昆明理工大學(xué)人工智能大報告-手寫數(shù)字識別

昆明理工大學(xué)信息工程與自動化學(xué)院學(xué)生實驗報告〔2014—2015學(xué)年第1學(xué)期〕課程名稱：人工智能 開課實驗室：信自樓504 2014年12月30日年級、專業(yè)、班學(xué)號姓名成績實驗工程名稱手寫數(shù)字的識別指導(dǎo)教師王劍教師評語該同學(xué)是否了解實驗原理： □ □ □該同學(xué)的實驗?zāi)芰Γ? A.強□ B.中等□ C.差□該同學(xué)的實驗是否到達要求： □ □ □實驗報告是否標(biāo)準(zhǔn)： □ □ □實驗過程是否詳細記錄： □ B.一般□ C.沒有□教師簽名：年月日一、上機目的及內(nèi)容1.上機內(nèi)容：利用基于類中心的歐式距離分類器和基于概率統(tǒng)計的貝葉斯分類器的手寫數(shù)字識別2.上機目的：掌握模式識別的幾種方法二、實驗原理及根本技術(shù)路線圖〔方框原理圖或程序流程圖〕、步驟模式識別有四個根本步驟： ①訓(xùn)練數(shù)據(jù)獲取預(yù)處理 ②特征提取、選擇 ③分類器設(shè)計 ④使用分類器進行分類第一步中我們通過將數(shù)字圖像被分成n行n列格子，一般去5行5列，共5*5個特征X:(x1,x2,x3,……x25)共有9個數(shù)字，因此X有9類然后統(tǒng)計每個格子中黑色像素的個數(shù)，除以該格子中所有的像素數(shù)目，即得一個特征每個樣本都有25個特征，看你有多少個樣本，就得到多少列25行的特征矩陣，比方我有5個樣本，我就能得到5列25行的特征矩陣下面進行分類器的設(shè)計：基于類中心的歐式距離分類器 有M個類，每個類有個樣品 類表示 對任意待識別〔分類〕樣品 計算 其中為第i類的中心，比擬x到各類中心的距離，假設(shè)滿足，j=1,2,…,Mi≠j，那么下面通過簡單的坐標(biāo)圖表示了歐式距離的具體內(nèi)容：基于概率統(tǒng)計的Bayes分類器：數(shù)據(jù)表示：對5*5樣本的每個格子，計算T=黑色像素總數(shù)量/每個格子像素總數(shù)量；假設(shè)T大于閾值0.05，那么特征值取1，否那么取0。我們假設(shè)h表示猜想的概率，D表示實際數(shù)據(jù)的概率，那么 其中表示先驗概率，代表似然概率 然后用Bayes公式求后驗概率，后驗概率最大值的類別就是手寫數(shù)字的所屬類別。三、所用儀器、材料〔設(shè)備名稱、型號、規(guī)格等或使用軟件〕，1臺PC及MATLAB軟件四、實驗方法〔或：程序代碼或操作過程〕手寫數(shù)字特征的數(shù)據(jù)：%%創(chuàng)立訓(xùn)練樣本庫clearall;clc; %清屏loadtemplet;%A被分成5*5=25個cell%注意A的size〔長和寬都需被定義成5的倍數(shù)，因為后面要被5除〕A=imread(‘8_1.bmp’);%讀取手寫數(shù)字的灰度圖Figure(1),imshow(A) %顯示B=zeros(1,25); %創(chuàng)立1列25行的數(shù)組[rowcol]=size(A); cellRow=row/5 %除以5得到25分之1的小格子cellCol=col/5 基于類中心的歐式距離分類器：functiony=euclid(sample);clc; %清屏loadtempletpattern; %下載手寫數(shù)字的特征d=0;p=[];%各類別代表點dmin=[inf,0];%calculatethecenterpointofeachclass計算各類別中心點fori=1:9temp=mean(pattern(i).feature');%將圖片轉(zhuǎn)成灰度圖p(:,i)=temp';endfori=1:9d=(sample-p(:,i))'*(sample-p(:,i))ifdmin(1)>ddmin(1)=d;dmin(2)=i;endendy=dmin(2);基于概率統(tǒng)計的Bayes分類器：functiony=bayesBinary(sample);clc; %清屏loadtempletpattern; %下載手寫數(shù)字的特征矩陣sum=0; %初始化sumprior=[];% %先驗概率p=[]; %各類別代表點likelihood=[]; %似然概率P=[];%calculatepriorpropability計算先驗概率fori=1:9sum=sum+pattern(i).num;endfori=1:9prior(i)=pattern(i).num/sum;end%calculatelikelihoodpropability計算似然概率fori=1:9forj=1:25sum=0;fork=1:pattern(i).numif(pattern(i).feature(j,k)>0.05)sum=sum+1;endendp(j,i)=(sum+1)/(pattern(i).num+2);endendfori=1:9sum=1;forj=1:25if(sample(j)>0.05)sum=sum*p(j,i);elsesum=sum*(1-p(j,i));endendlikelihood(i)=sum; %將似然概率賦值給sumend%calculatebayespropability計算貝葉斯概率sum=0;fori=1:9sum=sum+prior(i)*likelihood(i);endfori=1:9P(i)=prior(i)*likelihood(i)/sum;end[maxvalmaxpos]=max(P);y=maxpos;五、運行截圖歐式距離分類器：貝葉斯分類器：六、實驗總結(jié) 這個試驗用了2個方法來實現(xiàn)手寫數(shù)字的識別，一個是基于類中心的歐式距離分類器，還有一個是基于概率的貝葉斯分類器。歐式距離是通過選取某一類樣本x，計算x的類中心，再計算待測試樣品x與訓(xùn)練集里每個類中心的距離，找出距離待測試樣品最近的類別，該類別就是待測試樣品的類別；貝葉斯是通過計算先驗概率，然后用Bayes公式求后驗概率，后驗概率最大值的類別就是手寫數(shù)字的所屬類別。 手寫數(shù)字在現(xiàn)在的生活中越來越常用了，所以一個好的識別