本文主要是介绍【手写数字识别】基于matlab GUI BP神经网络手写数字识别【含Matlab源码 1118期】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。
更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）
⛄一、手写数字识别技术简介
1 案例背景
手写体数字识别是图像识别学科下的一个分支，是图像处理和模式识别研究领域的重要应用之一，并且具有很强的通用性。由于手写体数字的随意性很大，如笔画粗细、字体大小、倾斜角度等因素都有可能直接影响到字符的识别准确率，所以手写体数字识别是一个很有挑战性的课题。在过去的数十年中，研究者们提出了许多识别方法，并取得了一定的成果。手写体数字识别的实用性很强，在大规模数据统计如例行年检、人口普查、财务、税务、邮件分拣等应用领域都有广阔的应用前景"。
本案例讲述了图像中手写阿拉伯数字的识别过程，对手写数字识别的基于统计的方法进行了简要介绍和分析，并通过开发一个小型的手写体数字识别系统来进行实验。手写数字识别系统需要实现手写数字图像的读取功能、特征提取功能、数字的模板特征库的建立功能及识别功能。
2 BP算法与实现过程
2.1 BP算法基本原理
将已知输入向量和相应的输出向量(期望输出)作为训练样本，并假定即将学习的网络已被赋予一组权值。为消除梯度幅度的不利影响，利用弹性反向传播算法通过过如下步骤更新权值(图1)：首先，使用初始权值(不管正确与否)从输入层开始向前传播，计算出所有神经元的输出，这样输出层的输出与期望输出(即输出值与目标值)之间存在较大的误差。然后，计算作为神经元权值函数的]误差函数(损失函数或目标函数、代价函数)的梯度，根据误差降低最快的方向来调整更新权值，通过将输出误差反向传播给隐含层来不断调整误差函数。在计算误差梯度的同时，使用与上面同样的方法更新隐含层的权值。反复迭代更新，直到损失函数达到预定的理想目标。在弹性反向传播算法的学习过程中，权值的修正值即为学习率，而梯度只影影响权值变化的方向，即正负。
图1 反向传播神经网络模型
1.2 感知器神经网络
感知器(multilayer perceptron， MLP) 神经网络是模式识别的简单二元分类人工网络， 它通过权值模仿神经细胞的突触，用激活函数模仿细胞体，偏置即为阈值。单层的感知器网络结构如图2所示。单层感知器可将外部输入x分成两类：当感知器的输出y为正数或零时，输入属于第一类；当感知器的输出为负数时，输入属于第二类。
1.3 实现过程
(1)图像读取
在本文中，设计并自建了样本的数据库，库中有0~9共10个阿拉伯数字的5000张不同的手写数字图像，均为白底黑色的bmp格式的文件， 每个数字对应500张图片。实验要从每一个数字中都随机选取450张手写图像作为训练样本，每一个数字剩下的50张作为测试样本。部分数字样张如图3所示。
图3 数字样张
(2)提取特征
本设计中的训练样本数量多，而而一般神经网络输入层的神经元数就是训练样本向量的维数，因此需要对训练样本向量做降维预处理。预处理过程就是通过灰度阈值函数将图像转换成二值图像。降维前需先将所有图像做一次缩放，以确保每个图像的输入向量都具有相同的像素。本设计选定图像缩放的高度和宽度分别为70像素点和50像素点，符合一般手写阿拉伯数字的高宽比。对这些缩放后的图像作纵横切割，如图4所示，每10×10个像素点作为一系列像素块，构成一张包含35个像素块的二值图像计算每一个像素块中0和1的占比，并用它作为模式的一个特征值，这样可以构成5x7的特征值矩阵。考虑到感知器神申经网络输入向量只能是一维，故需要将此矩阵转换成一维向量作为训练样本的输入，转置后共生成35个一维向量。
图4 缩放后的图像切割
(3)构造标签
无论是训练样本还是测试样本，都需要构造标签，前者用于映射的学习，后者用于判断训练网络的正确率。一般地，输出层神经元个数即为分类网络中的分类类别数。阿拉伯数字是10类，故输出神经元数为10。每个类由具体的500个图像构成，包含训练样本和测试样本。通过提取特征每个类均生成35个一维向量：用500个列向量(1000000000)T来标注模式1，即数字1；(0100000000)标注模式2，即数字2；(0010000000)标注模式3，即数字3；依此类推，最后的(0000000001)标注模式0，即数字0。运行代码如下：
(4)随机选定训练样本和测试样本测试
利用MATLAB中已有的rand()伪随机数生成函数来生成5000个介于0和1之间的伪随机数。将生成的伪随机数做升序排序，通过索引来记录随机数原来的位置，并将原来的位置组合成新的行向量。在本设计中，输入层的神经元有35个，输出层神经元有10个，选取25为中间隐含层神经元个数。
(5)数字识别与正确率的计算
对比测试前的标签和仿真后的输出，用测试前的标签值减去输出值，得到误差值，将误差为0的视为正确识别，求出神经网络的正确率。具体运行代码如下：
⛄二、部分源代码
function varargout = findimg(varargin)
% FINDIMG MATLAB code for findimg.fig
% FINDIMG, by itself, creates a new FINDIMG or raises the existing
% singleton*.
