%特征識別
%識別26個字母 使用函數newwff創建一個兩層網絡并初始化
%***********************************
[alphabet,targets]=prprob;
S1=10;
[R,Q]=size(alphabet);               %alphabet在prprob函數中有定義
[S2,Q]=size(targets);               %targets在prprob函數中有定義
P=alphabet;
net=newff(minmax(P),[S1 S2],{'logsig' 'logsig'},'traingdx');
net.LW{2,1}=net.LW{2,1}*0.01;
net.b{2}=net.b{2}*0.01;
%**********************************
%網絡訓練  用理想的信號進行訓練和加有噪聲的信號進行訓練
%用理想的信號
P=alphabet;
T=targets;
net.performFcn='sse';
net.trainParam.goal=0.1;
net.trainParam.show=20;
net.trainParam.epochs=5000;
net.trainParam.mc=0.95;
[net,tr]=train(net,P,T);
%**********************************
%加有噪聲的信號進行訓練 300個時間單位 誤差參數增加到0.6 因為訓練內容提高了4倍
netn=net;
netn.trainParam.goal=0.6;
netn.trainParam.epochs=300;
T=[targets targets targets targets];
for pass=1:10
    P=[alphabet,alphabet,...
            (alphabet+randn(R,Q)*0.1),...
            (alphabet+randn(R,Q)*0.2)];
    [netn,tr]=train(netn,P,T);
end

%************************************************
%系統性能評估
noise_range=0:0.05:0.5;
max_test=100;
T=targets;
for i=1:11
    noiselevel(i)=noise_range(i);
    errors1(i)=0;
    errors2(i)=0;
    for j=1:max_test
        P=alphabet+randn(35,26)*noiselevel(i);      %測試款經誤差訓練的網絡
        A=sim(net,P);
        AA=compet(A);
        errors1(i)=errors1(i)+sum(sum(abs(AA-T)))/2; %測試經過誤差訓練的網絡
        An=sim(netn,P);
        AAn=compet(An);
        errors2(i)=errors2(i)+sum(sum(abs(AAn-T)))/2;
    end
end
pause
figure(1);
plot(noise_range,errors1*100,'--',noise_range,errors2*100);
title('識別錯誤率');
xlabel('噪聲指標');
ylabel('未經誤差訓練的網絡--  經過誤差訓練的網絡---');
%******************************************************
%測試系統
for index=1:5:26;
    noisyJ=alphabet(:,index)+randn(35,1)*0.2;
    figure(2);
    plotchar(noisyJ);
    A2=sim(net,noisyJ);
    A2=compet(A2);
    answer=find(compet(A2)==1);
    figure(3);
    plotchar(alphabet