基于MATLAB的BP神经网络手写数字识别

一、系统设计

复制代码

% 主程序流程
1. 数据加载与预处理
2. BP神经网络模型构建
3. 网络训练与参数优化
4. 测试集验证与性能评估
5. GUI交互界面开发

二、核心代码实现

1. 数据预处理（MNIST数据集）

matlab 复制代码

%% 加载MNIST数据集
load('mnist.mat'); % 包含train_images, train_labels, test_images, test_labels

% 数据归一化（0-1范围）
train_data = double(train_images)/255;
test_data = double(test_images)/255;

% 标签one-hot编码
train_labels = ind2vec(train_labels' + 1);
test_labels = ind2vec(test_labels' + 1);

% 数据集划分（80%训练，20%验证）
cv = cvpartition(size(train_data,2),'HoldOut',0.2);
val_data = train_data(:,cv.test);
val_labels = train_labels(:,cv.test);
train_data = train_data(:,cv.training);
train_labels = train_labels(:,cv.training);

2. BP神经网络模型构建

matlab 复制代码

%% 网络参数设置
input_neurons = 784;  % 输入层（28x28）
hidden_neurons = 128; % 隐藏层
output_neurons = 10;  % 输出层（0-9）

%% 创建网络结构
net = patternnet(hidden_neurons);

% 设置训练参数
net.trainParam.epochs = 500;        % 最大迭代次数
net.trainParam.lr = 0.01;           % 学习率
net.trainParam.goal = 1e-5;         % 目标误差
net.trainParam.showWindow = false;  % 关闭训练窗口

% 自适应学习率调整
net.trainParam.lr_inc = 1.05;       % 误差下降时增加学习率
net.trainParam.lr_dec = 0.7;        % 误差上升时减少学习率

% 激活函数配置
net.layers{1}.transferFcn = 'logsig'; % 隐藏层Sigmoid
net.layers{2}.transferFcn = 'softmax';% 输出层Softmax

3. 网络训练与优化

matlab 复制代码

%% 交叉验证优化
k = 5; % 5折交叉验证
best_acc = 0;
best_hidden = 0;

for hidden = [64,128,256]
    cv = cvpartition(size(train_data,2),'KFold',k);
    acc = zeros(k,1);
    
    for i = 1:k
        % 划分训练/验证集
        trainIdx = cv.training(i);
        valIdx = cv.test(i);
        
        % 训练网络
        net = train(net, train_data(:,trainIdx), train_labels(:,trainIdx));
        
        % 验证准确率
        outputs = net(val_data(:,valIdx));
        [~,pred] = max(outputs);
        acc(i) = mean(pred == find(train_labels(:,valIdx)));
    end
    
    % 更新最佳参数
    mean_acc = mean(acc);
    if mean_acc > best_acc
        best_acc = mean_acc;
        best_hidden = hidden;
    end
end

% 使用最佳参数重新训练
net = patternnet(best_hidden);
net = train(net, train_data, train_labels);

4. 测试与评估

matlab 复制代码

%% 测试集预测
outputs = net(test_data);
[~,pred] = max(outputs);
[~,true] = max(test_labels);

%% 性能指标计算
accuracy = mean(pred == true);
confusion = confusionmat(true, pred);
class_acc = diag(confusion)/sum(confusion,2);

%% 可视化结果
figure;
subplot(2,1,1);
bar(class_acc*100);
title('分类准确率(%)');
xlabel('数字类别');
ylabel('准确率');
ylim([80 100]);

subplot(2,1,2);
confusionchart(true, pred);
title('混淆矩阵');

三、GUI界面开发

matlab 复制代码

%% 创建交互界面
function digit_recognition_gui
    f = uifigure('Name','手写数字识别系统','Position',[100,100,800,600]);
    
    % 输入区域
    ax_input = uiaxes(f,'Position',[0.1,0.3,0.4,0.6]);
    title(ax_input,'手写数字区域');
    img = zeros(28,28);
    imgPlot = imagesc(ax_input,img,'k');
    colormap(ax_input,gray);
    
    % 控制按钮
    btn_clear = uibutton(f,'Text','清除','Position',[600,450,100,30],...
        'ButtonPushedFcn',@(btn,event) clearCanvas(img,imgPlot));
    btn_recognize = uibutton(f,'Text','识别','Position',[600,400,100,30],...
        'ButtonPushedFcn',@(btn,event) recognizeDigit(img,net));
    btn_exit = uibutton(f,'Text','退出','Position',[600,350,100,30],...
        'ButtonPushedFcn',@(btn,event) delete(f));
    
    % 结果显示
    uilabel(f,'Text','识别结果:','Position',[600,300,150,22],...
        'FontSize',14,'FontWeight','bold');
    resultLabel = uilabel(f,'Text','','Position',[600,270,150,22],...
        'FontSize',16,'FontColor',[0,0.5,0]);
    
    %% 回调函数
    function clearCanvas(img,imgPlot)
        img(:,:) = 0;
        refresh(imgPlot);
        resultLabel.Text = '';
    end

    function recognizeDigit(img,net)
        % 图像预处理
        img = imresize(img, [28,28]);
        img = double(img > 0.5); % 二值化
        input = img(:)';
        
        % 网络预测
        output = net(input);
        [~,idx] = max(output);
        resultLabel.Text = sprintf('识别结果: %d (%.1f%%)', idx-1, max(output)*100);
    end
end

四、应用扩展

实时手写识别 集成到移动端APP（通过MATLAB Compiler）支持触摸屏输入和实时反馈
多语言扩展 添加汉字识别模块（需扩展数据集至3755个字符）
异常检测 基于重构误差的异常书写检测（使用Autoencoder）

五、参考

LeCun Y, Cortes C, Burges C J. MNIST handwritten digit database[R]. AT&T Labs, 2010.
代码基于matlab利用BP神经网络开发的手写数字识别 www.youwenfan.com/contentcsn/79993.html
MathWorks. Deep Learning Toolbox User's Guide, 2023.
刘建伟, 刘媛. 基于BP神经网络的数字识别系统设计[J]. 计算机应用研究, 2018.