基于BP網絡的字母識別

3.3.3 再次用理想樣本訓練
　　在網絡進行了上述的訓練以后，網絡對無誤差的信號可能也會采用對帶有噪聲信號的辦法。這樣做會付出較大的代價。因此，必須再次使用理想的樣本進行訓練。這樣就可以保證在輸入理想數字信號時，網絡能夠最好地對其做出反應。其訓練代碼如下：
　　netn.trainParam.goal=0.00001;
　　netn.trainParam.epochs=1000;
　　netn.trainParam.show=5;
　　[netn,tr]=train(netn,p,t);
　　訓練結果為：
　　TRAINLM, Epoch 0/1000, SSE 4.60127e-007/1e-005, Gradient 4.23932e-006/1e-010
　　TRAINLM, Performance goal met.
　　滿足要求。
3.4 對網絡進行仿真和測試
　　為了測試系統的可靠性，本文用了加入不同級別的噪聲的字母樣本作為輸入，來觀察用理想樣本和加噪樣本訓練出來的網絡的性能，并繪制出誤識率曲線，如圖5所示。

　　圖5其中虛線代表用無噪聲訓練網絡的出錯率，實線代表用有噪聲訓練網絡的出錯率。從圖5可以看出，在均值為0~0.05之間的噪聲環境下，兩個網絡都能夠準確地進行識別。當所加的噪聲均值超過0.05時，待識別字符在噪聲作用下不再接近于理想字符，無噪聲訓練網絡的出錯率急劇上升，此時有噪聲訓練網絡的性能較優。
3.5 測試實例
　　本文用一個含噪聲的字母F作為網絡輸入，并繪出含噪聲的字母F，其輸出語句為：
noisyF=alphabet(:,6)+randn(35,1)*0.2；plotchar(noisyF) ；
　　其結果如圖6所示。