基于BP神经网络的衣服类别识别，基于BP神经网络的衣服分类（代码完整，数据齐全）

%% 该代码为bp网络 %% 清空环境变量 clc clear %% 训练数据预测数据提取及归一化 %数据由各文件下im_****.m生成，先将图片转换为大小为100*100的灰度图，再将100*1000排列成1*10000的特征数据集 load trousers load skirt load shortsleeve load short load longuette load longsleeve %% %6个矩阵合成一个矩阵 data=[trousers;skirt;shortsleeve;short;longuette;longsleeve];%图片数据 input1=double(data)/255;%转为double类型文件，并且归一化 output1=[ones(1,size(trousers,1)) 2*ones(1,size(skirt,1)) 3*ones(1,size(shortsleeve,1)) 4*ones(1,size(short,1)) 5*ones(1,size(longuette,1)) 6*ones(1,size(longsleeve,1))];%6类标签 %% %由于原始图片转换为100*100，因此每个图片是10000个特征，维度太高这不能直接用于训练bp网络，因此首先利用pca降维方法把10000降至D，这里D取10, [PCALoadings,PCAScores,PCAVar] = pca(input1);%利用PCA进行降维 % percent_explained = 100 * PCAVar / sum(PCAVar); % pareto(percent_explained) %pareto图，只显示前95%的累积分布 % xlabel('主成分') % ylabel('贡献率(%)') % title('主成分贡献率') input=PCAScores(:,1:10);%利用pca进行降维至10维 %把输出从1维变成6维 output=zeros(size(output1,2),6); for i=1:size(output1,2) output(i,output1(i))=1; end %随机提取150个样本为训练样本，48个样本为预测样本 [m n]=sort(rand(1,198)); input_train=input(n(1:150),:)'; output_train=output(n(1:150),:)'; input_test=input(n(151:198),:)'; output_test=output(n(151:198),:)'; %% 网络结构初始化 innum=10;%输入层节点数 midnum=25;%隐含层节点 outnum=6;%输出层节点 %权值初始化 w1=rands(midnum,innum); b1=rands(midnum,1); w2=rands(midnum,outnum); b2=rands(outnum,1); w2_1=w2;w2_2=w2_1; w1_1=w1;w1_2=w1_1; b1_1=b1;b1_2=b1_1; b2_1=b2;b2_2=b2_1; xite=0.1;%学习率 alfa=0.01;%动量项 loopNumber=10;%训练次数 I=zeros(1,midnum); Iout=zeros(1,midnum); FI=zeros(1,midnum); dw1=zeros(innum,midnum); db1=zeros(1,midnum); %% 网络训练 inputn=input_train; E=zeros(1,loopNumber); for ii=1:loopNumber E(ii)=0; for i=1:1:150%ce %% x=inputn(:,i); % 隐含层输出 for j=1:1:midnum I(j)=inputn(:,i)'*w1(j,:)'+b1(j); Iout(j)=1/(1+exp(-I(j))); end % 输出层输出 yn=w2'*Iout'+b2; %% 权值阀值修正 %计算误差 e=output_train(:,i)-yn; E(ii)=E(ii)+sum(abs(e)); %计算权值变化率 dw2=e*Iout; db2=e'; for j=1:1:midnum S=1/(1+exp(-I(j))); FI(j)=S*(1-S); end for k=1:1:innum for j=1:1:midnum dw1(k,j)=FI(j)*x(k)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4)); db1(j)=FI(j)*(e(1)*w2(j,1)+e(2)*w2(j,2)+e(3)*w2(j,3)+e(4)*w2(j,4)); end end w1=w1_1+xite*dw1'+alfa*(w1_1-w1_2); b1=b1_1+xite*db1'+alfa*(b1_1-b1_2); w2=w2_1+xite*dw2'+alfa*(w2_1-w2_2); b2=b2_1+xite*db2'+alfa*(b2_1-b2_2); w1_2=w1_1;w1_1=w1; w2_2=w2_1;w2_1=w2; b1_2=b1_1;b1_1=b1; b2_2=b2_1;b2_1=b2; end end %% 测试阶段 inputn_test=input_test; fore=zeros(6,48); for ii=1:1 for i=1:48%48个样本 %隐含层输出 for j=1:1:midnum I(j)=inputn_test(:,i)'*w1(j,:)'+b1(j); Iout(j)=1/(1+exp(-I(j))); end fore(:,i)=w2'*Iout'+b2; end end %% 结果分析 %根据网络输出找出数据属于哪类 output_fore=zeros(1,48); for n=1:48 [max_Y,index]=max(fore(:,n)); Y1(n)=index; end for n=1:48 [max_Y,index]=max(output_test(:,n)); Y2(n)=index; end test_accuracy=sum(Y1==Y2)/length(Y2)