一、理论基础

GRNN通常被用来进行函数逼近。它具有一个径向基隐含层和一个特殊的线性层。第一层和第二层的神经元数目都与输入的样本向量对的数目相等。GRNN结构如图1所示，整个网络包括四层神经元：输入层、模式层、求和层与输出层。

输入层的神经元数目与学习样本中输入向量的维数m相等，每个神经元都是一个简单的分布单元，这些神经元直接将输入变量传递到隐含层中。模式层的神经元数目即为学习样本的数目n，每个神经元都分别对应一个不同的学习样本，模式层中第i个神经元的传递函数为：

由此可以看出，当选择出学习样本之后，GRNN网络的结构与权值都是完全确定的，因而训练GRNN网络要比训练BP网络和RBF网络便捷得多。

二、核心MATLAB程序

clc;
clear;
close all;
warning off;
addpath 'func\'%神经网络训练
net = func_grnn_train();for ii = 1:22word1=imresize(tmps{1},[40 20]);
word2=imresize(tmps{2},[40 20]);
word3=imresize(tmps{3},[40 20]);
word4=imresize(tmps{4},[40 20]);
word5=imresize(tmps{5},[40 20]);
word6=imresize(tmps{6},[40 20]);
word7=imresize(tmps{7},[40 20]);%第1个
words   = word1;
wordss  = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I]   = max(wordsss);
d       = I;
y{1}    = func_check(d);%第2个
words   = word2;
wordss  = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I]   = max(wordsss);
d       = I;
y{2}    = func_check(d);
%第3个
words   = word3;
wordss  = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I]   = max(wordsss);
d       = I;
y{3}    = func_check(d);
%第4个
words   = word4;
wordss  = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I]   = max(wordsss);
d       = I;
y{4}    = func_check(d);
%第5个
words   = word5;
wordss  = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I]   = max(wordsss);
d       = I;
y{5}    = func_check(d);
%第6个
words   = word6;
wordss  = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I]   = max(wordsss);
d       = I;
y{6}    = func_check(d);
%第7个
words   = word7;
wordss  = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I]   = max(wordsss);
d       = I;
y{7}    = func_check(d);figure(1);
subplot(241);imshow(word1);title(num2str(y{1}));
subplot(242);imshow(word2);title(num2str(y{2}));
subplot(243);imshow(word3);title(num2str(y{3}));
subplot(244);imshow(word4);title(num2str(y{4}));
subplot(245);imshow(word5);title(num2str(y{5}));
subplot(246);imshow(word6);title(num2str(y{6}));
subplot(247);imshow(word7);title(num2str(y{7}));pause(2);end

NAME = ['车牌图片test\',num2str(ii),'.jpg'];
I =imread(NAME);
figure(1);
subplot(121);
imshow(I);
title('原图');
I1=rgb2gray(I);
subplot(122);
imshow(I1);
title('灰度图');
%小波变换车牌定位
Ip    = func_position(I,I1,1.2,80);
figure(2);
subplot(131);
imshow(Ip);
title('车牌区域');
%通过心态学处理，提取车牌区域
Ip    = double(bwareaopen(Ip,100));
%膨胀
se    = strel('ball',100,50);
Ip2   = imdilate(Ip,se);
%确定灰度阈值
level = graythresh(uint8(Ip2));
Ip3   = Ip2;
%二值化
[R,C] = size(Ip2);
for i = 1:Rfor j = 1:Cif Ip2(i,j)>255*levelIp3(i,j) = 1;elseIp3(i,j) = 0; endend
end
subplot(132);
imshow(Ip3);
title('去掉干扰');
Ipos = func_Pai_Position(I,Ip3);
subplot(133);
imshow(Ipos);
title('车牌提取');
pause(0.05);

三、MATLAB仿真测试结果

A10-50

基于GRNN广义回归神经网络的车牌字符分割和识别matlab仿真相关推荐

基于GRNN广义回归神经网络的飞机引擎剩余使用周期预测算法的研究
目录一.理论基础 1.1数据分析 1.2特征提取 1.3GRNN 二.核心程序三.仿真测试结果作者ID :fpga和matlab CSDN主页:https://blog.csdn.net/ccs ...
【姿态识别】基于HOG特征提取和GRNN广义回归神经网络的人体姿态识别matlab仿真
1.软件版本 matlab2013b 2.本算法理论知识 GRNN广义回归神经网络的理论基础是非线性核回归分析,非独立变量y相对于独立变量x的回归分析实际上是计算具有最大概率值的y.设随机变量x和y的 ...
RBF神经网络、GRNN广义回归神经网络、PNN概率神经网络
RBF神经网络介绍 RBF神经网络能够逼近任意的非线性函数 RBF可以处理系统内部难以解析的规律性,具有良好的泛化能力,并有很快的学习收敛速度,已成功应用于非线性函数逼近.时间序列分析.数据分类.模式 ...
m基于GA遗传优化的GRNN广义回归神经网络销售数据预测算法matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述随着市场经济的发展和全球化,国内外企业面临着越来越残酷的市场竞争,要想赢得竞争,赢得市场,从事商品销 ...
神经网络学习笔记（二）GRNN广义回归神经网络
广义回归神经网络(GRNN) 广义回归神经网络是径向基神经网络的一种,GRNN具有很强的非线性映射能力和学习速度,比RBF具有更强的优势,网络最后普收敛于样本量集聚较多的优化回归,样本数据少时,预测效 ...
GRNN广义回归神经网络
广义回归神经网络(GRNN) 广义回归神经网络是径向基神经网络的一种,GRNN具有很强的非线性映射能力和学习速度,比RBF具有更强的优势,网络最后普收敛于样本量集聚较多的优化回归,样本数据少时,预测效 ...
python圈出车牌字符_Python+OpenCV实现车牌字符分割和识别
最近做一个车牌识别项目,入门级别的,十分简单. 车牌识别总体分成两个大的步骤: 一.车牌定位:从照片中圈出车牌二.车牌字符识别这里只说第二个步骤,字符识别包括两个步骤: 1.图像处理原本的图像每 ...
分别使用BP神经网络和SVM支持向量机进行乳腺癌识别matlab仿真,输出识别率,召回率以及F1
目录一.理论基础二.核心程序三.测试结果一.理论基础乳腺癌是全球第二常见的女性癌症.2012年,它占所有新癌症病例的12%,占所有女性癌症病例的25%.当乳腺细胞生长失控时,乳腺癌就开始了. ...
基于OCR模板匹配的手写英文字母数字识别matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述 OCR技术中使用模板匹配法时首先要建立标准的模板字符库,接着将待识别字符图像与模板字符库中字符进行匹 ...

基于GRNN广义回归神经网络的车牌字符分割和识别matlab仿真

一、理论基础

二、核心MATLAB程序

三、MATLAB仿真测试结果

基于GRNN广义回归神经网络的车牌字符分割和识别matlab仿真相关推荐

最新文章

热门文章