L ời mở đầu
5.3.4.2. Huấn luyện mạng lan truyền ngược
Mạng lan truyền ngược được huấn luyện để xấp xỉ 1 hàm phi tuyến , 1 mơ hình liên kết hay phân lớp. Trong suốt quá trình huấn luyện, các trọng số và giá trị ngưỡng sẽ được điều chỉnh 1 cách hợp lý để làm tối thiểu giá trị hàm lỗi của mạng. Hàm lỗi mặc định trong mạng lan truyền ngược là trung bình phương lỗi (mean square error hay mse ) – lỗi trung bìn phương giữa ngõ ra thực tế và ngõ ra được tính tốn. Sau đây là 1 vài thuật tốn huấn luyện mạng lan truyền ngược. Tất cà các thuật tốn đều dùng độ dốc (gradient) của hàm lỗi để điều chỉnh các trọng số sao cho tối thiểu được giá trị hàm lỗi. Độ dốc được tính tốn dựa vào kỹ thuật lan truyền ngược.
¾ STEEPEST DECENT GRADIENT:
Trong thuật tốn lan truyền ngược, vector gradient của mặt phẳng sai số sẽ được tính tốn. Vector này chỉ ra đường dốc nhất và vị trí hiện tại, vì thế nếu ta di chuyển theo nĩ 1 khoảng ngắn ta cĩ thể đạt giá trị nhỏ nhất.
Tuy nhiên khĩ khăn ởđây là quyết định độ lớp của từng bước di chuyển. Bước lớn cĩ thể hội tụ nhanh hơn nhưng cĩ thể vượt quá điểm cần đến hay hay ra khỏi vùng cĩ cực tiểu ( nếu mặt phẳng sai số bị lệch tâm). Ngược lại bước nhỏ cĩ thểđi đến đúng hướng nhưng phải thực hiện lặp lại nhiều lần.
¾ QUY TẮC HỌC THÍCH NGHI:
Phương pháp thực ra rất đơn giản. Mỗi phương pháp cĩ 1 hệ số học e khác nhau.Khi cập nhật trọng số, nếu hướng lỗi hiện hành cùng bước với hướng trước, cho e lớn, cịn ngược hướng, cho e nhỏ.
Hướng lỗi được xác định là dấu của dm, là đạo hàm riêng của hàm lỗi theo trõng sốở bước m. Nếu dm dương, lỗi giảm khi trọng số giảm, nếu dm âm, lỗi giảm khi trong số tăng.
fm+1= θ fm + (1-θ) dm
Nếu ta cho f là trung bình trọng số của các đạo hàm hiện tại và quá khứ, θ là trọng số của các hàm quá khứ , (1-θ) là trọng số của các hàm hiện tại. Nếu f dương thì đây là lỗi “ giảm khi trọng số giảm ” và ngược lại cũng nhưđối với đạo hàm.
Dựa vào f và ta cĩ thể đo chính xác cả hướng của lỗi đang giảm lẫn hướng của lỗi vừa mới giảm. Nếu chúng cùng dấu, việc giảm lỗi xảy ra theo hướng cũ, chúng khác dấu, ngược hướng với hướng cũ.
¾ CONJUGATE GRADIENT DESCENT:
Đây là thuật tốn định hướng đường, bằng cách lấy ra 1 hướng nhạy để di chuyển theo chiều ngang đa chiều, rồi chiếu đường thẳng theo hướng đĩ để xác định điểm nhỏ nhất và lặp lại. Hướng nhạy là hướng cĩ độ dốc lớn nhất . Ý tưởng ở đây là khi thuật tốn đã được cực tiểu hĩa dọc theo 1 hướng cụ thể hĩa nào đĩ, thỉ đạo hàm bậc 2 dọc theo hướng đĩ phải giữở zero. Các hướng liên hợp được giữđạo hàm bậc 2 này với giả thiết mặt phẳng này là parabol. Nếu điều kiện này được giữ, N epoch sẽđủ đạt được giá trị cực tiểu.
