文章频道 - 从A到Z，这25个手写体LOGO各带国家特色，看看你能发现几个？ : 经理人分享
文章频道 - 从A到Z，这25个手写体LOGO各带国家特色，看看你能发现几个？
一组来自俄罗斯平面设计师们的脑洞~俄罗斯平面设计公司 Zergutdesign Studio 创作了一组名为“Alphabet of Countries”（国名字母表）的作品，此系列作品的特别之处在于国家名称 LOGO 全为手写体设计（以下呈现均已经过数码处理），而且每一个 LOGO 都描绘了大众印象中的此国特色视觉元素，看看你能发现几个特色元素？（提示：“A”澳大利亚 LOGO 中带有一条袋鼠尾巴。）图片来源：Zergutdesign Studio数英网DIGITALING 原创文章，转载请遵循文章底部规范A：澳大利亚B：比利时C：加拿大D：丹麦E：厄瓜多尔F：法国G：英国H：匈牙利I：以色列J：日本K：肯尼亚L：列支敦士登M：摩纳哥N：荷兰O：阿曼P：葡萄牙Q：卡塔尔R：俄罗斯S：西班牙T：土耳其U：美国V：瓦努阿图W：瓦利斯和富图纳Y：也门Z：津巴布韦不过，有点遗憾的是这个作品集的每个字母仅对应一个国家，最终只涵盖了25个国家的手写体 LOGO 设计（因为世界上没有以“X”为首字母的国家）。而且并未涵盖中国，如果你是设计师，会给我们的 LOGO 加上哪种特色视觉标志呢？- END -更多精彩内容请访问 数英网 - 文章频道 - 项目频道 - 招聘频道
（下载iPhone或Android应用“经理人分享”，一个只为职业精英人群提供优质知识服务的分享平台。不做单纯的资讯推送，致力于成为你的私人智库。）
作者：佚名
文章相关知识点
评论&&|&& 条评论
畅阅·猜你喜欢查看: 15228|回复: 35
Notes Mobile、随手写和Quill三款手写输入软件比较
初级会员, 积分 2.3, 距离下一级还需 1.7 积分
技术分2.2 分
资产值1545 nb
联谊分0 分
以下完全是个人这几个月的总结，说得不对的地方，希望大家谅解。
Notes Mobile:
首先说说小黑板自带的这个软件，这款软件也是大家拿到手后第一个接触到的手写软件。说实话，如果没有其他非官方的手写软件比较，这款软件还是不错的，我自己就在拿到小黑板的第一天沉浸在这款软件不错的手写体验中。
经过几个月的摸索，这款软件的优缺点也逐渐显现出来：
1、首先，一打开这个软件的时候，一定要再点一下小笔记本才能进入到真正的手写软件。这对于现在互联网哭着喊着优化人机体验、强调人性化背道而驰。相信许多人应用到手写软件的时候基本都是正准备记录的时候，多点一下虽然耽误的事情不大，但是相比于其他的手写软件来说，这不得不说是一个弊病。
2、打开主界面后，Notes Mobile经过一次大的更新后，在手写识别状态下原来许多的特殊操作貌似都取消了，比如画圈儿删除，打x删除之类的，不过也有可能是我对这个状态不感冒，没发现而已。
3、说说主要的手写所见即所得的状态。这个状态下比划粗细一共有五种，其中前两种适合速记，第三种适合像我这样的装逼练字儿。
nEO_IMG_DSC_0116.jpg (32.31 KB, 下载次数: 5)
12:50 上传
4、在设置界面，Notes Mobile是这三款软件中最简洁的一个，只是简单的几个必备的选项，没有其他多余冗杂的东西，个人认为Notes Mobile的设置界面是在这三款软件中设计得最好的。
nEO_IMG_DSC_0117.jpg (33.19 KB, 下载次数: 4)
12:50 上传
nEO_IMG_DSC_0118.jpg (25.44 KB, 下载次数: 5)
12:50 上传
5、在压力感应方面，个人感觉Notes Mobile是比较灵敏的；输入延迟现象很少出现，但毕竟时有存在。
nEO_IMG_DSC_0189.jpg (36.45 KB, 下载次数: 6)
