MATLAB神经网络和优化算法：36 基于BP的人脸方向预测程序集锦.zip

% function mytest() clc % 清屏 clear all; % 删除workplace变量 close all; % 关掉显示图形窗口 images=[ ]; M_train=3;%表示人脸 N_train=5;%表示方向 sample=[]; pixel_value=[]; sample_number=0; for j=1:N_train for i=1:M_train %读取图像，连接字符串形成图像的文件名。 str=strcat('Images\',num2str(i),'_',num2str(j),'.bmp'); img= imread(str); [rows cols]= size(img);%获得图像的行和列值。 img_edge=edge(img,'Sobel'); %由于在分割图片中，人脸的眼睛部分位置变化比较大，边缘检测效果好 sub_rows=floor(rows/6);%最接近的最小整数,分成6行 sub_cols=floor(cols/8);%最接近的最小整数，分成8列 sample_num=M_train*N_train;%前5个是第一幅人脸的5个角度 sample_number=sample_number+1; for subblock_i=1:8 %因为这还在i，j的循环中，所以不可以用i block_num=subblock_i; pixel_value(sample_number,block_num)=0; for ii=sub_rows:(2*sub_rows) for jj=(subblock_i-1)*sub_cols+1:subblock_i*sub_cols pixel_value(sample_number,block_num)=pixel_value(sample_number,block_num)+img_edge(ii,jj); end end end end end %将特征值转换为小于1的值 max_pixel_value=max(pixel_value); max_pixel_value_1=max(max_pixel_value); for i=1:3 mid_value=10^i; if(((max_pixel_value_1/mid_value)>1)&&((max_pixel_value_1/mid_value)<10)) multiple_num=1/mid_value; pixel_value=pixel_value*multiple_num; break; end end % T 为目标矢量 t=zeros(3,sample_number); %因为有五类，所以至少用3个数表示，5介于2的2次方和2的3次方之间 for i=1:sample_number % if((mod(i,5)==1)||(mod(i,5)==4)||(mod(i,5)==0)) if(i<=3)||((i>9)&&(i<=12))||((i>12)&&(i<=15)) t(1,i)=1; end %if((mod(i,5)==2)||(mod(i,5)==4)) if((i>3)&&(i<=6))||((i>9)&&(i<=12)) t(2,i)=1; end %if((mod(i,5)==3)||(mod(i,5)==0)) if((i>6)&&(i<=9))||((i>12)&&(i<=15)) t(3,i)=1; end end % NEWFF——生成一个新的前向神经网络 % TRAIN——对 BP 神经网络进行训练 % SIM——对 BP 神经网络进行仿真 % 定义训练样本 % P 为输入矢量 P=pixel_value' % T 为目标矢量 T=t size(P) size(T) % size(P) % size(T) % 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,3],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights=net_1.IW{1,1} inputbias=net_1.b{1} % 当前网络层权值和阈值 layerWeights=net_1.LW{2,1} layerbias=net_1.b{2} % 设置训练参数 net_1.trainParam.show = 50; net_1.trainParam.lr = 0.05; net_1.trainParam.mc = 0.9; net_1.trainParam.epochs = 10000; net_1.trainParam.goal = 1e-3; % 调用 TRAINGDM 算法训练 BP 网络 [net_1,tr]=train(net_1,P,T); % 对 BP 网络进行仿真 A = sim(net_1,P); % 计算仿真误差 E = T - A; MSE=mse(E) x=[0.14 0 1 1 0 1 1 1.2]'; sim(net_1,x)