%
% H = FINDIMG returns the handle to a new FINDIMG or the handle to
% the existing singleton*.
%
% FINDIMG(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in FINDIMG.M with the given input arguments.
%
% FINDIMG(‘Property’,‘Value’,…) creates a new FINDIMG or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before findimg_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to findimg_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help findimg
% Last Modified by GUIDE v2.5 23-Apr-2021 16:06:05
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @findimg_OpeningFcn, …
‘gui_OutputFcn’, @findimg_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% — Executes just before findimg is made visible.
function findimg_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to findimg (see VARARGIN)
% Choose default command line output for findimg
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes findimg wait for user response (see UIRESUME)
% uiwait(handles.figure1);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%定义全局变量
global ButtonDown pos1;
ButtonDown = [];
pos1 = [];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% — Outputs from this function are returned to the command line.
function varargout = findimg_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure
varargout{1} = handles.output;
axis([0 250 0 250]);
% — Executes during object creation, after setting all properties.
function axes1_CreateFcn(hObject, eventdata, handles)
% hObject handle to axes1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: place code in OpeningFcn to populate axes1
%取消显示axes的坐标轴
set((hObject),‘xTick’,[]);
set((hObject),‘yTick’,[]);
% — Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
[f,p]=uiputfile({‘*.jpg’},‘保存文件’); %保存所画的图
str=strcat(p,f);
pix=getframe(handles.axes1);
imwrite(pix.cdata,str,‘jpg’)
% — Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
cla(handles.axes1); %清楚axes中所画的图像
% — Executes on button press in pushbutton3.
function pushbutton3_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton3 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
pix=getframe(handles.axes1);
imwrite(pix.cdata,‘imgtest.jpg’);
newimage = imread(‘imgtest.jpg’); %保存新画的数字
newimgResult = identify(newimage) ; %通过识别函数进行比较
Result = BpRecognize(newimgResult);
msgbox(num2str(Result),‘识别结果’,‘help’);
% — Executes on button press in pushbutton4.
function pushbutton4_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton4 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
BpTrain();
msgbox(‘Finish Train’,‘提示’,‘modal’);
% — Executes on mouse press over figure background, over a disabled or
% — inactive control, or over an axes background.