12:50 上传
6、在字体反应方面，Notes Mobile是看起来对比度最强烈，字体看上去墨色最顺眼的一款软件。
7、在输出方面，由于我装的软件并不是很多，大家看图可以看出来大概有17种输出方法，但实际上也就是用在“相册”、“云存储”、“微博”“邮件”这几种。
nEO_IMG_DSC_0120.jpg (40.23 KB, 下载次数: 4)
12:50 上传
资产值 +506
初级会员, 积分 2.3, 距离下一级还需 1.7 积分
技术分2.2 分
资产值1545 nb
联谊分0 分
占座！！！！！！！！！！！
初级会员, 积分 2.3, 距离下一级还需 1.7 积分
技术分2.2 分
资产值1545 nb
联谊分0 分
占座！！！！！！！！！！！！！
高级会员, 积分 11.1, 距离下一级还需 4.9 积分
技术分0 分
资产值153428 nb
联谊分0 分
第一点可能防止误碰
中级会员, 积分 4.8, 距离下一级还需 3.2 积分
技术分0.5 分
资产值47733 nb
联谊分0 分
初级会员, 积分 2.3, 距离下一级还需 1.7 积分
技术分2.2 分
资产值1545 nb
联谊分0 分
随手写（版本号：7.9.6.1）
我得承认，随手写是我强推的一款软件。不知道为什么，在随手写上用手写笔写字的感觉就是跟其他两款软件不一样。一句话就是：随手写是最接近用钢笔真实书写的一款软件。
nEO_IMG_DSC_0190.jpg (42.51 KB, 下载次数: 6)
13:03 上传
.jpg (70.93 KB, 下载次数: 4)
13:03 上传
1、我所指的随手写的手写，是指在随手写的“自由涂鸦”状态下，其他的比如“键盘输入”等基本就是鸡肋，虽然书写状态很多，但真正用到手写的，也只不过是“自由涂鸦”而已。
nEO_IMG_DSC_0202.jpg (35.82 KB, 下载次数: 5)
13:03 上传
2、随手写的功能和随手写的书写状态一样，功能太多了，多到让人无奈，甚至连闹钟、文章分类、外观定制之类的的都有，对于我来说，如何最接近真实手写的状态才是最主要的。
3、随手写还有另外一个特点：无论你是临时退出还是切换到其他软件，随手写都会把你的当前的文档保存为一个层，当你再次打开时再写的东西都会在另外一个层上。这样一方面防止误操作，另一方面却无法擦除上一层所写的东西，当然，你可以使用图层合并的选项来解决这个问题，孰优孰劣，这个由大家判断。
nEO_IMG_DSC_0203.jpg (46.55 KB, 下载次数: 4)
13:03 上传
4、随手写的最大一个弊病在于笔画粗细无法保存，当你关闭软件后再次打开，总是跟你上次的笔画粗细差了那么一点儿，虽然只是9磅字和10磅字的区别，但对于我这么较真的人来说，写着也很不舒服，每次都要重新调整一下。
nEO_IMG_DSC_0204.jpg (46.17 KB, 下载次数: 6)
13:03 上传
5、随手写功能繁多，图里只能表现出来几个，但最重要的还是刚刚提到的图层和笔画粗细的功能。
6、压力感应非常完美，这个大赞。延迟较少。
7、随手写其他还有手写直接输入到信纸上的功能，但完全不够成熟，另外也支持多种输出方法，不多说。
nEO_IMG_DSC_0206.jpg (31.61 KB, 下载次数: 5)
13:03 上传
nEO_IMG_DSC_0192.jpg (41.92 KB, 下载次数: 6)
13:03 上传
nEO_IMG_DSC_0193.jpg (43.5 KB, 下载次数: 4)
13:03 上传
nEO_IMG_DSC_0194.jpg (28.96 KB, 下载次数: 4)
13:03 上传
nEO_IMG_DSC_0196.jpg (20.29 KB, 下载次数: 3)
