昆明理工大学人工智能大报告-手写数字识别

昆明理工大学信息工程与自动化学院学生实验报告〔2014—2015学年第1学期〕课程名称：人工智能 开课实验室：信自楼504 2014年12月30日年级、专业、班学号姓名成绩实验工程名称手写数字的识别指导教师王剑教师评语该同学是否了解实验原理： □ □ □该同学的实验能力： A.强□ B.中等□ C.差□该同学的实验是否到达要求： □ □ □实验报告是否标准： □ □ □实验过程是否详细记录： □ B.一般□ C.没有□教师签名：年月日一、上机目的及内容1.上机内容：利用基于类中心的欧式距离分类器和基于概率统计的贝叶斯分类器的手写数字识别2.上机目的：掌握模式识别的几种方法二、实验原理及根本技术路线图〔方框原理图或程序流程图〕、步骤模式识别有四个根本步骤： ①训练数据获取预处理 ②特征提取、选择 ③分类器设计 ④使用分类器进行分类第一步中我们通过将数字图像被分成n行n列格子，一般去5行5列，共5*5个特征X:(x1,x2,x3,……x25)共有9个数字，因此X有9类然后统计每个格子中黑色像素的个数，除以该格子中所有的像素数目，即得一个特征每个样本都有25个特征，看你有多少个样本，就得到多少列25行的特征矩阵，比方我有5个样本，我就能得到5列25行的特征矩阵下面进行分类器的设计：基于类中心的欧式距离分类器 有M个类，每个类有个样品 类表示 对任意待识别〔分类〕样品 计算 其中为第i类的中心，比拟x到各类中心的距离，假设满足，j=1,2,…,Mi≠j，那么下面通过简单的坐标图表示了欧式距离的具体内容：基于概率统计的Bayes分类器：数据表示：对5*5样本的每个格子，计算T=黑色像素总数量/每个格子像素总数量；假设T大于阈值0.05，那么特征值取1，否那么取0。我们假设h表示猜想的概率，D表示实际数据的概率，那么 其中表示先验概率，代表似然概率 然后用Bayes公式求后验概率，后验概率最大值的类别就是手写数字的所属类别。三、所用仪器、材料〔设备名称、型号、规格等或使用软件〕，1台PC及MATLAB软件四、实验方法〔或：程序代码或操作过程〕手写数字特征的数据：%%创立训练样本库clearall;clc; %清屏loadtemplet;%A被分成5*5=25个cell%注意A的size〔长和宽都需被定义成5的倍数，因为后面要被5除〕A=imread(‘8_1.bmp’);%读取手写数字的灰度图Figure(1),imshow(A) %显示B=zeros(1,25); %创立1列25行的数组[rowcol]=size(A); cellRow=row/5 %除以5得到25分之1的小格子cellCol=col/5 基于类中心的欧式距离分类器：functiony=euclid(sample);clc; %清屏loadtempletpattern; %下载手写数字的特征d=0;p=[];%各类别代表点dmin=[inf,0];%calculatethecenterpointofeachclass计算各类别中心点fori=1:9temp=mean(pattern(i).feature');%将图片转成灰度图p(:,i)=temp';endfori=1:9d=(sample-p(:,i))'*(sample-p(:,i))ifdmin(1)>ddmin(1)=d;dmin(2)=i;endendy=dmin(2);基于概率统计的Bayes分类器：functiony=bayesBinary(sample);clc; %清屏loadtempletpattern; %下载手写数字的特征矩阵sum=0; %初始化sumprior=[];% %先验概率p=[]; %各类别代表点likelihood=[]; %似然概率P=[];%calculatepriorpropability计算先验概率fori=1:9sum=sum+pattern(i).num;endfori=1:9prior(i)=pattern(i).num/sum;end%calculatelikelihoodpropability计算似然概率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; %将似然概率赋值给sumend%calculatebayespropability计算贝叶斯概率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、运行截图欧式距离分类器：贝叶斯分类器：六、实验总结 这个试验用了2个方法来实现手写数字的识别，一个是基于类中心的欧式距离分类器，还有一个是基于概率的贝叶斯分类器。欧式距离是通过选取某一类样本x，计算x的类中心，再计算待测试样品x与训练集里每个类中心的距离，找出距离待测试样品最近的类别，该类别就是待测试样品的类别；贝叶斯是通过计算先验概率，然后用Bayes公式求后验概率，后验概率最大值的类别就是手写数字的所属类别。 手写数字在现在的生活中越来越常用了，所以一个好的识别