BP（Back Propagation）算法是一种有导师的学习算法，它分两个阶段：正向传播阶段和反向传播阶段。BP算法现已成为人工神经网络中最引人注意应用最广泛的算法之一。本文简要介绍了BP算法的基本思想、数学模型、算法推导及算法的实现过程。另外，本文给出了BP算法的两个应用，其一为手写数字的识别问题，其二为智能小车自动寻经问题。通过Matlab仿真实验表明，用BP神经网络可以很好的解决以上类似问题。 该资源包含1个报告、1个PPT讲稿、Matlab仿真程序及Matlab运行情况录像，供大家学习参考！

官方手写数字识别数据集，压缩包内包含四个压缩文件：t10k-images-idx3-ubyte.gz t10k-labels-idx1-ubyte.gz train-images-idx3-ubyte.gz train-labels-idx1-ubyte.gz

PCA算法是基于图像重构的方法进行图像特征识别的。内有训练样本、多个测试图片以及文档说明。 识别步骤： ① 选择训练样本 ② 计算样本平均数字特征，数字特征空间 ③ 读取待识别数字，进行连通分量分割，确定需要识别数字个数 ④ 通过判别式进行分类

利用贝叶斯分类器实现手写数字识别，要数据的可以发私信，有测试集和训练集。太大不布出来。 利用贝叶斯分类器实现手写数字识别，要数据的可以发私信，有测试集和训练集。太大不布出来。

使用PyTorch 训练的基于MNIST 数据集的手写数字识别网络

基于MATLAB的特征匹配的数字识别。带GUI界面，可识别0-9十个数字，每识别完一个数字，该数字就滚到旁边显示。可二次开发成语音的数字识别系统。

基于MATLAB的BP神经网络手写数字识别系统。带有GUI人机交互式界面。读入测试图片，通过截取某个数字，进行预处理，经过bp网络训练，得出识别的结果。可经过二次改造成识别中文汉字，英文字符等课题。

Minist数据集训练和测试全部都在

研究深度学习和卷积神经网络的同学都知道Mnist这个数据库，它是一个手写数字的图像数据集，可以用来作为手写数字识别的神经网络训练的基准测试数据库。原版数据集是以特定格式存储的四个文件，包括乱序排列的60000个训练样本与10000个测试样本，以及每个样本对应的标签向量。现将其中的图片从原文件中读取出来，按照原文件的顺序存储为Matlab的mat数据变量格式，可使用Matlab直接读取，以便各位同学进行科研与实验之用。 压缩包里包含四个Matlab数据变量文件 train_imgSet.mat：训练集图像样本集 train_lable.mat：训练集图像标签 test_imgSet.mat：测试集图像样本集 test_lable.mat:测试集图像标签 图像变量的结构为三维矩阵，前两维为20x20像素的图像矩阵，数据类型为double。第三维为图像序号。 标签变量的结构为一维向量，对应于图像变量中每条样本的第三维图像序号，存储的内容为0~9的实数，表示对应图像矩阵所代表的数字。 原数据集下载地址为：http://yann.lecun.com/exdb/mnist/

#资源达人分享计划#