13:03 上传
nEO_IMG_DSC_0198.jpg (19.9 KB, 下载次数: 5)
13:03 上传
nEO_IMG_DSC_0200.jpg (25.7 KB, 下载次数: 4)
13:03 上传
初级会员, 积分 2.3, 距离下一级还需 1.7 积分
技术分2.2 分
资产值1545 nb
联谊分0 分
Quill（版本号：8.1）：
这款软件论坛里应用的人相信最多，我反倒用得很少。
1、在横屏方面，Quill做得很不尽如人意，对横屏支持得不够好，如图，每次总是错位。
nEO_IMG_DSC_0210.jpg (35.5 KB, 下载次数: 5)
13:09 上传
2、拥有6种笔画粗细，用法大致和Notes Mobile相同，而随手写理论上可以拥有无数种不同的笔画粗细供选择。
nEO_IMG_DSC_0209.jpg (44.48 KB, 下载次数: 4)
13:09 上传
3、这款软件最大的一个优点就在于擦除方面：不仅擦除的面积大，而且在擦除后会自动切换到手写笔状态，少了一个单机操作，正如前所述，这个小功能非常体贴，很赞。
nEO_IMG_DSC_0211.jpg (36.82 KB, 下载次数: 5)
13:09 上传
4、在设置方面，Quill的全英文操作界面让我很受伤，大概有个了解之后，个人只应用了无标准线的纯白纸，其他的设置不是很了解。
nEO_IMG_DSC_0212.jpg (42.89 KB, 下载次数: 4)
13:09 上传
nEO_IMG_DSC_0213.jpg (44.01 KB, 下载次数: 4)
13:09 上传
nEO_IMG_DSC_0214.jpg (29.96 KB, 下载次数: 4)
13:09 上传
就我个人而言，虽然这三款软件各有优缺点，但我当然倾向于随手写。可能就是个人写字习惯的一种感觉吧。
说到用手写笔画画，版主feskey已经画的足够好了，大家可以欣赏一下。
74cda623jw1dn1nk68brbj.jpg (171.38 KB, 下载次数: 3)
13:09 上传
另外，有人求随手写的app，我发一个给大家豌豆荚上的版本，我用的是收费版本，只比这个版本少了个“继续试用”而已，其他功能没有变化。
13:09 上传
点击文件名下载附件
451.79 KB, 下载次数: 251
入门会员, 积分 0.5, 距离下一级还需 0.5 积分
技术分0 分
资产值4764 nb
联谊分0 分
字专门练过
入门会员, 积分 0.1, 距离下一级还需 0.9 积分
技术分0 分
资产值835 nb
联谊分0 分
楼上的头像比楼主的字更有吸引力!
入门会员, 积分 0, 距离下一级还需 1 积分
技术分0 分
资产值77 nb
联谊分0 分
随手写的参数，楼主是怎么设置的，我写出来感觉线条一截一截的。画画的话，skechbook唯一的缺点就是不能防止误触，画的时候手一碰到就一知直线
入门会员, 积分 0.4, 距离下一级还需 0.6 积分
技术分0.3 分
资产值870 nb
联谊分0 分
我一直不明白为啥有人能写字写的那么好？看上去那么舒服！我到现在写字还和小学生一样，画画还勉强凑活~顺便加精奖励NB，连接置顶！
入门会员, 积分 0.4, 距离下一级还需 0.6 积分
技术分0.3 分
资产值870 nb
联谊分0 分
Posted by 九月份的忧伤 on
随手写的参数，楼主是怎么设置的，我写出来感觉线条一截一截的。画画的话，skechbook唯一的缺点就是不能防止误触，画的时候手一碰到就一知直线
这个也是痛苦的地方，不过可以露手指的手套解决这个问题！
初级会员, 积分 1.7, 距离下一级还需 2.3 积分
技术分0 分
资产值10071 nb
联谊分0 分
入门会员, 积分 0, 距离下一级还需 1 积分
技术分0 分
资产值173 nb
