english-char-by-ANN.rar_english资源-CSDN文库

共1个文件

m：1个

版权申诉

198 浏览量 2022-09-22 22:44:05 上传评论收藏 1KB RAR 举报

标题 "english-char-by-ANN.rar_english" 暗示了这是一个关于使用人工神经网络(ANN)在MATLAB环境中识别英文字符的项目。这个项目可能包含了一整套的代码、算法和方法，用于训练和测试神经网络模型，以实现对英文字符的自动识别。描述 "English char recognition by matlab and ANN" 明确指出使用MATLAB编程语言和人工神经网络(ANN)技术进行英文字符的识别。MATLAB是一种广泛应用于数值计算、数据分析和算法开发的高级编程环境，而人工神经网络是机器学习领域中一种模仿人脑神经元结构的模型，特别适合处理模式识别问题，如字符识别。标签 "english" 指出该内容主要涉及英文字符，意味着数据集可能包含各种英文字符，可能是字母、数字等，目的是构建一个能够理解并识别这些字符的系统。从压缩包子文件的文件名 "english char by ANN.m" 来看，这是MATLAB的源代码文件，很可能包含了整个项目的实现逻辑，包括数据预处理、神经网络模型的构建、训练、验证和测试等步骤。以下是这个项目可能涵盖的一些详细知识点： 1. **MATLAB编程基础**：了解MATLAB的基本语法、函数调用以及数据类型，如矩阵操作、循环控制、函数定义等。 2. **数据预处理**：在训练神经网络之前，通常需要对原始数据进行预处理，如标准化（归一化）、去除噪声、特征提取等，以便于网络更好地学习和理解数据。 3. **人工神经网络(ANN)**：理解神经网络的基本结构，包括输入层、隐藏层和输出层，以及激活函数（如Sigmoid、ReLU等）的作用。 4. **反向传播算法**：这是训练神经网络的主要方法，通过计算损失函数的梯度来更新权重，以最小化预测与实际结果之间的差距。 5. **MATLAB神经网络工具箱**：MATLAB提供了专门的神经网络工具箱，简化了网络的构建和训练过程，包括`feedforwardnet`、`train`、`sim`等函数的使用。 6. **模型训练**：设置合适的网络结构（如层数、节点数）、学习率、动量等超参数，通过多次迭代优化网络权重。 7. **验证与测试**：利用交叉验证或保留一部分数据进行模型验证，评估模型的泛化能力，最终在测试集上检验模型性能。 8. **字符识别技术**：可能涉及到OCR（Optical Character Recognition，光学字符识别），将图像中的字符转换为可编辑文本。 9. **性能指标**：如准确率、召回率、F1分数等，用于量化模型识别英文字符的性能。 10. **调试与优化**：通过观察训练过程中的损失曲线和验证性能，对模型进行调整和优化，如增加网络复杂性、调整学习策略等。这个项目对于学习和实践深度学习、特别是字符识别和MATLAB编程来说，是一个很好的实战案例。通过分析和运行代码，可以深入理解神经网络的工作原理及其在实际问题中的应用。

