实验七：基于神经网络的模式识别实验VIP专享

实验七：基于神经网络的模式识别实验一、实验目的理解 BP 神经网络和离散 Hopfield 神经网络的结构和原理，掌握反向传播学习算法对神经元的训练过程，了解反向传播公式。通过构建BP 网络和离散 Hopfield 网络模式识别实例，熟悉前馈网络和反馈网络的原理及结构。综合掌握模式识别的原理,了解识别过程的程序设计方法。二、实验内容熟悉模式识别的理论方法,用选择一种合适的识别方法,对图像中的字符（英文字母)进行识别，能够区分出不同的形态的 26 个字母。在 Matlab 中，采纳 BP 神经网络，对读取的数据进行训练,进而识别。1. 程序设计（1）程序各流程图实验中主程序流程图如图 4-1 所示:图 4—1 主程序流程图其中图像预处理的流程如图 4-2 所示：图 4—2 图像预处理的流程神经网络训练的具体流程如图 4—3 所示:图 4—3 神经网络训练流程（2)程序清单％形成用户界面clear all；％添加图形窗口H=figure(’Color’，［0。85 0.85 0。85]，。.。 'position',［400 300 500 400］，。。. ’Name’,'基于 BP 神经网络的英文字母识别’,。。。 'NumberTitle'，’off',。.。 ’MenuBar’，'none’)；％画坐标轴对象，显示原始图像h0=axes（’position'，［0.1 0。6 0。3 0。3］）；%添加图像打开按钮h1=uicontrol(H，'Style’，’push’，。。。 ’Position’,[40 100 80 60］,.。. ’String'，’选择图片'，。。. ’FontSize',10，。.. 'Call'，’op'）;%画坐标轴对象，显示经过预处理之后的图像图像输入灰度转化图像二值化图像分割归一化调整调整比例显示预处理结果猎取图像数据创建神经网络训练存储训练好的神经网络h2=axes（’position’，［0。5 0。6 0.3 0.3］）；％添加预处理按钮h3=uicontrol（H,'Style’，’push',.。. ’Position’，［140 100 80 60]，。。。 ’String',’二值化',.。。 ’FontSize',10，。。. ’Call’，’preprocess’)；％添加识别按钮h4=uicontrol（H,’Style’,'push’,。.. ’Position’,［240 100 80 60],。.。 'String',’字母识别'，.。。 'FontSize',10，..。 'Call’,'recognize')；％添加显示识别结果的文本框%添加训练神经网络按钮h6=uicontrol(H,’Style’,'push'，。。。 ’Position'，［340 100 80 60］，。。。 ’String’,’网络训练'，。。。 ’FontSize’,10，.。.’Call',’Example1Tr’);％预处理％preprocessp1=ones（16，16...