联谊分0 分
我是国行机器，麻烦LZ把新版本的Notes Mobile安装文件发上来共享下，谢谢。
入门会员, 积分 0, 距离下一级还需 1 积分
技术分0 分
资产值135 nb
联谊分0 分
我随手写跟12楼的性质一样&&设置里都设置了只用笔&&但是写字的时候 除了笔的痕迹 还会有手掌流下的竖线&&哎 难道是我板子不好？
初级会员, 积分 3, 距离下一级还需 1 积分
技术分2 分
资产值13787 nb
联谊分0 分
随手写支持压感吗？我好像木有找到设置？不管怎么写，笔迹都是一样的粗细？
初级会员, 积分 2.3, 距离下一级还需 1.7 积分
技术分2.2 分
资产值1545 nb
联谊分0 分
谢楼上各位捧场！
10楼和15楼的问题我总是遇到，10楼版主的做法不失为一个好方法，虽然有点儿2……
我是怎么发现的呢？如果把小黑板平放在桌子上，像平时书写习惯那种，整个手掌的边缘都贴在小黑板上，一定会出现字迹不完整、一条一条的竖线那种情况，有的时候气得自己不行。
但是后来我发现所有我写的顺畅的时候都是晚上半躺在床上时候写出来的。那个时候的书写方式就是把小黑板放在腿上，然后只用小手指的边缘挨着小黑板，而不是整个手掌的边缘，这样问题就不会出现了。但是这也是一个迫不得已的方法。
我尝试过在手和小黑板之间垫张纸，虽然有效果，但是总感觉像穿着袜子洗澡一样不舒服。
买一副露指头的霹雳手套吧，只能这样了……
初级会员, 积分 2.3, 距离下一级还需 1.7 积分
技术分2.2 分
资产值1545 nb
联谊分0 分
回复 #16 名剑.Roger 的帖子
在”粗细变化“的选项中选择即可。
入门会员, 积分 0, 距离下一级还需 1 积分
技术分0 分
资产值743 nb
联谊分0 分
有压力感应，画画不错啊
初级会员, 积分 2.3, 距离下一级还需 1.7 积分
技术分2.2 分
资产值1545 nb
联谊分0 分
Posted by 九月份的忧伤 on
随手写的参数，楼主是怎么设置的，我写出来感觉线条一截一截的。画画的话，skechbook唯一的缺点就是不能防止误触，画的时候手一碰到就一知直线
没什么特别的设置，我只是选择了”保持横屏“、”工具栏显示在上方“这样可以防止误触。
关于笔画粗细方面，在”画刷粗细“选项中我把那个格放在正好遮住”画“字上面，或者稍粗一些，这样个人感觉效果最好；在”粗细变化“选项中是有级别的，我只放在第一级，也就是在”细“字”和”变“字中间即可。其他全部默认。
初级会员, 积分 3, 距离下一级还需 1 积分
技术分1 分
资产值34514 nb
联谊分0 分
这些可惜都不能在X系列平板上使用？
入门会员, 积分 0, 距离下一级还需 1 积分
技术分0 分
资产值4 nb
联谊分0 分
附件是什么
入门会员, 积分 0, 距离下一级还需 1 积分
技术分0 分
资产值42 nb
联谊分0 分
入门会员, 积分 0, 距离下一级还需 1 积分
技术分0 分
资产值5 nb
联谊分0 分
Notes Mobile
哪里可以下载？
Notes Mobile&&哪里可以下载？
入门会员, 积分 0, 距离下一级还需 1 积分
技术分0 分
资产值105 nb
联谊分0 分
当然Quill好用，只是LZ不大会用而已。
入门会员, 积分 0, 距离下一级还需 1 积分
技术分0 分
资产值37 nb
联谊分0 分
楼主完全不了解quill……其实楼主说的诸如横屏之类的那几个缺点，实际上连击两下就全屏了，楼主可以仔细研究一下。
入门会员, 积分 0, 距离下一级还需 1 积分
技术分0 分
资产值19 nb
联谊分0 分
Quill 最大的好处是不会误触。。
入门会员, 积分 0.1, 距离下一级还需 0.9 积分
技术分0 分
资产值464 nb
联谊分0 分
