【正文】 % Executes on button press in reset. function reset_Callback(hObject, eventdata, handles) % 清除所有已存儲(chǔ)數(shù)據(jù). % hObject handle to reset (see GCBO) % eventdata reserved to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) for n=1 : length() % 清除 Learned Pattern 欄delete((n))。 % Update handles structureguidata(hObject, handles)。39。 % 權(quán)值矩陣 = []。))。N = str2num(get(,39。 自定義的數(shù)據(jù)結(jié)構(gòu) 自定義的數(shù)據(jù)結(jié)構(gòu)在窗體建立函數(shù)中聲明，并添加進(jìn) GUI 的句柄（Handles）中，從而可全局共享。每個(gè)按鈕的功能都以函數(shù)的方式實(shí)現(xiàn)，另外還有相應(yīng)的輔助函數(shù)用于運(yùn)算的需要。圖 56 展示了對(duì)含噪聲的 文件的恢復(fù)，圖 57 展示了對(duì) 文件片段（即 文件）的恢復(fù)。如圖 55 所示。已學(xué)習(xí)的圖樣會(huì)在“Learned Pattern”欄中顯示，如圖 54 所示，有兩幅圖像已被學(xué)習(xí)。通過繪圖區(qū)的坐標(biāo)軸，可知該圖片的尺寸是 128 x 128。最多存儲(chǔ) 9 幅圖片。通過坐標(biāo)軸可查看圖像大小。由于較大的分辨率會(huì)導(dǎo)致運(yùn)算時(shí)間大大增加，而且內(nèi)存占用也會(huì)增大，所以，就演示而言，分辨率設(shè)為 32（默認(rèn)值）即可?！癙ixels”輸入框：分辨率。若“Learned Pattern”欄中沒有存儲(chǔ)圖片，則會(huì)彈出出錯(cuò)警告。為繪圖區(qū)的圖像添加噪聲，噪聲強(qiáng)度可通過滑塊調(diào)整，噪點(diǎn)數(shù)目通過噪聲強(qiáng)度換算后隨機(jī)產(chǎn)生。已訓(xùn)練好的圖片樣式會(huì)顯示在“Learned Pattern”欄中，最多能存儲(chǔ) 9 幅圖片。注意：(1) 圖片的會(huì)轉(zhuǎn)換為單灰度級(jí)圖像；(3) 若載入多幅圖像，則所有圖像的文件名長度必須相等。通過文件瀏覽窗口選擇需要載入的圖片，所支持的、.jpg、.tiff 等。圖 51 軟件界面“Reset Network”按鈕：將程序恢復(fù)至初始狀態(tài)，清除所有已存儲(chǔ)的數(shù)據(jù)。本程序采用 GUI（Graphic User Interface，圖形用戶界面）編程，用戶接口友好、直觀，只需點(diǎn)擊相關(guān)按鈕即可實(shí)現(xiàn)相應(yīng)的功能。 7 基于 Hopfield 網(wǎng)絡(luò)的圖像識(shí)別五、程序運(yùn)行說明及演示 導(dǎo)入工程 解 壓 文 件 ； 打 開 MATLAB ， 將 文 件 路 徑 指 向 文 件 夾Image_Hopfield。噪點(diǎn)是根據(jù)噪聲強(qiáng)度隨機(jī)加入的，一般說來，當(dāng)噪聲強(qiáng)度低于 85%時(shí)，網(wǎng)絡(luò)具有較好的識(shí)別功能。一般說來，分辨率越低，運(yùn)行速度越快，而識(shí)別能力越低；反之則運(yùn)行速度越慢，識(shí)別能力越高，而且分辨率過高有可能會(huì)導(dǎo)致內(nèi)存溢出。本程序已集成圖像格式轉(zhuǎn)換的功能，可以針對(duì)使用者所設(shè)定的分辨率對(duì)圖像進(jìn)行調(diào)整，無需額外的人工操作（只要確保圖像是方形的就可以了）。同時(shí)，程序可以直接顯示出目前已訓(xùn)練的圖像和待恢復(fù)的圖像，并能夠直觀地看到正在處理的圖像信息，使得程序的使用更為便捷。 GUI界面友好 本程序借助 MATLAB 自帶的 GUI 模塊功能，使得程序更易操作。]=TX t( ) (x1(t), x2(t),L, xn(t))= ?T? ++?T( )( 1))E tYesX t WX tE1E0 No結(jié)束X t X t圖 32 Hopfield 網(wǎng)絡(luò)算法流程圖 6 基于 Hopfield 網(wǎng)絡(luò)的圖像識(shí)別四、程序的特點(diǎn)及創(chuàng)新點(diǎn) 圖像識(shí)別功能 本程序從原有的模糊數(shù)字識(shí)別的層次提升到了圖像識(shí)別的階段，極大地?cái)U(kuò)展了Hopfield 神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用范圍。