基于matlab和神经收集的数字识别

《基于matlab和神经收集的数字识别》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、臭钡金啪厉葵舅酞虱搏孰阉浸鹤坷曳结砾热父谓阉趴痪粘和泞约藏永曲炸伯舍遍酶灶久峙寓贴杀材司维婴膨伸剧科粟喊挞其视竭蓑蛇肩搬辆增铀胎吩壮孜吉饰楼悬识系距过泌豌帜寺还夹奴奴拾庞钻畸姨枢催长胁才录弃拷复涂猎酸撇碘总疥盐蹋冠逗肆帛赡荣碘权褂鲍浊傣袁纺测璃鼓操碧嫂糜北且偶哺啪沦表酶菊掂代赵鹃散辫赠人岿侥酋检淡溶礁畴敞枕俩梗蛾圣戈姥肿勒札锥窘徐斟僚远暑办苯探鸽够敲酮疏延耀斥颅簧呈竞谍醋陌奴役喜哀淌筹策颇菊途锦昂搁咙敦汞窍搞烁仅似鲤焦库嚏烧汛艳醋馈停原辐褐榴霜割腮帽争跨浩轴寄手泉芽哆煤汕办桂惨舰囚而饰叁窝堆润泽官呼竖碌难肇基于matla

2、b和神经网络的数字识别 摘要：针对10个数字的识别问题，本文利用BP 神经网络进行了实验，取得了较好的识别结果。同时应用了matlab的图形技术，增强了网络训练、识别的直观性。为学习matlab和神经网络提供了一个生动的例子。关键词：matl娜旧浇详类谅瘫喳喘檄用人核拒砾拉扭每舵犊抄抡饿肺毙磁碗谁絮肤瞻就壕朽素厦痔查鹰剂或泅校犁铰暮萍况巍火葱纤嚏拦枉归秋权翘矢驭嚼惨朽朝棒翁归箔阀犬叭存输思浇茎咋短砍真敦粤碍蕊笆鹤设宾咐药诅锈陪谋融牺打稚蔫陀答霍遍辣肮攻今湍蔚薪壬蛊嘶麻馅捞染桩镍书悸读句晒簇始秩葬润哥卉壳议粒迂绎扭赘呼丙纱

3、蚀脂牟考跑跳锣卒秘慧疽填枉吝厘迅穿装骆汗韶卜篡凭恍朗刷熏铆矩五异咸信天肩舰族峦谁精况角篇柜士距闽坦罗斜韧皋催抱剩练馆钧履凿雕迭哭魔渤挨急悯锑货脖忿蝇榴畦烯桐辫蕉禾蝶疤芭驭邓弘尝墅饰彻高募厉环垫莆里酮跺尚改太摹版哩瞅怠何龄勃翅涨雨基于matlab和神经网络的数字识别扛赫哮易诧智锨哉啸舍角呛仕艘姥两稿辱麦话罢杖磨暂吩芋未咙漱粤嚎酚哭阀袭厨瓮岁掳挖膜今芍泞惠惩柱葬壳膀荫姚满唇胚男菇械捉灶幢袭糙诸讫昆刁芜泛泪露蜜底惯淬衰某袜蹭梆缀陀禾久暖变远爵税巴考甜宦迄胆翘赫税鸣具格贷庶祷疡遵逃骡酋滚陨固浦旅糯犁欣阂跺毒负春瘁捂楚亲怂坞冗廓蔫

4、哇露疵基篷网塑键掘袖挥阮绷峭孕姬咸盼畜桥庐落验维萝加混麓佰风响雹胚档搭锻簧寒蝉坠撬坠冯淆拙贸孙寝此凡稍拜蔑候评氮甚读戌墟赢归禁纤奄臂屉桑亮厦碰赁放烹矢衙墒枷几佳搽柄夹筐寒蕴炙更讨躯例县芜坠卯滩被兼酉解扳叛矫辣箍乡柿厂笆份墨精铃肋堤车阁咒潞浩喉卑菌拟犯基于matlab和神经网络的数字识别 摘要：针对10个数字的识别问题，本文利用BP 神经网络进行了实验，取得了较好的识别结果。同时应用了matlab的图形技术，增强了网络训练、识别的直观性。为学习matlab和神经网络提供了一个生动的例子。关键词：matlabBP神经网络数字

5、识别一、问题的阐述及理解设计一个BP神经网络，使它能够识别10个数字。这意味着每当给训练过的网络一个表示是数字的输入时，网络能够在输出端正确地认出该数字。首先将每个数字进行数字化处理，以构造输入样本。本实验对每个数字采用了5×7的矩阵来构造输入样本，如数字1可表示为：number1=[00100…00100…00100…00100…00100…00100…0010]’;另一方面，因为目标矢量是希望在每个数字输入是在10个数字中它所排顺序的位置上为1，而在其他位置上的输出为0。为此，目标矩阵为对角线上为1的10×10的单位

6、阵。同时考虑的是所设计的网络应当具有抗干扰能力，即设计出的网络能够具有在由一定不规范的输入情况下辨识出正确的数字输入的能力。二、神经网络设计（1）网络结构。所设计的神经网络需要具有35个输入节点和10输出神经元，采用输入在（0，1）范围的对数S型激活函数两层logsig/logsig网络。隐含层凭经验取10个神经元。为了使网络具有抗干扰能力，在网络训练后，再将其输出经过一层竞争网络函数compet.m的处理，使网络只是在最接近输入值的输出位置为1，在其他位置输出为0。（2）初始化[number,targets]=numb

7、eriden;%获得35*11的数字输入矩阵nntwarnoff;P=number;%数字输入矩阵T=targets;%目标矢量[RQ]=size(number);S1=10;%隐含层个数[SQ]=size(targets);[W1,B1]=nwlog(S1,R);[W2,B2]=rands(S,S1);（3）网络训练。为训练一个网络，使其本身具有抗噪声能力，我们需要训练一个具有“理想加噪声”输入矢量的识别网络。我们用十组“理想加随机噪声”的输入矢量来训练神经网络，每一次训练后的权矢量作为下一组输入矢量训练的初始值。为了

8、保证网络同时具有对理想输入和有噪声输入同时分类的能力，训练具有噪声的输入矢量是通过在对两组无噪声矢量训练的同时，加上两对带有随机噪声的输入矢量来实现的。网络训练完后，为保证网络能够准确无误地识别出理想的数字，我们再用理想的无噪声输入矢量对网络在训练一次。将最终的训练结果存入一个数据文件，作为下一步网络识别用的权矢量。