¾ Levenberg – Marquardt:
Là kỹ thuật mơ phỏng vùng tin cậy: thay vì theo 1 định hướng cốđịnh, ta giả sử mặt phẳng cĩ hình dạng đơn giản sao cho cực tiểu cĩ thểđịnh vị trực tiế, nếu giả thiết đúng. Thử mơ hình và xem xét mức độ tốt của điểm được chọn. Mơ hình được giả sử rằng mặt phẳng cĩ hình dạng tốt sẽđúng nếu gần đạt được cực tiểu. Ngồi điểm đĩ giả thiết cĩ thể bị vi phạm, và mơ hình cĩ thể chọn những điểm sai để di chuyển. Mơ hình chỉ cĩ thểđược tin cậy trong 1 vùng của điểm hiện tại và kích thước của vùng này thì chưa biết. Do đĩ, chọn các điểm mới để kiểm tra với điểm được chọn. Nếu điểm mới tốt, di chuyển đến điểm đĩ và tăng cường vai trị của mơ hình trong việc lưa chọn điểm mới, cịn nếu xấu, khơng di chuyển và tăng cường vai trị của bước dốc gtradient trong việc lựa chọn điểm mới.
5.4.Ứng dụng mạng lan truyền ngược vào nhận dạng ký tự :
Mạng lan truyền ngược được ứng dụng rộng rãi trong các vấn đề thực tế lien quan đến mạng neural. Việc thiết kếđơn giản cũng nhưng giải thuật huấn luyện hội tụ nhanh đã thể hiện mạng lan truyền ngược là 1 cơng cụ rất mạnh và phổ biến, đặc biệt trong vấn đề nhận dạng ký tự cĩ cùng font, do đĩ việc ứng dụng nĩ cho 1 kết quả khả quan.
5.4.1.Thiết kế mạng lan truyền ngược:
Các ký tự số sau khi được phân vùng sẽđược định chuẩn với kích thước 20×10. Sau đĩ ma trận ảnh của ký tự sẽ chuyển đổi thành ma trận một cột và trở thành ngõ vào của mạng neural. Như vậy, ta dùng vị trí của giá trị lớn nhất của neural ngõ ra, từ đĩ cĩ thể biết được giá trị của ký tự số đĩ. Tập mẫu huấn luyện càng nhiêu thì độ chính xác càng lớn.
Mạng nuơi tuyến lan truyền ngược gồm 2 lớp neural trong đĩ:
Lớp vào : 200 ngõ vào ( tương ứng với ma trận ký tự 20×10 sau khi chuyển thành ma trận cột ).
Lớp ẩn: 20 neural
Lớp ngõ ra : 10 neural ( tương ứng để nhận dạng 10 ký tự số từ 0 đến 9) Dùng hàm truyền lgsig co neural lớp ẩn và lớp ngõ ra.
Hình 5.11: cấu trúc mạng dùng để nhận dạng ký tự số.
5.4.2.Quá trình nhận dạng:
Mạng sau khi được huấn luyện đưa vào sử dụng sẽ thực hiện nhận dạng đối với các ma trận ký tự số. Ví dụ, ma trận đầu vào lúc này là ma trận số 6. Như vậy, nếu mạng huấn luyện được kết quả tốt thì kết quả lan truyền ma trận này trong mạng là neural tương ứng với vị trí số 6 ( trong hình này là neural thứ 6) sẽ cĩ giá trị lớn nhất.
Hình 5.12: Hình minh họa hoạt động của mạng trong nhận dạng
5.4.4.Phương pháp tăng khả năng tổng quát của mạng:
Một trong những vấn đề xuất hiện trong việc huấn luyện mạng neural được gọi là quá khớp. Lỗi trong tập huấn luyện cĩ giá trị rất nhỏ nhưng khi đưa dữ liệu mới vào mạng thì lỗi lại quá lớn. Nghĩa là mạng cĩ khả năng nhớ những tập huấn luyện rất tốt nhưng chưa cĩ khả năng tổng quát đối với dữ liệu mới.
Hình sau thể hiện đáp ứng của mạng neural 1-20-1 được huấn luyện để xấp xỉ 1 hàm sin. Mạng như vậy sẽ quá khớp với dữ liệu và khơng cĩ khả năng tổng quát.
Hình 5.13: Trường hợp quá khớp
Cĩ rất nhiều phương pháp để giải quyết vấn đề này, trong đĩ phương pháp ngừng học sớm được xem là phương pháp hiệu quả nhất.
