人工智能实验二

昆明理工大学信息工程与自动化学院学生实验报告

（ 2014 — 2015 学年第 1 学期）

课程名称：人工智能及其应用开课实验室：信自504 2014年12月14日年级、专业、班学号姓名

实验项目名称手写数字识别指导教师王剑

教师评语

该同学是否了解实验原理： A.了解□ B.基本了解□ C.不了解□该同学的实验能力： A.强□ B.中等□ C.差□该同学的实验是否达到要求： A.达到□ B.基本达到□ C.未达到□实验报告是否规范： A.规范□ B.基本规范□ C.不规范□实验过程是否详细记录： A.详细□ B.一般□ C.没有□

教师签名：

年月日

一、实验目的及内容

1.手写数字的识别

-参见week8中的资料

-任选两种方法完成识别

-可选的方法有：模板匹配、欧式举例、bayes、神经网络、决策树等

-需对模式识别的基本原理和过程、本题中涉及的数字特征的提取和表示问题做阐述二、所用仪器、材料（设备名称、型号、规格等或使用软件）

1台PC以及matlab2012软件。

三、实验方法、步骤（或：程序代码或操作过程）

实现方法为四个步骤（1）数据获取和预处理

（2）特征抽取和选择

（3）分类器设计

（4）使用分类器进行分类

数字图像被分成5行5列的格子，共5*5个特征。

X: (x1,x2,x3,…… x25)

共有9个数字，因此X有9类

特征的计算：

统计每个格子中黑色像素的个数，除以该格子中所有的像素数目，即得一个特征手写数字特征保存在templet中，由结构体pattern表示

数字‘1’的5个样本

的特征矩阵

每列代表一个样品

每行代表一个特征

手写数字图像9_1.bmp特征提取的代码如下：

该手写数字的特征向量如右所示：

1.基于二值数据的贝叶斯分类器

计算先验概率P(ωi)

计算类条件（先验）概率P(X| ωi)

P(X| ωi) = ∏P(xj=a| ωi) 其中 i=1…9, j=0…24，a=0或1， P(xj=a| ωi) = (∑xj+1)/(Ni+2)

应用Bayes公式求后验概率

P(ωi|X) = P(ωi)* P(X| ωi)

后验概率最大值的类别就是手写数字的所属类别

Testing 运行： bayesBinaryTest

function y=bayesBinary(sample);

clc;

load templet pattern;

sum=0;

prior=[];%

p=[];

likelihood=[];

P=[];

%calculate prior propability

for i=1:9

sum = sum+pattern(i).num;

end

for i=1:9

prior(i) = pattern(i).num/sum;

end

%calculate likelihood propability

for i=1:9

for j=1:25

sum=0;

for k=1:pattern(i).num

if(pattern(i).feature(j,k)>0.05) sum=sum+1;

end

end

p(j,i)=(sum+1)/(pattern(i).num+2); end

end

for i=1:9

sum=1;

for j=1:25

if(sample(j)>0.05)

sum=sum*p(j,i);

else

sum=sum*(1-p(j,i));

end

end

likelihood(i)=sum;

end

%calculate bayes propability

sum=0;

for i=1:9

sum=sum+prior(i)*likelihood(i);

end

for i=1:9

P(i)=prior(i)*likelihood(i)/sum;

end

[maxval maxpos]=max(P);

y=maxpos;

2.神经网络分类器

Implementation procedure实现步骤

初始化输入输出矩阵p[],t[]。P为训练样本，t为训练样品所属类别构件神经网络(newff函数)，设置参数调整方式

Bpnet=newff(x,[50,4],{‘logsig’,’logsig’},’traingd’) 调用matlab的train(bpnet,p,t)函数，训练神经网络

对待测样品，调用sim函数，利用之前已训练好的BP网络进行识别Testing 运行bpnetTest

function y=bpnet(sample)

global bpnet;

clc;

a = sim(bpnet,sample)

a = round(a)

b = num2str(a);

c = bin2dec(b');

y = c

function bpGradientTrain

global bpnet;

clc;

load templet pattern;

c=0;

p=[];

for i=1:9

for j=1:5

c=c+1;

p(:,c)=pattern(i).feature(:,j);

end

end

t=zeros(4,45);

t(4,1:5)=1;

t(3,6:10)=1;

t(3:4,11:15)=1;

t(2,16:20)=1;

t(2,21:25)=1;

t(4,21:25)=1;

t(2:3,26:30)=1;

t(2:4,31:35)=1;

t(1,36:40)=1;

t(1,41:45)=1;

t(4,41:45)=1;

x=ones(25,2);

x(:,1)=0;

bpnet = newff(x,[50,4],{'logsig','logsig','traingd'}); bpnet.trainParam.show=50;

bpnet.trainParam.lr=0.2;

bpnet.trainParam.epochs=2000;

bpnet.trainParam.goal=0.2e-1;

bpnet.trainParam.min_grad=1e-10;

[bpnet] = train(bpnet,p,t);

四、实验过程原始记录( 测试数据、图表、计算等)

五、实验结果、分析和结论（误差分析与数据处理、成果总结等。其中，绘制曲线图时必

须用计算纸或程序运行结果、改进、收获）

手写数字识别在我们生活中随处可见。想要获得较好的识别，就要有一个类库，里面的东西越详细那么得到的识别就越正确。虽然这是给的代码，但是看懂关键部分后手写识别还是不难的。只要用心，我们可以用计算机解决生活中的很多问题

注：教师必须按照上述各项内容严格要求，认真批改和评定学生成绩。