标签：des style blog http io color os ar for
人类之所以能够思考，学习，判断，大部分都要归功于人脑中复杂的神经网络。虽然现在人脑的机理还没有完全破译，但是人脑中神经元之间的连接，信息的传递都已为人所知晓。于是人们就想能否模拟人脑的功能用于解决其他问题，这就发展出人工神经网络。
人工神经网络（artificial neural network，缩写ANN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。
神经网络是一种运算模型，由大量的节点（或称“神经元”，或“单元”）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
人工神经网络是由成千上万个神经元构成的，所以我们要先学习了解神经元。
神经元示意图：
数学表示 
为权向量
为输入向量，
为的转置
为偏置
为传递函数可见，一个神经元的功能是求得输入向量与权向量的内积后，经一个非线性传递函数得到一个标量结果。单个神经元的作用：把一个n维向量空间用一个超平面分割成两部分（称之为判断边界），给定一个输入向量，神经元可以判断出这个向量位于超平面的哪一边。
该超平面的方程:
权向量偏置
超平面上的向量神经网络是由很多神经元组成，可以分为输入，输出，隐含层。
bp神经网络的特点：信号前向传递，误差反向传播。若输出存在误差，根据误差调整权值和阈值，使网络的输出接近预期。
数据集包含0-9这10个数字的手写体。是放在10个文件夹里，文件夹的名称对应存放的手写数字图片的数字，每个数字500张,每张图片的像素统一为28*28。
流程如图，首先要对数据进行处理，这个主要是批量读取图片和特征提取的过程，特征提取的方法很多，这里只挑选最简单的来实现，然后是训练出一个神经网络的模型，最后用测试数据进行测试。为了方面，这里的神经网络的创建，训练和测试采用matlab函数来实现。
clc; clear all; close all; %% 读取图像 root=‘./data‘; img=read_train(root); %% 提取特征 img_feature=feature_lattice(img); %% 构造标签 class=10; numberpclass=500; ann_label=zeros(class,numberpclass*class); ann_data=img_feature; for i=1:class for j=numberpclass*(i-1)+1:numberpclass*i ann_label(i,j)=1; end end %% 选定训练集和测试集 k=rand(1,numberpclass*class); [m,n]=sort(k); ntraindata=4500; ntestdata=500; train_data=ann_data(:,n(1:ntraindata)); test_data=ann_data(:,n(ntraindata+1:numberpclass*class)); train_label=ann_label(:,n(1:ntraindata)); test_label=ann_label(:,n(ntraindata+1:numberpclass*class)); %% BP神经网络创建，训练和测试 net=network_train(train_data,train_label); predict_label=network_test(test_data,net); %% 正确率计算 [u,v]=find(test_label==1); label=u‘; error=label-predict_label; accuracy=size(find(error==0),2)/size(label,2)
文件存放特点：在data下有10个子文件夹，每个子文件夹下有500张图片。函数可以利用于任何批量图片的读取，传入的是文件夹路径，输出的是一个n（对应图片数目）维cell，每个cell存放的是图片的数据。
function [imglist] = read_train(root) %========读取文件夹========% out_Files = dir(root);%展开 tempind=0; imglist=cell(0); n=length(out_Files); %========读取文件========% for i = 1:n; if strcmp(out_Files(i).name,‘.‘)|| strcmp(out_Files(i).name,‘..‘) else rootpath=strcat(root,‘/‘,out_Files(i).name); in_filelist=dir(rootpath); ni=length(in_filelist); for j=1:ni if strcmp(in_filelist(j).name,‘.‘)|| strcmp(in_filelist(j).name,‘..‘)|| strcmp(in_filelist(j).name,‘Desktop_1.ini‘)|| strcmp(in_filelist(j).name,‘Desktop_2.ini‘) else tempind=tempind+1; imglist{tempind}=imread(strcat(rootpath,‘/‘,in_filelist(j).name)); end end end end end
提取所有图像的特征，二值化—resize-提取特征
function feature = feature_lattice(img) % 输入:黑底白字的二值图像。输出：35维的网格特征 % ======提取特征，转成5*7的特征矢量,把图像中每10*10的点进行划分相加，进行相加成一个点=====% %======即统计每个小区域中图像象素所占百分比作为特征数据====% for i=1:length(img); bw2=im2bw(img{i},graythresh(img{i})); bw_7050=imresize(bw2,[70,50]); for cnt=1:7 for cnt2=1:5 Atemp=sum(bw_7050(((cnt*10-9):(cnt*10)),((cnt2*10-9):(cnt2*10))));%10*10box lett((cnt-1)*5+cnt2)=sum(Atemp); end end lett=((100-lett)/100); lett=lett‘; feature(:,i)=lett; end
要构造出适合神经网络的标签，在这个例子中有10个类，若为某个标签，那么这个位置的值为1，其余为0。
主要是几个参数的设置，layer隐含层的神经元个数。trainFcn：训练算法
function net = network_train(train_data,train_label ) % 输入：训练图像特征和label。输出：训练好的神经网络 % BP网络训练 % 初始化网络结构 layer=25; net=newff(train_data,train_label,layer); net.trainParam.epochs=1; net.trainParam.lr=0.1; net.trainParam.goal=0.001; net.trainFcn=‘trainrp‘; % 网络训练 net=train(net,train_data,train_label); end
function out = network_test(test_data,net) %% BP网络预测 an=sim(net,test_data); for i=1:length(test_data) out(i)=find(an(:,i)==max(an(:,i))); end end
http://pan.baidu.com/s/1pJz97pp
参考资料：
【1】http://zh.wikipedia.org/zh-cn/%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C
标签：des style blog http io color os ar for
原文地址：http://www.cnblogs.com/dawnminghuang/p/4058212.html