¾ Phương pháp ngừng học sớm
Phương pháp này dùng 3 tập mẫu, một tập dùng để huấn luyện, một tập dùng để kiểm tra và một tập dùng để thử lại. Trong quá trình học tập mẫu huấn luyện thì lỗi của tập mẫu kiểm tra cũng được giám sát. Trong quá trình học tập thì lỗi của tập huấn luyện và kiểm tra đều giảm nhưng đến một lúc nào đĩ thì lỗi của tập huấn luyện bắt đầu tăng lên, lúc này xảy ra việc mạng neural bắt đầu quá khớp với tập huấn luyện. Chính vì vậy ta cho dừng quá trình huấn luyện, thì tại thời điểm này, ta cĩ mạng neural cĩ khả năng tổng quát nhất, lúc này lỗi của tập thử lại ( khơng cĩ trong tập huấn luyện và tập kiểm tra) là lỗi của một dữ liệu mới.
Hình 5.14: Hàm xấp xỉ khi mạng ngừng học sớm.
5.4.5. Huấn luyện mạng lan truyền ngược:
Việc huấn luyện cĩ ý nghĩa quyết định đến độ chính xác cũng như sự thành cơng của chương trình. Kích thước của tập mẫu, số neural của lớp ẩn, khả năng tổng quát hĩa để tránh trường hợp quá khớp của mạng cũng cần được cân nhắc và tính tốn kỹ lưỡng để tăng độ chính xác của quá trình nhận dạng ký tự.
Để tăng khả năng tổng quát của neural, ta sẽ cĩ 3 tập mẫu: một tập để huấn luyện, một tập để kiểm tra, một tập để thử lại. Trong quá trình học, khi hàm lỗi của tập kiểm tra bắt đầu tăng thì cho dừng học, thời điểm này, neural cĩ khả năng tổng quát, và lỗi của tập mẫu thử lại cũng chính là lỗi của 1 đối tượng bất kì nào đưa vào mạng.
Số lượng mẫu của các tập mẫu như sau:
¾ Tập mẫu huấn luyện gồm 30 mẫu cho mỗi ký tự số từ 0 đến 9. ¾ Tập mẫu dùng để kiểm tra gồm 5 mẫu cho mỗi ký tự.
¾ Tập mẫu dùng để thử lại gồm 5 mẫu cho mỗi ký tự.
Chương 6: MẠCH ĐIỀU KHIỂN
6.2. Nguyên lý hoạt động:
Sau khi nhận dạng được ký tự trên biển số xe ra, chương trình sẽ tiến hành so sánh chuỗi ký tựđĩ với dữ liệu biển số xe vào được lưu từ trước. Máy tính sẽ truyền tín hiệu xuống vi điều khiển 89S52 làm sáng led, nếu đúng thì led green sáng, nếu sai thì led blue sáng.
Tín hiệu từ chân số 2 của cổng COM vào chân 8 của Max232, sau đĩ tín hiệu từ chân 9 của Max232 vào chân 10 của vi điều khiển 89S52.
Vi điều khiển sẽ kiểm tra tín hiệu truyền xuống. Nếu là đúng thì sẽ sáng led green, cịn sai thì sáng led blue.
Khi led green sáng, tín hiệu truyền xuống, làm quay động cơ. 4s sau, đèn Green tắt, động cơ trở về vị trí ban đầu.
KẾT LUẬN
Độ chính xác của chương trình nhận dạng biển số xe phụ thuộc vào ánh sáng mơi trường. Tuy nhiên yếu tố này ta cĩ thểđiều chỉnh được.
Việc nhận dạng ký tự cịn nhiều sai sĩt do khơng cĩ được một tập mẫu hồn chỉnh.
Chương trình được viết bằng MATLAB đã giải quyết được bài tốn nhận dạng với dung lượng lớn trong thực tế, qua đĩ giải quyết được yêu cầu của đề tài.
Để giải quyết các khĩ khăn của đề tài, người thực hiện xin đề xuất 1 số ý kiến sau đây:
¾ Sử dụng camera chuyên dụng.
¾ Thiết lập mơi trường ổn định xung quanh để làm tăng độ chính xác của ảnh chụp ( xác định 1 vị trí cốđịnh để chụp ảnh).
¾ Thu thập nhiều mẫu ký tựđể tăng tập mẫu qua đĩ tăng độ chính xác của chương trình.
