matlab在模式识别中的应用.ppt

《matlab在模式识别中的应用.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、模式识别技术定义：识别出给定的事物与哪一个标本相同或相近。模式分类:把供模仿的标本分成若干类，再判断给定的事物属于哪一类。例如：文字识别，疾病诊断,声纹识别。模式是被属于人工智能的研究范畴。模式识别的分类有监督的模式识别：除了待识别样本外，还提供已经类别样本集（训练样本集），用来先行训练，使之积累经验，获得识别能力，再对未知样本识别，分类。无监督的模式识别：无训练样本。采用集群（聚类）分析。模式识别系统数据获取——预处理——特征提取——决策分类在实际问题中，提取的特征是把一个物理模式变成一个随机向量。决策分类：若已知待识别样本完整的先验知识，则可据此确定

2、决策函数的数学表达式；若仅知待识别样本的定性知识，那么需要经过学习（训练），确定决策函数。例:Cancer数据测试调用cancer_dataset采用BP网络识别癌症特征。采用newpr(p,t,hidenum)创建网络数据分类：1、60%用于训练2、20%用于监测（防止过收敛）3、20%用于测试采用train训练提高精度方法对网络赋值新权值，重新训练增加隐层神经元数目增加训练样本增加预测变量的数目（更多先验信息）更好其他的训练算法采用优化算法nprtool的使用在命令窗口输入nprtool,即可弹出GUI界面。其中可以load软件中的样本数据，进行测试

3、。例：血清胆固醇含量检测问题通过临床实践共提取了264位病人的血样检测结果数据，其中每个检测结果均对应所测血样光谱的21个波长值。现利用样本数据训练，设计一个神经网络，使其能够自动完成上述检测过程。分析Step1:采用loadcholes_all,调用内置的经典样本，训练样本名为p,训练目标名为tStep2:采用prestd(p,t)对原始样本归一化，获得归一化后的样本矩阵pnStep3:采用ptran=prepca(pn,0.001),对归一化后的矩阵pn降维。Step4:对样本数据划分为训练集、验证集、测试集。Itest=2:4:Q;Ival=4:4

4、:Q;Itr=1:2:Q;Val.P=ptrans(:,Ival);val.T=t(:,Ival);Test.P=ptrans(:,Itest);Val.T=t(:,Itest)Ptr=ptran(:,Itr);ttr=t(:,Itr);Step5:创建网络net=newff(minmax(ptr),[S1,S2],{‘’,’’},’’)Step6:训练,并绘制误差曲线[net,tr]=train(net,ptr,ttr,[],[],val,test)Plot(tr.epoch,tr.perf,tr.epoch,tr.vperf,tr.epoch,tr.

5、tperf)车牌号识别算法字符识别相关：特征提取，识别算法。在二值字符图像中，利用字符的点阵特征进行字符识别是最简单的方法，只需要将二值化的字符图像以数组的形式输入到分类器中。分类器可以采用模板匹配，或者利用大量的样本训练的神经网络来作分类器。实验证明，该方法对于字符字体，型号变化不大的情况非常有效。特征提取点阵特征：该组特征基于细化的二值图像，二值化字符图像的点阵结构反映了一个字符的整体结构特征。通常，分类器采用模板匹配，利用距离函数计算模板与当前字符之间的相似度，其中相似度最小的那个模板所代表的字符即为识别出的字符。该方法简单易行，计算复杂度低，适合

6、实时识别。识别算法利用BP神经网络来分类字符。BP神经网络包括3层：输入层，隐含层，输出层。通过BP网络的泛化能力，进行字符的识别。例：用神经网络对26个字母识别采用matlab中的prprob字母库，作为样本实例，进行字母的识别。分析：1、训练样本为35x26的矩阵，每列对应于每个字母的布尔矢量，训练目标为26x26的单位矩阵。2、在实际的字母识别中，不同级别的噪声是存在的，因而会影响识别率，所以可以考虑扩张训练样本，并对扩张的训练样本加入小功率噪声。采用newff(p,t,hidenums)创建新BP网络；采用train函数进行训练。采用plotch

7、ar画出5x7的字母网格图。在对训练好的网络性能进行测试时，可以选择要识别的字母。由于受噪声影响，网络输出模式矢量中的元素可能不是单纯的0和1两个值。其中测试的输出可以用compet竞争传递函数得出最接近网络输出的标准模式矢量。例：车牌号识别给定车牌号是：J369训练部分：对神经网络的输入训练样本，分为两种：1、纯训练样本（无噪声）2、对训练样本扩张，并对扩张的样本加入不同级别的噪声。测试(仿真)部分：1、对J369（无噪声）测试，观察测试效果2、对J369(加入噪声)测试。