function figure1_WindowButtonDownFcn(hObject, eventdata, handles)
% hObject handle to figure1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
%鼠标按下事件
global ButtonDown pos1;
if(strcmp(get(gcf,‘SelectionType’),‘normal’))%判断鼠标按下的类型，normal为左键
ButtonDown=1;
pos1=get(handles.axes1,‘CurrentPoint’);%获取坐标轴上鼠标的位置
end
function [] = BpTrain()
%UNTITLED5 Summary of this function goes here
% Detailed explanation goes here
clear all;
clc
ctime = datestr(now, 30);%取系统时间
tseed = str2num(ctime((end - 5) : end)) ;%将时间字符转换为数字
rand(‘seed’, tseed) ;%设置种子，若不设置种子则可取到伪随机数
load Data2; %数据有10类数据，每类20行25列，有4列是标签。共200*29
c = 0;
data = [];
for i = 1:10
for j = 1:20
c = c + 1;
data(c,:) = pattern(i).feature(j,:);
end
end
%=训练数据=
Data = data(1:20, 1:25);
Data = [ Data ; data(21:40, 1:25)];
Data = [ Data ; data(41:60, 1:25)];
Data = [ Data ; data(61:80, 1:25)];
Data = [ Data ; data(81:100, 1:25)];
Data = [ Data ; data(101:120, 1:25)];
Data = [ Data ; data(121:140, 1:25)];
Data = [ Data ; data(141:160, 1:25)];
Data = [ Data ; data(161:180, 1:25)];
Data = [ Data ; data(181:200, 1:25)];
%0标签
Data(1:20, 26) = 0;
Data(1:20, 27) = 0;
Data(1:20, 28) = 0;
Data(1:20, 29) = 0;
%1标签
Data(21:40, 26) = 0;
Data(21:40, 27) = 0;
Data(21:40, 28) = 0;
Data(21:40, 29) = 1;
Data(41:60, 26) = 0;
Data(41:60, 27) = 0;
Data(41:60, 28) = 1;
Data(41:60, 29) = 0;
Data(61:80, 26) = 0;
Data(61:80, 27) = 0;
Data(61:80, 28) = 1;
Data(61:80, 29) = 1;
Data(81:100, 26) = 0;
Data(81:100, 27) = 1;
Data(81:100, 28) = 0;
Data(81:100, 29) = 0;
Data(101:120, 26) = 0;
Data(101:120, 27) = 1;
Data(101:120, 28) = 0;
Data(101:120, 29) = 1;
Data(121:140, 26) = 0;
Data(121:140, 27) = 1;
Data(121:140, 28) = 1;
Data(121:140, 29) = 0;
Data(141:160, 26) = 0;
Data(141:160, 27) = 1;
Data(141:160, 28) = 1;
Data(141:160, 29) = 1;
Data(161:180, 26) = 1;
Data(161:180, 27) = 0;
Data(161:180, 28) = 0;
Data(161:180, 29) = 0;
Data(181:200, 26) = 1;
Data(181:200, 27) = 0;
Data(181:200, 28) = 0;
Data(181:200, 29) = 1;
DN = size(Data, 1);
%输入层结点数
S1N = 25;
%第二层结点数
S2N = 50;
%输出层结点数
S3N = 4;
%学习率
sk = 0.5;
%随机初始化各层的W和B
W2 = -1 + 2 .* rand(S2N, S1N);
B2 = -1 + 2 .* rand(S2N, 1);
W3 = -1 + 2 .* rand(S3N, S2N);
B3 = -1 + 2 .* rand(S3N, 1);
%数据样本下标
di = 1;
for i=1:50000
%第三层输出
n3 = W3 * a2 + B3;
a3 = Logsig(n3); %第三层传输函数为logsig%计算输出层误差
e = t - a3;
err = (e') * e;Fd3 = diag((1 - a3) .* a3);
S3 = -2 * Fd3 * e;Fd2 = diag((1 - a2) .* a2);
S2 = Fd2 * (W3') * S3;W3 = W3 - sk*S3*(a2'); %梯度下降步长
B3 = B3 - sk*S3;W2 = W2 - sk*S2*(a1');
B2 = B2 - sk*S2;
end
msgbox(num2str(err),‘输出层误差’,‘help’);
save(‘W2.mat’,‘W2’);
save(‘W3.mat’,‘W3’);
save(‘B2.mat’,‘B2’);
save(‘B3.mat’,‘B3’);
end
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]王锦.基于弹性BP算法的手写数字识别[J].新乡学院学报. 2021,38(06)
3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化
2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合
这篇关于【手写数字识别】基于matlab GUI BP神经网络手写数字识别【含Matlab源码 1118期】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
