羽隔已就之图像处理之BP神经网络入门

小y最近非常忙，这一年来，活很多，一直在加班、出差，也没好好休息过。最近在武汉出差一个多月了，项目逐渐完结，有点闲时间了，回首望，这一年设定的很多目标都没完成。
还记得，我想写一篇用matlab识别车牌的程序讲解，但是一直没做。今天想着，怎么得都要啃一下这个硬骨头。因为我要是一直不写，一直不敢面对这个问题，也就会一直不学习，那怎么才能进步呢？正如怪鸽说，我们遇到什么困难也不要怕，微笑的面对他，消除恐惧的最好办法就是面对恐惧。
图像识别我想用的技术含有：BP神经网络技术、图像提取特征值、图像分割技术但是这些技术还没到家，今天在酒店研究BP神经网络的用法。
我对BP神经网络的理解如下：
用一组已知的数据走向去推断另外一组数据的走向。
我的想法就是图像都有特征向量，比如数字1，会有数字1的特征向量，这个特征向量经过一系列数学运算一定可以成为一个标准的参照，车牌的数字1的特征向量一定会相符模板的。
接下来我讲讲我是如何学习神经网络的
怎么说呢，我看资料，很多神经网络上来都是一堆不知道干什么的数组，让一个很久没接触数学的人直接看的话会很难受，数据莫名其妙，结论也莫名奇妙。
我考虑了下，很多人给出的模型根本看不懂，毕竟隔行如隔山嘛。那么机智的小y想到了，如果我用一个简单的数学模型去分析的话，这样结论大家也能猜到，也会进行调优，优化。
怎么选模型难住了小y，突然想到平抛不就是个最简单的模型吗，把平抛简化后不就是抛物线模型吗，对称轴是y轴的二次函数。对就用他，摒弃资料的模型，直接创新！
首先使用二次函数获得所需要的数据

在matlab中

在矩阵运算中，x乘法需要加.

使用newff创建一个前馈反向传播网络

newff可以传三个值，如下所示 net = newff(P,T,S)
P的通俗理解可以认为是输入向量，T的通俗理解为，通过某种映射法则获得的输出向量。S是隐藏层的大小。如图标红所示

后期大家自己玩可以调节试试。
哈，现在开始训练自己创建的神经网络，使用train函数

训练时会弹出类似于这样的一个对话框

太数学了，后期慢慢研究。
然后我们看看实验结果，使用sim函数：

net1是我们训练后的神经网络，那么A呢，A就是我们的输入向量，这里A取值

这个时候我们希望A的输出应该是100 ~ 0 ~ 100的一个值，使用plot函数画出他的形状

这里面预测的值的结果用o去表示，然后运行程序。

-5 ~ 0 ~ 5 的值是已知的，落在线上符合我的理解，o是预测值，当x轴为-10时预测值约在98，符合预测，当x轴为10时，对应的预测值约在99左右，已经不符合预期了。看来需要调优。
观察几个性能参数
性能如下：

训练状态如下

回归如下


使用了3层隐藏层。
后记：经过资料查阅得知，隐藏层并不是越多越好，也需要按实际的情况去测试。而且每次运行的结果也会不同，需要多多测试然后将自己的网络保存。
如果newff函数不做任何参数时，他的激活函数长成这样

更换激活函数

加入了logsig参数后其变成了这样

调参后，网络图如下图所示：

train函数

这里写下补充：

1. newff

newff（P、T、S、TF、BTF、BLF、PF、IPF、OPF、DDF）采用可选输入，
TFi——第i层的传递函数。默认为“tansig”
隐藏层，输出层为“purelin”。
BTF-Backrop网络训练功能，默认为“trainlm”。
BLF-Backrop权重/偏差学习函数，默认值=“learngdm”。
PF-性能函数，默认值=“mse”。
IPF—输入处理函数的行单元阵列。
默认值为｛“fixunknowns”、“mconsntrows”、“apminmax”｝。
输出处理函数的行单元阵列。
默认值为｛‘emconsntrows’，‘apminmax’｝。
DDF—数据划分功能，默认为“divideerand”；
并返回一个N层前馈反向网络。

2. train
   训练浅层神经网络， 此函数训练一个浅层神经网络。对于使用卷积或 LSTM 神经网络的深度学习。
   [trainedNet,tr] = train(net,X,T,Xi,Ai,EW,Name,Value)
   输入参数
   net - 输入网络
   network 对象
   X - 网络输入
   矩阵 | 元胞数组 | 合成数据 | gpuArray
   T - 网络目标
   零 (默认值) | 矩阵 | 元胞数组 | 合成数据 | gpuArray
   Xi - 初始输入延迟条件
   零 (默认值) | 元胞数组 | 矩阵
   Ai - 初始层延迟条件
   零 (默认值) | 元胞数组 | 矩阵
   EW - 误差权重，元胞数组
   名称-值参数
   useParallel - 用于指定并行计算的选项
   ‘no’ (默认值) | ‘yes’
   useGPU - 用于指定 GPU 计算的选项
   ‘no’ (默认值) | ‘yes’ | ‘only’
   showResources - 用于显示资源的选项
   ‘no’ (默认值) | ‘yes’
   reduction - 减少内存使用量
   1 (默认值) | 正整数
   CheckpointFile - 检查点文件
   ‘’ (默认值) | 字符向量
   CheckpointDelay - 检查点延迟
   60 (默认值) | 非负整数
   输出参数
   trainedNet - 经过训练的网络
   network 对象
   tr - 训练记录，结构体
   源代码下载路径如下

https://download.csdn.net/download/qq_43161960/88577292?spm=1001.2014.3001.5503