想知道输出都是什么格式？自带的输出只能是蓝牙？手绘就只能是图片？
入门会员, 积分 0, 距离下一级还需 1 积分
技术分0 分
资产值163 nb
联谊分0 分
还是觉得Notes Mobile好用
入门会员, 积分 0, 距离下一级还需 1 积分
技术分0 分
资产值9 nb
联谊分0 分
楼主的字确实写得挺好。赞一个！
月全勤勋章
银牌荣誉勋章(注册8年以上会员)
注册8年以上会员
金牌荣誉勋章(注册10年以上会员)
注册10年以上会员
Powered by Discuz! X3.2 &
Comsenz Inc &　　姓名：耿林莽　　简介：1926年生于江苏，笔名余思 ，1978年起进入青岛文联工作，曾任中国散文诗学会副主席、青岛市作家协会名誉主席。　　记者：信号山脚下有一条小路，就叫信号山路，我看青岛的作家协会、书法家协会、音乐家协会、舞蹈家协会等等好多文艺协会都设在这里。　　耿林莽：其实这里一开始是“青岛文联”办公楼，在信号山路25号。青岛刚解放的时候，文联是在齐东路，后来就搬到信号山路了。另外文联是个行政机构，你说那些作协啊、书协啊都是下属机构，属于人民团体，它们不是行政单位。　　记者：您是哪年到文联工作的？对信号山路一带有什么特别记忆吗？　　耿林莽：我是1978年去的，之前在报社当编辑。粉碎“ 四人帮”之后，我进了文联 。文联那个房子其实是很早就有的老房子，有人说以前是个汽车行的经理房，也有人说是个国民党高官的私宅。反正是很漂亮的，而且我印象很深的是我们门前有一棵大的玉兰树，每年都开花，听说也是青岛解放前就种下的。　　记者：您当时在这里负责什么工作，对这条街有什么特别的印象吗？　　耿林莽：我最早过去是编《海鸥》杂志，后来这个杂志改名叫《青岛文学》，我负责编的是散文和散文诗这一部分，直到1990年退休。你说对那条街有什么印象，我就是记得有三个事，一是那里路边的墙很有特点，都是那种大石头砌成的挡土墙，形成一个大阳台，房子全是建在离地两三米的阳台上。二是那里的楼梯特别多，特别是有两个大台阶，其中有一个连着齐东路，很长。很少有街道上有这么长的台阶。这都是因为这条路是建在山坡上的。三就是那里的树，都很大，很老了。几乎每个房子旁都有一棵树。　　记者：我走到这里感觉很宁静，特别有那种生活情调。　　耿林莽：是啊，我们当年在那感觉也好，这是一种真正的市民生活风情。你看这些房子不是那种很明显的欧洲别墅风格，也不是中国传统的平房，有一种你说不出的感觉，我在那工作这些年，那几乎没有什么变化。就是后来汽车越来越多。　　记者：您当时在文联工作有什么特别的回忆吗？　　耿林莽：也没啥，就是当时正好赶上上世纪80年代的文学热，我们每天都能收到来自全国各地的投稿，都是手写的，还有人直接送过来。那时候，我们那个杂志的订阅量到了4万册，一个市级发行的纯文学刊物在那个年代做到这样已经很厉害了。后来我们还主动约请一些著名作家来写稿，我印象比较深的就是萧军，他写了一个《青岛怀踪录》。我们后来还去北京拜访他。那时候文学真的很热，思想也突然打开了。而且当时的稿费很低，文章按千字算，诗歌20行算，一共也没多少，而且大家都不指望这个钱。　　记者：当时有人托关系发稿件吗？　　耿林莽：不是说完全没有。不过，当时流行一种交换稿，意思是这样的：比如你是北京文学的编辑，我是青岛的文学编辑，你给我发一篇，我再给你发一篇。当然了 ，前提是稿件要达到够发表的水平。　　记者：您当时去信号山看过吗？　　耿林莽：去过，我们自己溜达过去，当时这是个荒山，没人管的。山上其实也没东西，后来才修了那个公园。BP神经网络应用于手写数字识别--matlab程序 - CSDN博客
BP神经网络应用于手写数字识别--matlab程序
数据集和完整的程序下载见更新版：
二：BP神经网络应用于字符识别
