function mytest()

clc;
images=[ ];  
M_train=3;%表示人臉
N_train=5;%表示方向 
sample=[];  
pixel_value=[];
sample_number=0;

  for j=1:N_train
      for i=1:M_train
    str=strcat('Images\',num2str(i),'_',num2str(j),'.bmp'); %讀取圖像，連接字符串形成圖像的文件名。
    img= imread(str);  
    [rows cols]= size(img);%獲得圖像的行和列值。
     img_edge=edge(img,'Sobel');

    
     %由于在分割圖片中我們可以看到這個(gè)人臉的眼睛部分也就是位于分割后的第二行中，位置變化比較大，而且眼睛邊緣檢測(cè)效果很好
     
     sub_rows=floor(rows/6);%最接近的最小整數(shù),分成6行
     sub_cols=floor(cols/8);%最接近的最小整數(shù)，分成8列
     sample_num=M_train*N_train;%前5個(gè)是第一幅人臉的5個(gè)角度
    
     sample_number=sample_number+1;
     for subblock_i=1:8 %因?yàn)檫@還在i，j的循環(huán)中，所以不可以用i 
           block_num=subblock_i;
           pixel_value(sample_number,block_num)=0;  
            for ii=sub_rows:(2*sub_rows)
             for jj=(subblock_i-1)*sub_cols+1:subblock_i*sub_cols
                 pixel_value(sample_number,block_num)=pixel_value(sample_number,block_num)+img_edge(ii,jj);          
             end
            end     
     end  
  end
  end
  %將特征值轉(zhuǎn)換為小于1的值
 max_pixel_value=max(pixel_value);
  max_pixel_value_1=max(max_pixel_value); 
  for i=1:3
      mid_value=10^i;
      if(((max_pixel_value_1/mid_value)>1)&&((max_pixel_value_1/mid_value)<10))
         multiple_num=1/mid_value; 
         pixel_value=pixel_value*multiple_num; 
         break;
      end
  end     
  

% T 為目標(biāo)矢量 
    t=zeros(3,sample_number);
    %因?yàn)橛形孱悾灾辽儆?個(gè)數(shù)表示，5介于2的2次方和2的3次方之間
    for i=1:sample_number
        % if((mod(i,5)==1)||(mod(i,5)==4)||(mod(i,5)==0))
        if(i<=3)||((i>9)&&(i<=12))||((i>12)&&(i<=15))
            t(1,i)=1;
        end    
        %if((mod(i,5)==2)||(mod(i,5)==4)) 
        if((i>3)&&(i<=6))||((i>9)&&(i<=12))
            t(2,i)=1;
        end        
        %if((mod(i,5)==3)||(mod(i,5)==0)) 
        if((i>6)&&(i<=9))||((i>12)&&(i<=15))
            t(3,i)=1;
        end           
    end  
    
    
   

% NEWFF——生成一個(gè)新的前向神經(jīng)網(wǎng)絡(luò) 
% TRAIN——對(duì) BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練 
% SIM——對(duì) BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真 

%  定義訓(xùn)練樣本 
% P 為輸入矢量 
P=pixel_value'
% T 為目標(biāo)矢量 
T=t
size(P)
size(T)
% size(P)
% size(T)


%  創(chuàng)建一個(gè)新的前向神經(jīng)網(wǎng)絡(luò)  
net_1=newff(minmax(P),[10,3],{'tansig','purelin'},'traingdm')

%  當(dāng)前輸入層權(quán)值和閾值 
inputWeights=net_1.IW{1,1} 
inputbias=net_1.b{1} 
%  當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值 
layerWeights=net_1.LW{2,1} 
layerbias=net_1.b{2} 

%  設(shè)置訓(xùn)練參數(shù)
net_1.trainParam.show = 50; 
net_1.trainParam.lr = 0.05; 
net_1.trainParam.mc = 0.9; 
net_1.trainParam.epochs = 10000; 
net_1.trainParam.goal = 1e-3; 

%  調(diào)用 TRAINGDM 算法訓(xùn)練 BP 網(wǎng)絡(luò)
[net_1,tr]=train(net_1,P,T); 

%  對(duì) BP 網(wǎng)絡(luò)進(jìn)行仿真
A = sim(net_1,P); 
%  計(jì)算仿真誤差  
E = T - A; 
MSE=mse(E) 

x=[0.14 0 1 1 0 1 1 1.2]';
sim(net_1,x)

x=[0.1 0.3 0.2 0.2 0.2 0.2 0.2 0.2]';
sim(net_1,x)