一、系统设计
% 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）
%% 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
%% 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
%% 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_accbest_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
%% 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
%% 创建交互界面
function digit_recognition_guif = 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 = '';endfunction 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/contentcno/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.