TÀI LIỆU THAM KHẢO
[1] Amin Sarafraz (2004), “Detects lines in a binary image using common computer vision operation known as the Hough Transform”, University of Tehran, Iran.
[2] [Beal72] Beale, E. M. L., "A derivation of conjugate gradients," in F. A. Lootsma, ed., Numerical methods for nonlinear optimization, London: Academic Press, 1972.
[3] [Caud89] Caudill, M., Neural Networks Primer, San Francisco, CA: Miller Freeman Publications, 1989.
[4] [Cabu92] Caudill, M., and C.Butler, Understanding Neural Networks: Computer Explorations, vols. 1 and 2, cambridge, ma: the mit press, 1992.
[5] Ondrej martinsky, “Algorithmic and mathematical principles of automatic number plate recognition systems ”, brno 2007.
[6] Otsu, N. (1979), “A Threshold Selection Method from Gray-Level Histograms”, IEEE Transactions on Systems, Man, and Cybernetics, Vol. 9, No. 1, pp. 62-66.
Phụ lục 1: Code của chương trình MATLAB
1.CHỤP VÀ LƯU ẢNH TỪ WEBCAM:
obj = videoinput('winvideo', 1,'YUY2_640x480'); set(obj,'ReturnedColorSpace','rgb');
src_obj = getselectedsource(obj); get(src_obj);
vidRes = get(obj, 'VideoResolution'); nBands = get(obj, 'NumberOfBands');
hImage = image( zeros(vidRes(2), vidRes(1), nBands) ); preview(obj, hImage);
pause(2);
x=getsnapshot(obj); x=imresize(x,[480 640]);
imwrite(x,'D:\NCKH\bai lam\x.jpg','Quality', 100);
2.CHƯƠNG TRÌNH TÁCH BIỂN SỐ: function [bienso,biensomau]=laybiensohoanchinh(pic1); XSIZE = 50; YSIZE = 150; white_pic=laybienso(pic1); [r]=lp_area_extraction_lap(white_pic,30); n=length(r)/4 for i=1:n x=r(4*i-3); x2=r(4*i-2); y=r(4*i-1); y2=r(4*i); lp_area = pic1(y:y2, x:x2, :); angle = find_angle(lp_area);
pic = imrotate(white_pic(y:y2, x:x2), angle, 'bilinear');
[small_pic, xx, xx2, yy, yy2] = improved_lp_area(pic, angle);
[image, RECTx, RECTy] = crop_lp(small_pic, lp_area, xx, xx2, yy, yy2, angle);
end
image = imrotate(lp_area, angle, 'bilinear'); image=image(yy:yy2,xx:xx2,:);
cao = length(image(:,1,1)) ; rong=length(image(1,:,1));
if cao > rong
image = imrotate(image, -90, 'bilinear');
end
biensomau = image;
[grayImage, quantImage, bw] = quantizeImage(image);
quantImage = imadjust(grayImage, stretchlim(grayImage), [0 1]); bienso=bw;
return
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [vungbienso]=laybienso(x) %CẮT THƠ mucxam=rgb2gray(x); mucxam=medfilt2(mucxam,[3 3]); threshold=graythresh(mucxam); bw = im2bw(mucxam,threshold); bw = bwareaopen(bw,5000); vungbienso = bw; return %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [angle] = find_angle(rgb_image); %TÌM GĨC XOAY gray_image = rgb2gray(rgb_image);
theta = (0:179)';
[R, xp] = radon(edge(gray_image), theta); i = find(R > (max(R(:)) - 25));
[foo, ind] = sort(-R(i)); [y, x] = ind2sub(size(R), i); t = -theta(x)*pi/180; r = xp(y); [r,c] = find(R == max(R(:))); thetap = theta(c(1)); angle = 90 - thetap; return; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [pic, x1, x2, y1, y2] = improved_lp_area(image, angle); [x1,x2,y1,y2] = detect_lp_area(image, 0);
pic = image(y1:y2, x1:x2);
return;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [x, x2, y, y2] = detect_lp_area (white_pic, spacing); LP_MIN_AREA = 15000;
LP_MAX_AREA=74200; LP_MAX_RATIO = 0.8; LP_MIN_RATIO = 0.7;
dilated_pic = imdilate(white_pic, strel('diamond', 5)); stat = imfeature(bwlabel(dilated_pic));
depth = -1;
for i = 1 : length([stat.Area])
if stat(i).BoundingBox(2) >= depth && stat(i).Area > LP_MIN_AREA && ...