& 字符包括汉字，字母，数字和一些符号。汉字有几千个，字母有几十个，数字的类最少只有10个，所以选择简单的手写数字字符来实现。结合三个相关的程序和论文，一个是语音特征的分类（不调用神经网络工具箱相关函数实现），另外两个是关于手写数字识别的。处理的数据集是放在10个文件夹里，文件夹的名称对应存放的手写数字图片的数字，每个数字500张,每张图片的像素统一为28*28,如下
这5000张随机选取4500张进行训练，剩下的500张用来测试。为了能对BP神经网络有更深入的了解，选择一步步详细实现。
BP神经网络的特点：信号前向传递，信号反向传播。若输出存在误差，根据误差调整权值和阈值，使网络的输出接近预期。
在用BP神经网络进行预测之前要训练网络
1.网络初始化：各个参数的确定包括输入，输出，隐含层的节点数，输入和隐含，隐含和输出层之间的权值，隐含，输出层的阈值，学习速度和激励函数。
2.计算隐含层输出
3.计算输出层输出
4.误差计算
5.权值更新
6.阈值更新
7.判断迭代是否结束
模型建立：
BP神经网络构建-BP神经网络训练-BP神经网络分类
1.确定神经网络的输入，输出。
输入是BP神经网络很重要的方面，输入的数据是手写字符经过预处理和特征提取后的数据。预处理有二值化，裁剪掉空白的区域，然后再统一大小为70*50为特征提取做准备。特征提取采用的是粗网格特征提取，把图像分成35个区域，每个区域100像素，统计区域中1像素所占的比例。经过预处理特征提取后，28*28图像转成1*35的特征矢量。提取完5000张图片后，依次把所有的特征存于一个矩阵（5000*35）中，最后在加上第36行，用来存放原图片的真值。于是最后得到是包含特征向量和真值的矩阵（5000*36），特征向量是神经网络的输入，真值是其输出。
2.神经的网络的训练
用matlab的rands函数来实现网络权值的初始化，网络结构为输入层35，隐藏层34，输出层10，学习速率为0.1，隐藏层激励函数为sigmoid函数。随机抽取4500张图片提取特征后输入，按照公式计算隐含层和输出层输出，误差，更新网络权值。
3.神经网络的预测
训练好神经网络之后，用随机抽取的500个数字字符对网络进行预测，输入特征向量，计算隐含层和输出层输出，得到最后预测的数据。同时计算每个数字的正确率和全体的正确率。最后得到的总体正确率为0.8004。
Files= dir('E:/Matlabdip/word_recognition/testdatabase');
LengthFiles= length(Files);
%========读取存在testdatabase下0-10个文件的全部图片========%
%========存放在number中，number{1}是数字0有500张========%
fori = 3:LengthF
if strcmp(Files(i).name,'.')||strcmp(Files(i).name,'..')
number{i-2}=BatchReadImg(strcat('E:/Matlabdip/word_recognition/testdatabase','/',Files(i).name),0);
charvec1=zeros(35,5000);
%========对读取的图片预处理（二值化-裁剪-特征提取）========%
for i=1:10
for j=1:500
I1=number{1,i}{1,j};
Ibw = im2bw(I1,graythresh(I1));
bw2 = edu_imgcrop(Ibw);%对图像进行裁剪，使边框完全贴紧字符
charvec = edu_imgresize(bw2);%提取特征统计每个小区域中图像象素所占百分比作为特征数据
charvec1(:,(i-1)*500+j)=
index=[zeros(1,500),zeros(1,500)+1,...
