人工神经网络字母识别

实验四利用人工神经网络进行字母识别

一、实验目的

人工神经网络是模拟生物神经系统而设计的一种优化算法，广泛用于函数逼近、模式识别、数据压缩等方面。在人工神经网络的实际应用中，绝大部分的神经网络模型使用的是BP网络（误差反传网络）。

BP网络的主要思想是把学习过程分为两个阶段：第一阶段（正向传播过程），给出输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出值；第二阶段（反向过程），若在输出层未能得到期望的输出值，则逐层递归的计算实际输出与期望输出之差值（即误差），并据此调节权值。

本实验的目的是设计一个能完成字母识别任务的网络，在此过程中，深入理解BP网络的原理。

二、实验要求

1、运行BP_Sample_recognition程序，回答问题；

问题：目标（即导师信号）是？写出其具体内容

由train(net,x,y)，知x为样本特征向量，y为导师信号

y(1,1:10) = 1; y(2,11:20) = 1; y(3,21:30) = 1;所以y为

111111111100000000000000000000

000000000011111111110000000000

000000000000000000001111111111

2、运行BP_Letter_recognition程序，编写统计识别正确率的程序，并回答问题；%统计识别正确率

hitNum = 0 ; %自己添加，正确个数

pn = 0.44; % 加噪强度参数，可修改

for index = 1:26

noisyJ = alphabet(:,index)+randn(35,1)*pn;

figure(index)

subplot(1,2,1),plotchar(noisyJ),title('含噪声字母图像');

A2 = sim(net, noisyJ);

answer = find(compet(A2)==1); % compet 竞争传递函数

subplot(1,2,2),plotchar(alphabet(:,answer)),title('识别结果');

if( index == answer ) %自己添加，统计识别正确率

hitNum = hitNum + 1 ; %自己添加

end

end

sprintf('识别率是 %3.3f%%',100 * hitNum / 26 ) %自己添加

问题：该网络共有几层？每层几个节点？各层神经元的激活函数（传递函数）？网络的训练方式？

该网络一层输入层，有35个节点；一层隐含层，有10个节点；一层输出层，有26个节点；共三层。隐层神经元的传递函数'logsig' ，输出层的传递函数'logsig'。网络的训练方式：traingdx 有动量和自适应lr的梯度下降法。

问题：你设置的加噪强度参数是？在此参数下，识别正确率？

当pn = 0.2时，识别率是 96.154%；当pn = 0.44时，识别率是 57.692%；

当pn = 0.44时，举例：figure24为

提高部分1

1、编写myANN_train、myANN_sim、myANN_recognition中留空的程序；myANN_train：

for iSample = 1:R %1~26

%-----------正向过程-------------

% 隐层输出数据

for j = 1:iHidden %隐含层神经元个数 1~10

sum_data = 0.0;

for i = 1:iInput %1~35

% 编写语句：计算输入的加权和

sum_data = sum_data+P(i)*mWeighti(i,j);

end

sum_data = sum_data - mThresholdi(j);

mHidden(j) = 1.0/(1.0+exp(-sum_data));

end

% 仿照上面计算隐层输出数据的循环，编写计算输出层数据mOutput的程序for j = 1:iOutput %iOutput输出层神经元数目是26

sum2_data = 0.0;

for i = 1:iHidden

sum2_data = sum2_data+mHidden(i)*mWeighto(i,j);

end

sum2_data = sum2_data - mThresholdo(j);

mOutput(j) = 1.0/(1.0+exp(-sum2_data));

end

%-----------后向反馈-------------

%输出误差

for i = 1:iOutput

mOutputDeltas(i) = mOutput(i) *

( 1-mOutput(i))*(T(i)-mOutput(i)); % 计算输出层误差函数end

% 隐层误差

for j = 1:iHidden

sum_data = 0.0;

for i = 1:iOutput

sum_data = sum_data + mOutputDeltas(i)*mWeighto(j,i);

end

mHiddenDeltas(j) =sum_data * mHidden(j) * (1 -

mHidden(j)); % 计算隐含层误差函数

end

% 更新输入－隐层权重

% 仿照上面更新隐层－输出权重的循环编写更新输入－隐层权重mWeighti的程序

for j = 1:iInput

for i = 1:iHidden

dblChange = mHiddenDeltas(i)*P(j);

mWeighti(j,i) = mWeighti(j,i) + lr1*dblChange +

mc*mChangei(j,i);

mChangei(j,i) = dblChange;

end

end

myANN_sim：

% 仿照上面的循环，计算输出层的输出mOutputdata

for j = 1:iOutput %iOutput输出层神经元数目

sum2_data = 0.0;

for i = 1:iHidden

% 编写语句：计算输入的加权和

sum2_data = sum2_data+mHiddendata(i)*mWeighto(i,j);

end

sum2_data = sum2_data - mThresholdo(j);

mOutputdata(j) = 1.0/(1.0+exp(-sum2_data));

end

myANN_recognition：

% 仿照上面的循环，编写计算输出层的输出数据mOutput的程序

for j = 1:iOutput %iOutput输出层神经元数目

sum2_data = 0.0;

for i = 1:iHidden

sum2_data = sum2_data+mHidden(i)*Wo(i,j);

end

sum2_data = sum2_data - Tho(j);

mOutput(j) = 1.0/(1.0+exp(-sum2_data)); end

end