​

​for featureNumber =[32]%, 16,24, 32, 48, 64, 80]; % 特征维数，仅限于8, 16，24, 32，48，64，80    %% 1.参数配置    save featureNumber  featureNumber ;    clear all; close all; warning off; format compact;%rng('default');    load featureNumber ;    disp('##################################################');    disp(['----------------','featureNumber=',num2str(featureNumber ),'时','----------------']);    %% 2.图片分块并计算每块的最大奇异值，并构成每张图片的特征向量    num=1;    %得出图片的路径，并自动读入每张图片    dir = ['\1.bmp ';'\2.bmp ';'\3.bmp ';'\4.bmp '; '\5.bmp ';'\6.bmp '; '\7.bmp ';'\8.bmp ';'\9.bmp '; '\10.bmp'];    for x=1:40,        %将数字转换成字符，便于把两个字符连接，组成图片的完整路径        a = int2str(x);        b = ['s'];        d = [b a];        for i=1:10,            %得到每张图片的文件名            e = [d dir(i,1:7)];            % 将图片转化成为灰度矩阵            M = double(imread(e));            %如果用户输入的是8,则执行下段代码,把数据处理得到8维的特征向量            if (featureNumber == 8)                for j=1:4,                    for k=1:2,                        %将图片的灰度矩阵划分成8块小矩阵                        temp=M((j-1)*28+1:j*28,(k-1)*46+1:k*46);                        %对每个小矩阵进行SVD变换                        [u,temp1,v]=svd(temp);                        %提取一个的SVD系数作为特征值                        temp2=temp1(num,num);                        %得到所有图片的特征矩阵                        feature((x-1)*10+i,(j-1)*2+k)=temp2;                    end                end            end            %如果用户输入的是16,则执行下段代码,把数据处理得到16维的特征向量            if (featureNumber == 16)                for j=1:4,                    for k=1:4,                        %将图片的灰度矩阵划分成16块小矩阵                        temp=M((j-1)*28+1:j*28,(k-1)*23+1:k*23);                        %对每个小矩阵进行SVD变换                        [u,temp1,v]=svd(temp);                        %提取最大的SVD系数作为特征值                        temp2=temp1(num,num);                        %得到所有图片的特征矩阵                        feature((x-1)*10+i,(j-1)*4+k)=temp2;                    end                end            end            %如果用户输入的是24,则执行下段代码,把数据处理得到16维的特征向量            if (featureNumber == 24)                for j=1:6,                    for k=1:4,                        %将图片的灰度矩阵划分成24块小矩阵                        temp=M((j-1)*18+1:j*18,(k-1)*23+1:k*23);                        %对每个小矩阵进行SVD变换                        [u,temp1,v]=svd(temp);                        %提取最大的SVD系数作为特征值                        temp2=temp1(num,num);                        %得到所有图片的特征矩阵                        feature((x-1)*10+i,(j-1)*4+k)=temp2;                    end                end            end            %如果用户输入的是32,则执行下段代码,把数据处理得到32维的特征向量            if (featureNumber == 32)                for j=1:8,                    for k=1:4,                        %将图片的灰度矩阵划分成32块小矩阵                        temp=M((j-1)*14+1:j*14,(k-1)*23+1:k*23);                        %对每个小矩阵进行SVD变换                        [u,temp1,v]=svd(temp);                        %提取最大的SVD系数作为特征值                        temp2=temp1(num,num);                        %得到所有图片的特征矩阵                        feature((x-1)*10+i,(j-1)*4+k)=temp2;                    end                end            end            %如果用户输入的是48,则执行下段代码,把数据处理得到48维的特征向量            if (featureNumber == 48)                for j=1:8,                    for k=1:6,                        %将图片的灰度矩阵划分成48块小矩阵                        temp=M((j-1)*14+1:j*14,(k-1)*15+1:k*15);                        %对每个小矩阵进行SVD变换                        [u,temp1,v]=svd(temp);                        %提取最大的SVD系数作为特征值                        temp2=temp1(num,num);                        %得到所有图片的特征矩阵                        feature((x-1)*10+i,(j-1)*6+k)=temp2;                    end                end            end            %如果用户输入的是64,则执行下段代码,把数据处理得到64维的特征向量            if (featureNumber == 64)                for j=1:8,                    for k=1:8,                        %将图片的灰度矩阵划分成64块小矩阵                        temp=M((j-1)*14+1:j*14,(k-1)*11+1:k*11);                        %对每个小矩阵进行SVD变换                        [u,temp1,v]=svd(temp);                        %提取最大的SVD系数作为特征值                        temp2=temp1(num,num);                        %得到所有图片的特征矩阵                        feature((x-1)*10+i,(j-1)*8+k)=temp2;                    end                end            end            %如果用户输入的是80,则执行下段代码,把数据处理得到80维的特征向量            if (featureNumber == 80)                for j=1:10,                    for k=1:8,                        temp=M((j-1)*11+1:j*11,(k-1)*11+1:k*11); %将图片的灰度矩阵划分成80块小矩阵                        [u,temp1,v]=svd(temp); %对每个小矩阵进行SVD变换                        temp2=temp1(num,num);%提取最大的SVD系数作为特征值                        feature((x-1)*10+i,(j-1)*8+k)=temp2; %得到所有图片的特征矩阵                    end                end            end        end    end        tag=0;    for x=1:40,        %将数字转换成字符，便于把两个字符连接，组成图片的完整路径        a = int2str(x);        b = ['s'];        d = [b a];        for i=1:10,            tag=tag+1;            %得到每张图片的文件名            e = [d dir(i,1:7)];            % 将图片转化成为灰度矩阵            M = double(imread(e));            picture(tag,:)=reshape(M,1,92*112);        end    end        %% 3.属于预处理(包括划分训练集和测试集, 数据归一化处理等)    num_train=7;       %这里我们设置的每一类数据大小为10, 所以num_train的大小为1~10.    feature=feature'; %进行矩阵倒置，因为该算法要求矩阵的行数比列数少    num_test=10-num_train;    for y=1:40;        %构造训练集,一共有40个人，每人10张图片        for n=1:num_train;            train_data(:,(y-1)*num_train + n) = feature(:,(y-1)*10 + n); %构造训练集            train_picture((y-1)*num_train + n,:) = picture((y-1)*10 + n,:);        end;        for z=1:num_test,            test_data(:,(y-1)*num_test+z)= feature(:,(y-1)*10 +num_train+z);%构造测试集            test_picture((y-1)*num_test+z, :)= picture((y-1)*10 +num_train+z,:);        end    end        for y=1:40;        for m=1:num_train;            t(y,(y-1)*num_train+m)=1;%构造训练集目标集        end    end    max_train=max(train_data(:));    min_train=min(train_data(:));    pn = mat2gray(train_data,[min_train ,max_train]);     %对训练集数据进行归一化处理    pnewn = mat2gray(test_data,[min_train ,max_train]);%对测试集数据进行归一化处理       %% 4.训练BP神经网络    %调用MATLAB神经网络工具箱，构建BP神经网络    net = newff(minmax(pn),[110,40],{'tansig','purelin'},'trainrp');    % 函数newff建立一个可训练的前馈网络。    % (1) 函数功能：训练前馈网络的第一步是建立网络对象。    %          输入参数说明：    %          100表示: 输入隐含层神经元个数    %          40表示: 输出层的个数(40个人的人脸,即40类)    %          'tansig'表示: 输入层与隐含层之间的传递函数    %          'purelin'表示:  隐含层与输出层之间的传递函数    %          'trainrp'表示: BP网络训练函数(有弹回的BP算法,用于消除梯度模值对网络训练带来的影响,提高训练的速度)    net.trainParam.goal=1e-5;%训练目标    net.trainParam.epochs=10000;%训练次数    net.trainParam.lr = 0.005;%学习速率    [net,tr] = train(net,pn,t);  % 训练神经网络    result_test=sim(net, pnewn);%测试模拟结果    result_train=sim(net, pn);%训练模拟结果    [C,I]=max(result_test);%C是得出的result_test中的每一列的最大值，I是最大值所在的行数    [A,B]=max(result_train);%A是得出的result_train中的每一列的最大值，B是最大值所在的行数    trainJ=cell(1,40);    for k=1:40        trainJ{1,k}= find(B==k);        L(k)=length(trainJ{1,k});    end    Lmax=max(L);    Imtrain=255*ones(40*112, Lmax*92);    imtrain=mat2cell(Imtrain, 112*ones(1,40),92*ones(1,Lmax));    for k=1:40        trainJ{1,k}= find(B==k);        tep=trainJ{1,k};        L=length( trainJ{1,k});        for jk=1:L            tem=reshape(train_picture(tep(jk),:),112,92);            imtrain{k,jk}=tem;        end    end    Imtrain=cell2mat(imtrain);    Lshow=10;  % 显示的人数    showdata= Imtrain(1:Lshow*112, 1:Lmax*92);    imshow( showdata,[]);    title('部分聚类结果');        %% 5.算法指标(查准率和查全率)    disp('--------训练集(查准率和查全率)-------')    % 5.1查准率和查全率    [Precision1,Recall1 ]=Precision_Recall(B,num_train);    disp('训练集查准率为: '), disp(Precision1);    disp('训练集查准率为: '), disp(Recall1);    disp('--------测试集(查准率和查全率)-------')    % 5.2查准率和查全率    [Precision2,Recall2 ]=Precision_Recall(I,num_test);    disp('测试集查准率为: '), disp(Precision2);    disp('测试集查准率为: '), disp(Recall2);end​

往期回顾>>>>>>

【模式识别】Matlab指纹识别

【优化求解】A*算法解决三维路径规划问题

  matlab自动识别银行卡号

【优化问题】基于栅格地图——遗传算法的机器人最优路径规划

【优化求解】模拟退火遗传实现带时间窗的车辆路径规划问题

【数学建模】Matlab实现SEIR模型

完整代码添加QQ1575304183