zeros(1,500)+2,zeros(1,500)+3,zeros(1,500)+4,zeros(1,500)+5,zeros(1,500)+6,zeros(1,500)+7,zeros(1,500)+8,zeros(1,500)+9];
charvec1(36,:)=
%=========BP神经网络创建，训练和测试========%
%从1到5000间随机排序(在[0,1]之间产生5000个随机数)==将数据顺序打乱
k=rand(1,5000);
[m,n]=sort(k);
%输入输出数据
input=charvec1(1:35,:);
output1=charvec1(36,:);
%把输出从1维变成10维
fori=1:5000
switch output1(i)
output(:,i)=[1 0 0 0 0 0 0 0 0 0]';
output(:,i)=[0 1 0 0 0 0 0 0 0 0]';
output(:,i)=[0 0 1 0 0 0 0 0 0 0]';
output(:,i)=[0 0 0 1 0 0 0 0 0 0]';
output(:,i)=[0 0 0 0 1 0 0 0 0 0]';
output(:,i)=[0 0 0 0 0 1 0 0 0 0]';
output(:,i)=[0 0 0 0 0 0 1 0 0 0]';
output(:,i)=[0 0 0 0 0 0 0 1 0 0]';
output(:,i)=[0 0 0 0 0 0 0 0 1 0]';
output(:,i)=[0 0 0 0 0 0 0 0 0 1]';
%随机提取4500个样本为训练样本，500个样本为预测样本
input_train=input(:,n(1:4500));
output_train=output(:,n(1:4500));
input_test=input(:,n());
output_test=output(:,n());
% %输入数据归一化
%[inputn,inputps]=mapminmax(input_train);
%% 网络结构初始化
midnum=34;
outnum=10;
%权值初始化
w1=rands(midnum,innum);%输入到隐藏
b1=rands(midnum,1);
w2=rands(midnum,outnum);%隐藏到输出
b2=rands(outnum,1);
w2_1=w2;w2_2=w2_1;
w1_1=w1;w1_2=w1_1;
b1_1=b1;b1_2=b1_1;
b2_1=b2;b2_2=b2_1;
alfa=0.01;
%% 网络训练
%for ii=1:10
for i=1:1:4500
%% 网络预测输出
x=input_train(:,i);
% 隐含层输出
for j=1:1:midnum
I(j)=input_train(:,i)'*w1(j,:)'+b1(j);
Iout(j)=1/(1+exp(double(-I(j))));
% 输出层输出
yn=w2'*Iout'+b2;
%% 权值阀值修正
e=output_train(:,i)-
E(ii)=E(ii)+sum(abs(e));
%计算权值变化率
db2=e';
%=======由于采用的是sigmoid单元，所以要对每个输出单元以及隐藏单元计算误差项======%
for j=1:1:midnum
S=1/(1+exp(double(-I(j))));
FI(j)=S*(1-S);
for k=1:1:innum
for j=1:1:midnum
dw1(k,j)=FI(j)*x(k)*(w2(j,:)*e);%
db1(j)=FI(j)*(w2(j,:)*e);
w1=w1_1+xite*dw1';
b1=b1_1+xite*db1';
w2=w2_1+xite*dw2';
b2=b2_1+xite*db2';
w1_2=w1_1;w1_1=w1;
w2_2=w2_1;w2_1=w2;
b1_2=b1_1;b1_1=b1;
b2_2=b2_1;b2_1=b2;
%%% 语音特征信号分类
%inputn_test=mapminmax('apply',input_test,inputps);
for i=1:500%1500
%隐含层输出
for j=1:1:midnum
I(j)=input_test(:,i)'*w1(j,:)'+b1(j);
Iout(j)=1/(1+exp(double(-I(j))));
%输出层输出
fore(:,i)=w2'*Iout'+b2;
%% 结果分析
%根据网络输出找出数据属于哪类
fori=1:500
output_fore(i)=find(fore(:,i)==max(fore(:,i)))-1;
%BP网络预测误差
error=output_fore'-output1(n())';
%画出预测数字和实际数字的分类图
plot(output_fore,'r')
plot(output1(n())','b')
legend('预测数字','实际数字')
%画出误差图
plot(error)
title('BP网络分类误差','fontsize',12)
xlabel('输入数字','fontsize',12)