stat(i).BoundingBox(4) <= LP_MAX_RATIO*stat(i).BoundingBox(3) && ...
stat(i).BoundingBox(4) >= (LP_MIN_RATIO)*stat(i).BoundingBox(3) && stat(i).Area >= max([stat.Area])/3.5
depth = stat(i).BoundingBox(2); end;
r = [];
for i = 1 : length([stat.Area])
if stat(i).BoundingBox(2) == depth && stat(i).Area > LP_MIN_AREA && ...
stat(i).BoundingBox(4) <= LP_MAX_RATIO*stat(i).BoundingBox(3) && ...
stat(i).BoundingBox(4) >= (LP_MIN_RATIO)*stat(i).BoundingBox(3) && stat(i).Area >= max([stat.Area])/3.5
r = [r stat(i).Area]; end;
end;
if(length(r) == 0)
index = (find([stat.Area] == max([stat.Area]))); else
index = (find([stat.Area] == max(r))); end;
x = max(floor(stat(index).BoundingBox(1) - spacing), 1); y = max(floor(stat(index).BoundingBox(2) - spacing), 1); width = ceil(stat(index).BoundingBox(3) + 2*spacing); height = ceil(stat(index).BoundingBox(4) + 2*spacing); y2 = min(y + height, size(white_pic, 1));
x2 = min(x + width, size(white_pic, 2));
return;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [image, RECTx, RECTy] = crop_lp(pic, lp_area, x1, x2, y1, y2, angle); rec = find_lp_location(pic);
image = imrotate(lp_area, angle, 'bilinear'); image = image(y1:y2, x1:x2, :);
RECTy = [rec(2), rec(2), rec(2) + rec(4), rec(2) + rec(4)]; RECTx = [rec(1), rec(1) + rec(3), rec(1) + rec(3), rec(1)]; image = imcrop(image, rec);
return;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [rec] = find_lp_location(im); p1 = sum(im);
[x1, x2] = find_contours(p1); p2 = sum(im');
[y1, y2] = find_contours(p2); rec = [x1, y1, x2-x1, y2-y1];
return;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [index1, index2] = find_contours(vec); avg = mean(vec); for j = 1 : length(vec) if(vec(1,j) <= avg) continue; end; index1 = j - 1; break;
end; for j = length(vec) : -1 : 1 if(vec(1,j) <= avg) continue; end; index2 = j + 1; break; end; return; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [grayImage, quantImage, bw] = quantizeImage(rgbImage); grayImage = rgb2gray(rgbImage);
quantImage = imadjust(grayImage, stretchlim(grayImage), [0 1]); quantImage = im2double(quantImage);
op = find_optimal_threshold(quantImage); bw = im2bw(quantImage, op);
return;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [im] = normalized_lp_contour(bwImage, dimension); im=imcomplement(bwImage); im = imresize(im, dimension); im=im(3:48,11:140); im = imresize(im, dimension); return; 3.PHÂN VÙNG BIỂN SỐ:
function [hang1,hang2] = phanvungchu(bienso); bit_cuoi=50; bit_giua=bit_cuoi/2; hang1 = bienso(1:bit_giua,:); hang2 = bienso((bit_giua+1):bit_cuoi,:); return %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [seg] = character_segmentation(bw); DIGIT_WIDTH =28;
MIN_AREA = 200;
seg = phanvung(bw, DIGIT_WIDTH, MIN_AREA); [x y] = size(seg);
if x < 4
for i = 1 : x
bw(:,seg(i,2))=0; end;
seg = phanvung(bw, DIGIT_WIDTH, MIN_AREA);
end; area = [];
pic = bw(:, seg(i,1) : seg(i,2), :); area(i) = bwarea(pic); end; area1 = sort(area); seg = seg'; for j = 1:(length(area1)-4) i = find(area == area1(j)); len = length(area); if i == 1 area = [area(2:len)]; seg = [seg(:,2:len)]; elseif i == len area = [area(1:i-1)]; seg = [seg(:,1:i-1)]; else
