人工神经网络学习笔记_英文字母识别

实验环境：MatlabR2009a

1 设计一个网络，并且训练它来识别字母表中的26个字母。在alphabet_train.m文件中添加代码如下所示。

 clear
 clc
 [alphabet,targets]=prprob; %alphabet=35x26
 S1=10;  % S1，第一层的神经元个数为10
 [R,Q]=size(alphabet);
 [S2,Q]=size(targets); % S2，第二层的神经元个数为S2
 P=alphabet;




 % 构建BP网络
 net=newff(minmax(P),[S1,S2],{'logsig','logsig'},'traingdx');
 net.LW{2,1}=net.LW{2,1}*0.01; % 调整第二层的权值
 net.b{2}=net.b{2}+0.01;       % 调整第二层的阈值


 % 无噪声训练
 T=targets;
 net.performFcn='sse';       % 性能函数，误差平方和
 net.trainParam.goal=0.1;
 net.trainParam.show=20;
 net.trainParam.epochs=5000; % 训练次数
 net.trainParam.mc=0.95;     % 附加动量
 [net,tr]=train(net,P,T);


 % 有噪声训练，两组没有噪的输入，两组有噪声的输入
 netn=net;
 netn.trainParam.goal=0.6;% 性能目标值
 netn.trainParam.epochs=300;% 训练的最大次数
 T=[targets targets targets targets];
 for pass=1:10   %重复10次训练
         P=[alphabet,alphabet,(alphabet+randn(R,Q)*0.1),(alphabet+randn(R,Q)*0.2)];
         [netn,tr]=train(netn,P,T);
 end


 % 再次无噪声训练
 netn.trainParam.goal=0.1;  % 性能目标值
 netn.trainParam.epochs=500;% 训练的最大次数
 netn.trainParam.show=5;
 P=alphabet;
 T=targets;
 [netn,tr]=train(netn,P,T);


 % 系统性能,绘制网络识别错误与噪声信号关系曲线
 noise_range=0:0.05:.5;
 max_test=100;
 network1=[];
 network2=[];
 T=targets;
 for noiselevel=noise_range
     errors1=0;
     errors2=0;
     for i=1:max_test
         P=alphabet+randn(35,26)*noiselevel;
         A=sim(net,P);   %经过无噪声训练的网络
         AA=compet(A);
         errors1=errors1+sum(sum(abs(AA-T)))/2;
         An=sim(netn,P); %经过有噪声训练的网络
         AAn=compet(An);
         errors2=errors2+sum(sum(abs(AAn-T)))/2;
     end
     network1=[network1 errors1/26/100];
     network2=[network2 errors2/26/100];
 end
 plot(noise_range,network1*100,'--',noise_range,network2*100);
 xlabel('noise indecator');
 ylabel('no-noise net -- noise net-');
 legend('no-noise net','noise net');

2  运行程序，查看识别错误与噪声信号的关系。

2.1 第一次运行，结果如下。

2.2 第二次运行，结果如下。

2.3 第三次运行，结果如下。

2.4 对比分析

       由上面的3次结果可知，每次都存在着差异。这主要是由于每次运行时产生的随机值都是不一样的。

另外，就算每次训练的输入向量都是一样的，但是训练过程中也会产生不同的结果。

       在图中可见，当噪声小于0.05的时候，两个网络的识别错误率是一样的。当噪声增加时，经过噪声训练的网比没有经过噪声训练的网的识别错误率要低，而且噪声越大，两者之间的差距就越明显。

3 修改代码

3.1 将有噪声训练中的[netn,tr]=train(netn,P,T)改为[netn,tr]=train(net,P,T)，运行程序。

3.1.1 第一次运行，如下图所示。

3.1.2 第二次运行，结果如下图所示。

3.1.3 第三次运行，结果如下图所示。

3.1.4 对比分析

修改代码后，噪声训练的.gaol和epochs参数不再是0.6和300，而是和无噪声训练时一样，分别为0.1和5000。

由于提高了训练的精度和次数，因此在最后的结果中可以看到，有噪声和无噪声的识别错误都降低了，而且是非常的接近的。

3.2 注释再次无噪声训练中的[netn,tr]=train(netn,P,T)，运行代码。

3.2.1 第一次运行，结果如下。

3.2.2 第二次运行，结果如下。

3.2.3 第三次运行，结果如下。

3.2.4 对比分析。

由于没有了再次无噪声训练，导致了网络在识别无噪声信号时，付出了更大的代价。

4 网络仿真

4.1 编辑alphabet_recognise.m,输入如下代码。

% A——经过无噪声训练的识别
noisyJ=alphabet(:,1)+randn(35,1)*0.2;
figure,plotchar(noisyJ); % 显示含有噪声的字母A
A2=sim(net,noisyJ);
A2=compet(A2);
answer=find(compet(A2)==1);
figure,plotchar(alphabet(:,answer)); % 显示字母A的识别结果

% A——经过噪声训练的识别
noisyJ=alphabet(:,10)+randn(35,1)*0.2; 
figure,plotchar(noisyJ); % 显示含有噪声的字母J
A2=sim(netn,noisyJ);
A2=compet(A2);
answer=find(compet(A2)==1);
figure,plotchar(alphabet(:,answer)); % 显示字母J的识别结果

4.2 运行程序，结果如下图所示。

无噪声训练的识别结果

有噪声训练的识别结果

5 结论

使用没有修改代码的那个方案，效果比较好。

分享到：