资源推荐

资源详情

资源评论

收起资源包目录

english-char-by-ANN.rar （1个子文件）

english char by ANN.m 8KB

clc; A1= [0;0;0;0;0;0;1;1;1;0;0;1;1;1;0;0;0;0;0;0;0;1;1;1;0;0;1;1;1;0]; B1= [0;0;0;0;0;0;1;1;1;0;0;1;1;1;0;0;0;0;0;0;0;1;1;1;0;0;0;0;0;0]; C1= [0;0;0;0;0;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;0;0;0;0]; D1= [0;0;0;0;1;0;1;1;0;0;0;1;1;1;0;0;1;1;1;0;0;1;1;0;0;0;0;0;0;1]; E1= [0;0;0;0;0;0;1;1;1;1;0;1;1;1;1;0;0;0;0;0;0;1;1;1;1;0;0;0;0;0]; F1= [0;0;0;0;0;0;1;1;1;1;0;1;1;1;1;0;0;0;0;0;0;1;1;1;1;0;1;1;1;1]; G1= [0;0;0;0;0;0;1;1;1;1;0;1;1;1;1;0;1;0;0;0;0;1;1;1;0;0;0;0;0;0]; H1= [0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;0;0;0;0;0;0;1;1;1;0;0;1;1;1;0]; I1= [1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1]; J1= [1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;0;1;1;1;0;0;0;0;0;0]; K1= [0;0;1;1;0;0;0;1;0;1;0;0;0;1;1;0;0;0;1;1;0;0;1;0;1;0;0;1;1;0]; L1= [0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;0;0;0;0]; M1= [0;1;1;1;0;0;0;1;0;0;0;1;0;1;0;0;1;0;1;0;0;1;1;1;0;0;1;1;1;0]; N1= [0;0;1;1;0;0;0;1;1;0;0;1;0;1;0;0;1;1;0;0;0;1;1;0;0;0;1;1;0;0]; O1= [0;0;0;0;0;0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;0;0;0;0;0]; P1= [0;0;0;0;0;0;1;1;1;0;0;1;1;1;0;0;0;0;0;0;0;1;1;1;1;0;1;1;1;1]; Q1= [1;0;0;0;1;0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;1;0;0;0;1;1;1;1;1;0]; R1= [0;0;0;0;0;0;1;1;1;0;0;0;0;0;0;0;0;1;1;1;0;1;0;1;1;0;1;1;0;0]; S1= [0;0;0;0;0;0;0;1;1;0;0;0;0;1;1;1;1;0;0;1;0;1;1;0;0;0;0;0;0;0]; T1= [0;0;0;0;0;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1]; U1= [0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;0;0;0;0;0]; V1= [0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;1;0;1;1;1;1;1;0;1;1;1;1;1;1;1]; W1= [0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;0;0;0;0;0;0;0;1;0;0;0;1;1;1;0]; X1= [0;0;1;0;0;1;0;1;0;1;1;1;0;1;1;1;0;1;0;1;0;0;1;0;0;1;1;1;1;1]; Y1= [0;1;1;1;0;0;0;1;0;0;0;0;0;0;0;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1]; Z1= [0;0;0;0;0;1;1;1;0;0;1;1;0;1;1;1;0;1;1;1;0;0;1;1;1;0;0;0;0;0]; A2= [1;1;0;1;1;1;0;1;0;1;0;1;1;1;0;0;0;0;0;0;0;1;1;1;0;0;1;1;1;0]; B2= [0;0;0;0;0;0;0;1;1;0;0;0;0;0;0;0;0;1;1;0;0;0;1;1;0;0;0;0;0;0]; C2= [0;0;0;0;0;0;0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;0;0;0;0]; D2= [0;0;0;0;0;0;0;1;1;0;0;0;1;1;0;0;0;1;1;0;0;0;1;1;0;0;0;0;0;0]; E2= [0;0;0;0;0;0;0;1;1;1;0;0;1;1;1;0;0;0;0;0;0;0;1;1;1;0;0;0;0;0]; F2= [0;0;0;0;0;0;0;1;1;1;0;0;1;1;1;0;0;0;0;0;0;0;1;1;1;0;0;1;1;1]; G2= [0;0;0;0;0;0;0;1;1;1;0;0;1;1;1;0;0;1;0;0;0;0;1;1;0;0;0;0;0;0]; H2= [0;0;1;0;0;0;0;1;0;0;0;0;1;0;0;0;0;0;0;0;0;0;1;0;0;0;0;1;0;0]; I2= [1;1;1;1;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]; J2= [1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;0;0;1;1;0;0;0;1;1;0;0;0;0;0;0]; K2= [0;0;1;1;0;0;0;1;0;1;0;0;0;1;1;0;0;0;1;1;0;0;1;0;1;0;0;1;1;0]; L2= [0;0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;0;0;0;0