与MATLAB中的神经网络混淆

Question

我正在使用神经网络进行字符识别（以及后来的指纹识别）。我对事件的顺序感到困惑。我正在用26个字母训练网络。后来我会增加这26个干净的信件和26个嘈杂的信件。如果我想识别一个字母说“A”，那么做到这一点的正确方法是什么？这是我现在正在做的事情。

1）使用26x100矩阵训练网络;每行包含一个来自bmp（10x10）分段的字母。 2）但是，对于测试目标，我使用“A”的输入矩阵。我在第一行之后有25行零，以便我的输入矩阵与我的目标矩阵具有相同的大小。 3）我运行perform（net，testTargets，输出），其中输出是来自26x100矩阵训练的网络的输出。 testTargets是“A”的矩阵。

虽然这似乎不正确。训练是否单独承认任何角色？我想要发生的事情如下。

1）为我选择的图像文件（在将图像处理为逻辑数组后）训练网络。

2）使用此训练网络识别不同图像文件中的字母。

因此，训练网络以识别A到Z.然后选择图像，运行网络以查看从所选图像中识别出哪些字母。

Answer 1

好的，所以似乎这里的问题似乎更符合“我如何神经网络”的概念，我可以概述这里的基本过程，试图巩固您的想法，但实际上，实施它你去你自己。我个人认为专有语言（MATLAB）是一种令人憎恶的东西，但我总是欣赏知识分子的热情。

神经网络的基本概念是，你有一系列层次的权重连接它们的节点（取决于你想做什么，你可以将每个节点连接到上面和下面的层，或连接每个节点或其中的任何地方）。每个节点都有一个“工作函数”或概率函数，表示给定节点或神经元将评估为“开”或1的机会。一般工作流程始于任何顶层神经元/节点把它们初始化为你的数据值（在你的情况下，你可能会开始每个这些关闭，因为图像中的像素值，归一化为二进制将是最简单的）。这些节点中的每一个然后将乘以一个权重并向下反馈给第二层，根据总和（几何或算术和，取决于您的实现）将被视为“隐藏层”，这将与工作函数来确定隐藏层的状态。

最后一点是有点理论性，很难遵循，所以这里是一个例子。假设你的第一行有三个节点([1,0,1])，并且将这三个节点连接到第二层的第一个节点的权重类似于([0.5, 2.0, 0.6])。如果你正在做的算术和这意味着，如果您使用的是逻辑功能的功函数（一个非常普遍的在你的“隐藏层”的第一个节点上的权重将

1*0.5 + 0*2.0 + 1*0.6 = 1.1

选择，虽然tanh也很常见），这会使该节点评估的机会约为75％。

您可能希望最终图层有26个节点，每个字母一个，但可以添加更多隐藏层以改善模型。你会假设你的模型预测的字母将是最大权重标题中的最后一个节点。

在你开始运行之后，你想要训练它，因为你可能只是随机播种你的权重，感。这里有很多不同的方法，但我通常会概述反向传播，这是一种非常常见的训练神经网络的方法。这个想法本质上是，因为你知道图像应该被识别哪个字符，所以你将结果与你的模型实际预测的结果进行比较。如果你的模型准确地预测了角色你很好，你可以保持原样，因为它工作。如果你预测了一个不正确的字符，你想通过你的神经网络返回，并增加从你送入的像素节点到应该被预测的字符的结尾节点的权值。您还应该减少导致不正确返回的字符的权重。

希望有帮助，让我知道你是否还有其他问题。