ylabel('分类误差','fontsize',12)
k=zeros(1,10);
%找出判断错误的分类属于哪一类
fori=1:500
if error(i)~=0
[b,c]=max(output_test(:,i));
switch c-1
k(1)=k(1)+1;
k(2)=k(2)+1;
k(3)=k(3)+1;
k(4)=k(4)+1;
k(5)=k(5)+1;
k(6)=k(6)+1;
k(7)=k(7)+1;
k(8)=k(8)+1;
k(9)=k(9)+1;
k(10)=k(10)+1;
%找出每类的个体和
kk=zeros(1,10);
fori=1:500
[b,c]=max(output_test(:,i));
switch c-1
kk(1)=kk(1)+1;
kk(2)=kk(2)+1;
kk(3)=kk(3)+1;
kk(4)=kk(4)+1;
kk(5)=kk(5)+1;
kk(6)=kk(6)+1;
kk(7)=kk(7)+1;
kk(8)=k(8)+1;
kk(9)=kk(9)+1;
kk(10)=kk(10)+1;
rightridio=(kk-k)./kk
right=(sum(kk(:))-sum(k(:)))/sum(kk(:));
用到到函数：BatchImg
function [imglist]=BatchReadImg(rootpath,grayflag)
if nargin&2
disp('Not enough parameters!');
filelist=dir(rootpath);
[filenum,temp]=size(filelist);
tempind=0;
imglist=cell(0);
for i=1:filenum
if strcmp(filelist(i).name,'.')|| strcmp(filelist(i).name,'..')||strcmp(filelist(i).name,'Desktop_1.ini')||strcmp(filelist(i).name,'Desktop_2.ini')
tempind=tempind+1;
imglist{tempind}=imread(strcat(rootpath,'/',filelist(i).name));
if grayflag==1
tempcount=size(imglist);
for j=1:tempcount(2)
imglist{j}=rgb2gray(imglist{j});
edu_imgcrop：
function bw2 = edu_imgcrop(bw)
%找到图像边界
[y2temp x2temp] = size(bw);
% 找左边空白
while (sum(bw(:,cntB))==y2temp)
cntB=cntB+1;
while (sum(bw(cntB,:))==x2temp)
cntB=cntB+1;
while (sum(bw(:,cntB))==y2temp)
cntB=cntB-1;
while (sum(bw(cntB,:))==x2temp)
cntB=cntB-1;
bw2=imcrop(bw,[x1,y1,(x2-x1),(y2-y1)]);
edu_imgresize：
function lett = edu_imgresize(bw2)
% ======提取特征，转成5*7的特征矢量,把图像中每10*10的点进行划分相加，进行相加成一个点=====%
%======即统计每个小区域中图像象素所占百分比作为特征数据====%
bw_7050=imresize(bw2,[70,50]);
for cnt=1:7
for cnt2=1:5
Atemp=sum(bw_7050(((cnt*10-9):(cnt*10)),((cnt2*10-9):(cnt2*10))));%10*10box
lett((cnt-1)*5+cnt2)=sum(Atemp);
lett=((100-lett)/100);
lett=lett';
&邮箱联系：
本文已收录于以下专栏：
相关文章推荐
1.MNIST手写数字数据库
数据库由Google实验室的Corinna Cortes和纽约大学柯朗研究所的Yann LeCun建有一个手写数字数据库，训练库有60,000张手写数字图像，测试库...
PCA降维的个人学习笔记
一：人工神经网络
人类之所以能够思考，学习，判断，大部分都要归功于人脑中复杂的神经网络。虽然现在人脑的机理还没有完全破译，但是人脑中神经元之间的连接，信息的传递都已为人所知晓。于是人们...
本文主要实现手写数字识别，利用多类逻辑回归与神经网络两种方法实现
Multi-class Classification数据源
There are 5000 training exampl...
Andrew Ng机器学习第四周的编程练习是用matlab实现一个神经网络对一幅图中的数字进行识别，有待识别的数字全集如下：
其中每一个数字都是一个大小为20*20像素的图像，如果把...
基于GUI的手写字识别系统
他的最新文章
讲师：董岩
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)