 0 1,0 1 1 1 0]; letterD = [1 1 1 1 0,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 1 1 1 0]; letterE = [1 1 1 1 1,1 0 0 0 0,1 0 0 0 0,1 1 1 1 0,1 0 0 0 0,1 0 0 0 0,1 1 1 1 1]; letterF = [1 1 1 1 1,1 0 0 0 0,1 0 0 0 0,1 1 1 1 0,1 0 0 0 0,1 0 0 0 0,1 0 0 0 0]; letterG = [0 1 1 1 0,1 0 0 0 1,1 0 0 0 0,1 0 1 1 1,1 0 0 0 1,1 0 0 0 1,0 1 1 1 0]; letterH = [1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 1 1 1 1,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1]; letterI = [1 1 1 1 1,0 0 1 0 0,0 0 1 0 0,0 0 1 0 0,0 0 1 0 0,0 0 1 0 0,1 1 1 1 1]; letterJ = [1 1 1 1 1,0 0 1 0 0,0 0 1 0 0,0 0 1 0 0,0 0 1 0 0,1 0 1 0 0,0 1 0 0 0]; letterK = [1 0 0 0 1,1 0 0 1 0,1 0 1 0 0,1 1 0 0 0,1 0 1 0 0,1 0 0 1 0,1 0 0 0 1]; letterL = [1 0 0 0 0,1 0 0 0 0,1 0 0 0 0,1 0 0 0 0,1 0 0 0 0,1 0 0 0 0,1 1 1 1 1]; letterM = [1 0 0 0 1,1 1 0 1 1,1 0 1 0 1,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1]; letterN = [1 0 0 0 1,1 1 0 0 1,1 0 1 0 1,1 0 1 0 1,1 0 1 0 1,1 0 0 1 1,1 0 0 0 1]; letterO = [0 1 1 1 0,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,0 1 1 1 0]; letterP = [1 1 1 1 0,1 0 0 0 1,1 0 0 0 1,1 1 1 1 0,1 0 0 0 0,1 0 0 0 0,1 0 0 0 0]; letterQ = [0 1 1 1 0,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 0 1 1 1,0 1 1 1 0]; letterR = [1 1 1 1 0,1 0 0 0 1,1 1 1 1 0,1 1 0 0 0,1 0 1 0 0,1 0 0 1 0,1 0 0 0 1]; letterS = [0 1 1 1 0,1 0 0 0 1,1 0 0 0 0,0 1 1 1 0,0 0 0 0 1,1 0 0 0 1,0 1 1 1 0]; letterT = [1 1 1 1 1,0 0 1 0 0,0 0 1 0 0,0 0 1 0 0,0 0 1 0 0,0 0 1 0 0,0 0 1 0 0]; letterU = [1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,0 1 1 1 0]; letterV = [1 0 0 0 1,1 0 0 0 1,1 0 0 0 1,0 1 0 1 0,0 1 0 1 0,0 1 0 1 0,0 0 1 0 0]; letterW = [1 0 1 0 1,1 0 1 0 1,1 0 1 0 1,1 0 1 0 1,1 0 1 0 1,1 1 0 1 1,0 1 0 1 0]; letterX = [1 0 0 0 1,1 0 0 0 1,0 1 0 1 0,0 0 1 0 0,0 1 0 1 0,1 0 0 0 1,1 0 0 0 1]; letterY = [1 0 0 0 1,1 0 0 0 1,0 1 0 1 0,0 0 1 0 0,0 0 1 0 0,0 0 1 0 0,0 0 1 0 0]; letterZ = [1 1 1 1 1,0 0 0 1 0,0 0 1 0 0,0 0 1 0 0,0 0 1 0 0,0 1 0 0 0,1 1 1 1 1]; alphabet = [letterA;letterB;letterC;letterD;letterE;letterF;letterG;letterH;letterI;... letterJ;letterK;letterL;letterM;letterN;letterO;letterP;letterQ;letterR;... letterS;letterT;letterU;letterV;letterW;letterX;letterY;letterZ]'; disp(' 数字化处理过程顺利结束(用5×7矩阵)。'); %建立BP神经网络并初始化 targets = eye(26); P=alphabet; %数字输入矩阵 T=targets; %目标矢量 S1=10; %隐含层神经元个数 [R,Q]=size(alphabet); [S2,Q]=size(targets); net=newff(minmax(P),[S1,S2],{'logsig','logsig'},'traingdx'); net.LW{2,1}=net.LW{2,1}*0.01; net.b{2}=net.b{2}*0.01; disp(' BP神经网络已经建立，下面准备训练网络。'); disp(' 网络的训练分为无噪声训练和有噪声训练。'); disp(' 请按任意键开始训练BP神经网络。'); pause %进行无噪声训练 P=alphabet; T=targets; net.performFcn='sse'; net.trainParam.goal=0.01; net.trainParam.show=10; net.trainParam.epochs=5000; net.trainParam.mc=0.95; [net,tr]=train(net,P,T); %进行有噪声训练 netn=net; net.trainParam.goal=0.06; net.trainParam.epochs=600; T=[targets targets targets targets]; for pass=1:10 P=[alphabet,alphabet,... (alphabet+randn(R,Q)*0.1),... (alphabet+randn(R,Q)*0.2)]; [netn,tr]=train(netn,P,T); end %再次进行无噪声训练 P=alphabet; T=targets; net.performFcn='sse'; net.trainParam.goal=0.01; net.trainParam.show=10; net.trainParam.epochs=500; net.trainParam.mc=0.95; [net,tr]=train(net,P,T); disp(' 网络训练结束，下面测试网络容错性。'); disp(' 请等待一会儿，并注意看测试结果图。'); %测试网络的容错性 noise_range=0:0.05:0.5; max_test=100; T=targets; for i=1:11 noise_level(i)=noise_range(i); errors1(i)=0; errors2(i)=0; for j=1:max_test P=alphabet+randn(35,26)*noise_level(i); %测试未经误差训练的网络 A=sim(net,P); AA=compet(A); errors1(i)=errors1(i)+sum(sum(abs(AA-T)))/2; %测试经过误差训练的网络 An=sim(netn,P); AAn=compet(An); errors2(i)=errors2(i)+sum(sum(abs(AAn-T)))/2; end; end; figure plot(noise_range,errors1*100,'r--',noise_range,errors2*100); title('不同训练情况下的网络识别误差'); xlabel('噪声指标'); ylabel('无噪声训练网络 -- 有噪声训练网络-'); disp(' 网络容错性测试结束。'); disp(' 按任意键开始字母识别实际测试。'); pause %对实际含噪声的字母进行识别 for index=1:26 noisyJ=alphabet(:,index)+randn(35,1)*0.2; figure; plotchar(noisyJ); A2=sim(net,noisyJ); A2=compet(A2); answer=find(compet(A2)==1); figure; plotchar(alphabet(:,answer)); end; disp(' 程序运行结束，谢谢！');