简单的BP网络识别液晶中的数字实验这学期的人工神经网络课程已经进行完了

文章插图
这学期的人工神经网络课程已经进行完了第三章内容，关于经典网络重要的BP（误差反向传播网络）是所有学习人工神经网络最先接触到的一个实用网络。它的原理相对比较简单，在很多平台中都非常容易实现。
学习神经网络的基本原理之后，更重要的是能够通过一些应用场合来应用它，使他能够帮助自己解决一些实际的工程问题。
近期购买到的 LC100-A[1] 电感电容测量模块，用于测量一些实验中实验对象的电感、电容值随着其他一些物理变量（工作电压、距离、温度等）所产生变化规律。为了便于实验，需要能够将LC100-A测量数值自动记录。
文章插图
文章插图
【简单的BP网络识别液晶中的数字实验】<<< 左右滑动见更多 >>>
在开始的方式就是直接使用摄像头获取液晶显示数据，然后使用字符识别软件来完成其中数字的识别。
测试一下CNOCR识别效果。它对于屏幕截图中的文字识别效果还不错：
文章插图
▲ 屏幕截取的一段文字

识别时间：1.98 。 * 识别结果：

[['●', '更', '新', '了', '训', '练', '代', '码', ' ， ', '使', '用', 'm', 'x', 'n', 'e', 't', '的', 'r', 'e', 'c', 'o', 'r', 'd', 'i', 'o', '首', '先', '把', '数', '据', '转', '换', '成', '二', '进', '制', '格', '式', ' ， ', '提', '升', '后', '续', '的'], ['训', '练', '效', '率', ' 。 ', '训', '练', '时', '支', '持', '对', '图', '片', '做', '实', '时', '数', '据', '增', '强', ' 。 ', '也', '加', '入', '了', '更', '多', '可', '传', '入', '的', '参', '数', ' 。 '], ['●', '允', '许', '训', '练', '集', '中', '的', '文', '字', '数', '量', '不', '同', ' ， ', '目', '前', '是', '中', '文', '1', '0', '个', '字', ' ， ', '英', '文', '2', '0', '个', '字', '母', ' 。 '], [' 。 ', '提', '供', '了', '更', '多', '的', '模', '型', '选', '择', ' ， ', '允', '许', '大', '家', '按', '需', '训', '练', '多', '种', '不', '同', '大', '小', '的', '识', '别', '模', '型', ' 。 '], ['●', ' ', '内', '置', '了', '各', '种', '训', '练', '好', '的', '模', '型', ' ， ', '最', '小', '的', '模', '型', '只', '有', '之', '前', '模', '型', '的', '1', '/', '5', '大', '小', ' 。 ', '所', '有', '模', '型', '都', '可', '免', '费'], ['使', '用', ' 。 ']]
那么对于前面液晶屏幕识别效果呢：

文章插图
▲ 只是数字部分
识别结果： [['.', ' 。 ', '与', 'F', '早', 'H']]
好像驴唇不对马嘴。
这主要原因还是原来网络没有针对上述液晶实现数字进行训练过。由于液晶显示图片质量非常好，实际上只需要最简单的BP网络就可以达到很好的效果。
下面给出在MATLAB中构建网络并进行实验的过程。