AI-NN-PR

Development Platform:
Matlab

NN_tutorial.m：Code Content
							clear memory
clear all
clc
nump=3;  % number of classes
 
n=3;     % number of images per class
% training images reshaped into columns in P 
% image size (3x3) reshaped to (1x9)
% training images 
P=[196    35   234   232    59   244   243    57   226; ...
   188    15   236   244    44   228   251    48   230; ...    % class 1
   246    48   222   225    40   226   208    35   234; ...
   
   255   223   224   255     0   255   249   255   235; ...
   234   255   205   251     0   251   238   253   240; ...    % class 2
   232   255   231   247    38   246   190   236   250; ...
   
   25     53   224   255    15    25   249    55   235; ...
   24     25   205   251    10    25   238    53   240; ...    % class 3
   22     35   231   247    38    24   190    36   250]';
% testing images 
N=[208    16   235   255    44   229   236    34   247; ...
   245    21   213   254    55   252   215    51   249; ...    % class 1
   248    22   225   252    30   240   242    27   244; ...
   
   255   241   208   255    28   255   194   234   188; ...
   237   243   237   237    19   251   227   225   237; ...    % class 2
   224   251   215   245    31   222   233   255   254; ...
   
    25    21   208   255    28    25   194    34   188; ...
    27    23   237   237    19    21   227    25   237; ...    % class 3
    24    49   215   245    31    22   233    55   254]';
% Normalization
P=P/256;
N=N/256;
% display the training images 
figure(1),
for i=1:n*nump
    im=reshape(P(:,i), [3 3]);
    im=imresize(im,20);        % resize the image to make it clear
    subplot(nump,n,i),imshow(im);title(strcat('Train image/Class #', int2str(ceil(i/n))))
end
% display the testing images 
figure,
for i=1:n*nump
    im=reshape(N(:,i), [3 3]);
    im=imresize(im,20);        % resize the image to make it clear 
    subplot(nump,n,i),imshow(im);title(strcat('test image #', int2str(i)))
end
% targets
T=[  1  1   1   0   0   0   0   0   0
     0  0   0   1   1   1   0   0   0
     0  0   0   0   0   0   1   1   1 ];
S1=5;   % numbe of hidden layers
S2=3;   % number of output layers (= number of classes)
[R,Q]=size(P); 
epochs = 10000;      % number of iterations
goal_err = 10e-5;    % goal error
a=0.3;                        % define the range of random variables
b=-0.3;
W1=a + (b-a) *rand(S1,R);     % Weights between Input and Hidden Neurons
W2=a + (b-a) *rand(S2,S1);    % Weights between Hidden and Output Neurons
b1=a + (b-a) *rand(S1,1);     % Weights between Input and Hidden Neurons
b2=a + (b-a) *rand(S2,1);     % Weights between Hidden and Output Neurons
n1=W1*P;
A1=logsig(n1);
n2=W2*A1;
A2=logsig(n2);
e=A2-T;
error =0.5* mean(mean(e.*e));    
nntwarn off
for  itr =1:epochs
    if error <= goal_err 
        break
    else
         for i=1:Q
            df1=dlogsig(n1,A1(:,i));
            df2=dlogsig(n2,A2(:,i));
            s2 = -2*diag(df2) * e(:,i);			       
            s1 = diag(df1)* W2'* s2;
            W2 = W2-0.1*s2*A1(:,i)';
            b2 = b2-0.1*s2;
            W1 = W1-0.1*s1*P(:,i)';
            b1 = b1-0.1*s1;
            A1(:,i)=logsig(W1*P(:,i),b1);
            A2(:,i)=logsig(W2*A1(:,i),b2);
         end
            e = T - A2;
            error =0.5*mean(mean(e.*e));
            disp(sprintf('Iteration :%5d        mse :%12.6f%',itr,error));
            mse(itr)=error;
    end
end
threshold=0.9;   % threshold of the system (higher threshold = more accuracy)
% training images result
%TrnOutput=real(A2)
TrnOutput=real(A2>threshold)    
% applying test images to NN
n1=W1*N;
A1=logsig(n1);
n2=W2*A1;
A2test=logsig(n2);
% testing images result
%TstOutput=real(A2test)
TstOutput=real(A2test>threshold)
% recognition rate
wrong=size(find(TstOutput-T),1);
recognition_rate=100*(size(N,2)-wrong)/size(N,2)

						