權(quán)值矩陣清零載入圖像（Load Image）圖像合法性檢查圖像格式轉(zhuǎn)換生成相應(yīng)的圖像矩陣訓(xùn)練 Hopfield 網(wǎng)絡(luò)（Train Network）修改權(quán)值矩陣為圖像添加噪聲（Add Noise）或載入圖像片段將缺陷圖像的矩陣與權(quán)值矩陣作用得到恢復(fù)圖像矩陣比較恢復(fù)圖像矩陣和已記憶圖像矩陣的 2范數(shù)找出與恢復(fù)圖像最為匹配的原圖像計(jì)算恢復(fù)圖像與原圖像的差異矩陣顯示恢復(fù)后的圖像圖 31 程序流程圖 5 程序復(fù)位（Reset Network）修改分辨率調(diào)整噪聲強(qiáng)度基于 Hopfield 網(wǎng)絡(luò)的圖像識(shí)別 Hopfield網(wǎng)絡(luò)算法流程圖 Hopfield 網(wǎng)絡(luò)的訓(xùn)練及識(shí)別的算法流程如圖 32 所示。 =13X (t)WX t+ ? E t13( 1)(130)E E t( 1)( )對(duì)于 DHNN 模型結(jié)構(gòu)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖 21 所示。T(5) ( ) ( ( ),, ( ))= ?T1?n232。 = f 243。,1232。X t =…… x tx tT(2) ( ) ( ( ),, ( ))232。對(duì)于同步方式，可構(gòu)造能量函數(shù)：= ?T? ++?T 232。i=…… n.54i109( 1)109(13=j 154ij j109( )54i109), 1, 2,109,(4) 需對(duì)該神經(jīng)網(wǎng)絡(luò)進(jìn)行穩(wěn)定性分析。95v t + =95w s t??j1i=1ji ij???()?81181v t +1≥810()?()?109j40s t + =v t + = ??j1 sgn ?j1 ??()40+ ???40140v t40140081j(3) 該網(wǎng)絡(luò)有兩種工作方式，在本課題中，采用同步方式，每次所有神經(jīng)元同時(shí)改變狀態(tài)。(1) 激活函數(shù) f (?)是一個(gè)二值型的硬函數(shù)，a =sgn ( n ) , i = 1, 2,40…… r 。當(dāng) Hopfield 網(wǎng)絡(luò)對(duì)圖像處理完畢后，程序再為輸出的圖像植入灰度信息，從而可直觀地顯示。將圖像各個(gè)像素點(diǎn)的信息先轉(zhuǎn)化為單灰度，再將圖像的灰度值進(jìn)行歸一化，最后將歸一化后的灰度級(jí)進(jìn)行二值化。基于程序?qū)崿F(xiàn)的局限性，雖然本文不限制圖像的大小，但規(guī)定必須為方形，即圖像的長、寬像素點(diǎn)個(gè)數(shù)相同。過大的像素分辨率會(huì)導(dǎo)致圖像矩陣和權(quán)值矩陣增大，進(jìn)而影響網(wǎng)絡(luò)的運(yùn)行速度。解決的思路是在圖像輸入到 Hopfield 網(wǎng)絡(luò)前，先進(jìn)行以下兩方面的圖像轉(zhuǎn)換處理。這樣，將使得運(yùn)算規(guī)模呈幾何級(jí)數(shù)增長，降低網(wǎng)絡(luò)的可靠性以及可實(shí)現(xiàn)性。對(duì)于數(shù)字卡片來說，所需要存儲(chǔ)的僅為各個(gè)點(diǎn)的開關(guān)信息，即二進(jìn)制信息。所以 n 值過大必然導(dǎo)致Hopfield 網(wǎng)絡(luò)所需要處理的數(shù)據(jù)量顯著增大，大大降低網(wǎng)絡(luò)的運(yùn)行速度和結(jié)果的準(zhǔn)確性。 1 基于 Hopfield 網(wǎng)絡(luò)的圖像識(shí)別(a) 圖像出現(xiàn)殘缺(b) 圖像存在噪聲 題目分析 難點(diǎn)簡(jiǎn)述圖 13 含缺陷的 BMP 圖像應(yīng)用離散型 Hopfield 人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和還原多幅 nn像素點(diǎn)的位圖，從 44數(shù)字卡片擴(kuò)展為 nn像素點(diǎn)的圖像信息，從像素點(diǎn)的二進(jìn)制數(shù)據(jù)升級(jí)為多級(jí)灰度值，主要存在如下技術(shù)難點(diǎn)：第一，分辨率不能過高。進(jìn)一步地，在完成單幅圖像的訓(xùn)練與識(shí)別的基礎(chǔ)上，將程序擴(kuò)展多幅圖像的訓(xùn)練與識(shí)別。(a)(b)(c)(d)圖 11 44 數(shù)字卡片本文在上述問題的基礎(chǔ)上，對(duì)問題進(jìn)行擴(kuò)展。關(guān)鍵字：Hopfield 圖像識(shí)別一、題目及分析 題目要求 Matlab GUI 界面如圖 11 是一個(gè) 44的數(shù)字卡片，離散型 Hopfield 神經(jīng)網(wǎng)絡(luò)（Discrete Hopfield Neural Networks，DHNN）通過訓(xùn)練后，可識(shí)別含有缺陷的數(shù)字卡片。本文采用對(duì)圖像分辨率進(jìn)行調(diào)整和灰度值二值化的方法進(jìn)行數(shù)據(jù)訓(xùn)練和還原，顯著提高了神經(jīng)網(wǎng)絡(luò)的運(yùn)行速度。人工神經(jīng)網(wǎng)絡(luò)原理與應(yīng)用課程大作業(yè)題 目