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，而且眼睛邊緣檢測效果很好
     
     sub_rows=floor(rows/6);%最接近的最小整數,分成6行
     sub_cols=floor(cols/8);%最接近的最小整數，分成8列
     sample_num=M_train*N_train;%前5個是第一幅人臉的5個角度
    
     sample_number=sample_number+1;
     for subblock_i=1:8 %因為這還在i，j的循環中，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 為目標矢量 
    t=zeros(3,sample_number);
    %因為有五類，所以至少用3個數表示，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——生成一個新的前向神經網絡 
% TRAIN——對 BP 神經網絡進行訓練 
% SIM——對 BP 神經網絡進行仿真 

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


%  創建一個新的前向神經網絡  
net_1=newff(minmax(P),[10,3],{'tansig','purelin'},'traingdm')

%  當前輸入層權值和閾值 
inputWeights=net_1.IW{1,1} 
inputbias=net_1.b{1} 
%  當前網絡層權值和閾值 
layerWeights=net_1.LW{2,1} 
layerbias=net_1.b{2} 

%  設置訓練參數
net_1.trainParam.show = 50;%訓練狀態的顯示幅度。 
net_1.trainParam.lr = 0.05; %學習率
net_1.trainParam.mc = 0.9; %動量
net_1.trainParam.epochs = 10000; %每10000次屏幕顯示一次
net_1.trainParam.goal = 1e-3; %目標誤差

%  調用 TRAINGDM 算法訓練 BP 網絡
[net_1,tr]=train(net_1,P,T);