]; M2= [0;0;1;0;0;0;0;1;0;0;0;1;0;1;0;0;1;0;1;0;0;1;1;1;0;0;1;1;1;0]; N2= [0;0;1;1;0;0;0;1;1;0;0;1;0;1;0;0;1;1;0;0;0;1;1;0;0;0;1;1;1;0]; O2= [0;0;0;0;0;0;0;1;0;0;0;0;1;0;0;0;0;1;0;0;0;0;1;0;0;0;0;0;0;0]; P2= [0;0;0;0;0;0;0;1;1;0;0;0;1;1;0;0;0;0;0;0;0;0;1;1;1;0;0;1;1;1]; Q2= [0;0;0;0;0;0;1;1;1;0;0;1;1;1;0;0;1;1;0;0;0;0;0;0;1;1;1;1;1;0]; R2= [0;0;0;0;0;0;0;1;1;0;0;0;0;0;0;0;0;0;1;1;0;0;1;0;1;0;0;1;1;0]; S2= [0;0;0;0;0;0;0;1;1;0;0;0;0;1;1;1;1;0;0;1;0;1;1;0;0;0;0;0;0;0]; T2= [0;0;0;0;0;0;0;0;0;0;1;0;0;0;1;1;0;0;0;1;1;0;0;0;1;1;0;0;0;1]; U2= [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;0;0;0]; V2= [0;1;1;1;1;0;1;1;1;1;1;0;1;1;1;1;1;1;1;1;1;1;0;1;1;1;1;1;1;1]; W2= [0;1;1;1;0;0;1;0;1;0;0;0;0;0;0;0;0;0;0;0;0;0;1;0;0;0;1;1;1;0]; X2= [0;0;1;0;0;1;0;1;0;1;1;1;0;1;1;1;0;1;0;1;0;0;1;0;0;0;0;1;0;0]; Y2= [0;1;1;1;0;0;0;1;0;0;0;0;0;0;0;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1]; Z2= [0;0;0;0;0;1;1;1;0;0;1;1;0;1;1;1;0;1;1;1;0;0;1;1;1;0;0;0;0;0]; A3= [0;0;0;0;0;0;0;0;0;0;0;1;1;1;0;0;0;0;0;0;0;1;1;1;0;0;1;1;1;0]; B3= [0;0;0;0;0;0;0;0;0;0;0;1;1;0;0;0;0;0;0;0;0;1;1;0;0;0;0;0;0;0]; C3= [0;0;0;0;0;0;1;1;0;0;0;1;1;1;1;0;1;1;1;1;0;1;1;0;0;0;0;0;0;0]; D3= [0;0;0;0;1;0;1;1;0;0;0;1;1;0;0;0;1;1;0;0;0;1;1;0;0;0;0;0;0;1]; E3= [0;0;0;0;0;0;0;0;0;0;0;1;1;1;1;0;0;0;0;0;0;1;1;1;1;0;0;0;0;0]; F3= [0;0;0;0;0;0;0;0;0;0;0;1;1;1;1;0;0;0;0;0;0;1;1;1;1;0;1;1;1;1]; G3= [0;0;0;0;0;0;0;0;0;0;0;1;1;1;1;0;1;1;0;0;0;1;1;0;0;0;0;0;0;0]; H3= [0;1;1;0;0;0;1;1;0;0;0;0;0;0;0;0;0;0;0;0;0;1;1;0;0;0;1;1;0;0]; I3= [1;1;1;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1]; J3= [1;1;0;0;0;1;1;1;0;0;1;1;1;0;0;0;1;1;0;0;0;1;1;0;0;0;0;0;0;0]; K3= [1;0;1;1;0;1;0;1;0;1;1;0;0;1;1;1;0;0;1;1;1;0;1;0;1;1;0;1;1;0]; L3= [0;0;0;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;0;1;0;0;0;0]; M3= [0;1;1;1;0;0;0;1;0;0;0;1;0;1;0;0;1;0;1;0;0;1;1;1;0;0;0;1;0;0]; N3= [0;0;1;1;0;0;0;1;1;0;0;1;0;1;0;0;1;1;0;0;0;1;1;0;0;0;1;1;0;0]; O3= [0;0;0;0;0;0;1;1;0;0;0;1;1;0;0;0;1;1;0;0;0;1;1;0;0;0;0;0;0;0]; P3= [0;0;0;0;0;0;1;1;0;0;0;1;1;0;0;0;0;0;0;0;0;1;1;1;1;0;1;1;1;1]; Q3= [1;0;0;0;1;0;1;1;1;0;0;1;1;1;0;0;1;1;1;0;1;0;0;0;1;1;1;1;1;0]; R3= [0;0;0;0;0;0;1;1;0;0;0;0;0;0;0;0;0;1;1;1;0;1;0;1;1;0;1;1;0;0]; S3= [0;0;0;0;0;0;0;1;1;0;1;0;0;1;1;1;1;0;0;1;0;1;1;0;0;0;0;0;0;0]; T3= [0;0;0;0;0;0;1;0;1;0;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1;1;1;0;1;1]; U3= [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;0;0;0;0]; V3= [0;0;0;1;1;0;0;0;1;1;0;0;0;1;1;1;0;0;1;1;1;1;0;1;1;1;1;0;1;1]; W3= [0;1;1;1;0;0;1;0;1;0;0;1;0;1;0;0;0;0;0;0;0;0;1;0;0;0;1;1;1;0]; X3= [0;0;1;0;0;1;0;1;0;1;1;1;0;1;1;1;0;1;0;1;1;0;1;0;1;0;0;1;0;0]; Y3= [0;1;1;1;0;0;0;1;0;0;0;0;0;0;0;1;1;0;1;1;1;1;0;1;1;1;0;0;0;1]; Z3= [0;0;0;0;0;0;1;1;0;0;1;1;0;1;1;1;0;1;1;1;0;0;1;1;0;0;0;0;0;0]; OA1 = [0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;1]; OB1 = [0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;1;0]; OC1 = [0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;1;0;0]; OD1 = [0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;1;0;0;0]; OE1 = [0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;1;0;0;0;0]; OF1 = [0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;1;0;0;0;0;0]; OG1 = [0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;1;0;0;0;0;0;0]; OH1 = [0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;1;0;0;0;0;0;0;0]; OI1 = [0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;1;0;0;0;0;0;0;0;0]; OJ1 = [0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;1;0;0;0;0;0;0;0;0;0]; OK1 = [0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;1;0;0;0;0;0;0;0;0;0;0]; OL1 = [0;0;0;0;0;0;0;0;0;0;0;0;0;0;1;0;0;0;0;0;0;0;0;0;0;0]; OM1 = [0;0;0;0;0;0;0;0;0;0;0;0;0;1;0;0;0;0;0;0;0;0;0;0;0;0]; ON1 = [0;0;0;0;0;0;0;0;0;0;0;0;1;0;0;0;0;0;0;0;0;0;0;0;0;0]; OO1 = [0;0;0;0;0;0;0;0;0;0;0;1;0;0;0;0;0;0;0;0;0;0;0;0;0;0]; OP1 = [0;0;0;0;0;0;0;0;0;0;1;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0]; OQ1 = [0;0;0;0;0;0;0;0;0;1;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0]; OR1 = [0;0;0;0;0;0;0;0;1;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0]; OS1 = [0;0;0;0;0;0;0;1;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0]; OT1 = [0;0;0;0;0;0;1;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0]; OU1 = [0;0;0;0;0;1;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0]; OV1 = [0;0;0;0;1;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0]; OW1 = [0;0;0;1;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0]; OX1 = [0;0;1;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0]; OY1 = [0;1;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0]; OZ1 = [1;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0;0]; PT=[A1 A2 A3 B1 B2 B3 C1 C2 C3 D1 D2 D3 E1 E2 E3 F1 F2 F3 G1 G2 G3 H1 H2 H3 I1 I2 I3 J1 J2 J3 K1 K2 K3 L1 L2 L3 M1 M2 M3 N1 N2 N3 O1 O2 O3 P1 P2 P3 Q1 Q2 Q3 R1 R2 R3 S1 S2 S3 T1 T2 T3 U1 U2 U3 V1 V2 V3 W1 W2 W3 X1 X2 X3 Y1 Y2 Y3 Z1 Z2 Z3]; output =[OA1 OA1 OA1 OB1 OB1 OB1 OC1 OC1 OC1 OD1 OD1 OD1 OE1 OE1 OE1 OF1 OF1 OF1 OG1 OG1 OG1 OH1 OH1 OH1 OI1 OI1 OI1 OJ1 OJ1 OJ1 OK1 OK1 OK1 OL1 OL1 OL1 OM1 OM1 OM1 ON1 ON1 ON1 OO1 OO1 OO1 OP1 OP1 OP1 OQ1 OQ1 OQ1 OR1 OR1 OR1 OS1 OS1 OS1 OT1 OT1 OT1 OU1 OU1 OU1 OV1 OV1 OV1 OW1 OW1 OW1 OX1 OX1 OX1 OY1 OY1 OY1 OZ1 OZ1 OZ1]; [g,h]=size(PT); [m,h]=size(output); % CREATING AND INITIATING THE NETWORK net = newff(minmax(PT),[70 26],{'logsig','logsig'},'traingdx'); net = init(net); net.LW{2,1} = net.LW{2,1}*0.01; net.b{2} = net.b{2}*0.01; % TRAINING THE NETWORK net.trainParam.goal = 0.00659; % Sum-squared error goal. net.trainParam.lr = 0.019;% Learning Rate net.trainParam.show = 10; % Frequency of progress displays (in epochs). net.trainParam.epochs = 1000; % Maximum number of epochs to tr

评论收藏

内容反馈

版权申诉