area = [area(1:i-1) area(i+1:len)]; seg = [seg(:,1:i-1) seg(:,i+1:len)]; end;
end; seg = seg';
return;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [segmentation] = phanvung(im, digit_width, min_area); segmentation = [];
t = sum(im);
seg = clean(vitricuctieu(t, 2, 1, digit_width), 3); j = 1;
for i = 1 : (length(seg) - 1)
band_width = seg(i+1) - seg(i); maxi = max(t(1, seg(i):seg(i+1))); if(maxi * band_width > min_area) segmentation(j, 1) = seg(i); segmentation(j, 2) = seg(i+1); j = j + 1; end; end; return; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [s] = vitricuctieu(t, val, offset, digit_width); s = find(t < val);
if(length(s) < 2)
s = vitricuctieu(t, val + 1, offset, digit_width); return;
end;
if((t(1,1) >= val) && s(1) ~= 1) s = [1 s];
end;
if((t(1, length(t)) >= val) && s(length(s)) ~= length(t)) s = [s length(t)];
end;
s = add(s, offset - 1); s = clean(s, 3);
while bad_digit(s, digit_width) == 1 for i = 1: (length(s) - 1)
if (s(i + 1) - s(i)) > digit_width
sub_vec = t(1, s(i) - offset + 1 : s(i+1) - offset + 1);
s = [s(1 : i) vitricuctieu(sub_vec, val + 1, s(i), digit_width) s(i+1 : length(s))]; end;
end;
end;
return;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [bool] = bad_digit(s, digit_width);
if length(s) == 0 bool = 0; return; end; tmp = s(1); bool = 0; for i = 2 : length(s) if(s(i) - tmp) > digit_width bool = 1; return; end; tmp = s(i); end; return; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [t] = clean(s, val); t = [];
len = length(s); i = 2;
j = 1;
while i <= len
while(s(i) - s(i-1) <= val) i = i + 1; if(i > len) return; end; end; if j == 1||s(i-1)-t(j-1) > val t(j) = s(i-1);
j = j + 1; end; t(j) = s(i); j = j + 1; i = i + 1; end; return; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function [t] = add(s, val); len = length(s);
t = [];
for i = 1:len t(i) = s(i) + val;
end;
return;
4.NHẬN DẠNG KÝ TỰ:
function number2 = nhandangsonoron2(hang2, seg2, netso) load 'netso.mat';
number2 = [];
for i = 1:size(seg2, 1)
input = hang2(:, seg2(i,1) : seg2(i,2), :); rec = nhandangsonoron(netso, input);
number2 = strcat(number2, rec);
end return;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function so = nhandangsonoron(net,input ) matranmau=[35 20];
input = imresize(input, matranmau, 'nearest'); input=bwareaopen(input,60);
vec = double(im2col(input, size(input), 'distinct')); rslt = sim(net, vec); [Y,I] = max(rslt); num = I-1; so = char('0' + num); return;
Phụ lục 2: Code của vi điều khiển 89S52 RS BIT P2.3 RW BIT P2.4 EN BIT P2.5 ORG 0000H LJMP MAIN ORG 0023H LJMP INT_SERIAL ORG 0030H MAIN: MOV IE,#10010000B MOV TMOD,#00100001B MOV PCON,#00000000B MOV SCON,#01010000B MOV TH1,#-3 SETB TR1 MOV R1,#0 MOV R0,#"D" MOV P2,#0FFh INT_SERIAL: JNB RI,EXIT_SERIAL MOV A,SBUF CJNE A,#"A",TTO CPL p2.2 LCALL TRANF LCALL DELAYHT CPL p2.2 CLR RI RETI TTO: CJNE A,#"B",EXIT_SERIAL CPL p2.3
LCALL TRANF LCALL DELAYHT CPL p2.3 CLR RI RETI EXIT_SERIAL: CLR TI RETI TRANF: CPL p2.4 CLR ES MOV SBUF,A JNB TI,$ CLR TI CPL p2.4 SETB ES RET DELAY: MOV 77H,#255 DJNZ 77H,$ RET DELAYHT: MOV 7CH,#16 K: MOV 7EH,#255 L: LCALL DELAY DJNZ 7EH,L DJNZ 7CH,K RET END