摘要：在经济全球化的今天，对于手写阿拉伯数字的正确识别在金融领域，特别是银行票据处理，业务受理查询方面的应用将极大的方便人们日常生活，提高工作效率，这也使得手写数字的识别研究工作飞速发展。本次设计用到的主要技术为BP神经网络算法，设计GUI界面来运行程序，并通过串口发送到STM32，LCD实时显示识别结果，实现对STM32端的控制。
关键词： STM32 MATLAB数字识别 BP神经网络
1.系统总设计方案
本设计提出了一种数字图片识别系统的方案。由MATLAB端输入一张带有数字的图片，使用通过MNISIT训练集经由神经网络训练出的模型识别带有数字的图片，并将识别的结果通过串口发送到STM32,并通过液晶显示屏LCD实时显示，不同数字实现对STM32不同的控制作用，具体的控制流程图如下图所示。
2.软件设计
2.1数字识别算法
2.1.1 BP神经网络训练MNISIT样本集得到模型
BP算法由信号的正向传播和误差的反向传播两个过程组成。正向传播时，输入样本从输入层进入网络，经隐层逐层传递至输出层，如果输出层的实际输出与期望输出不同，则转至误差反向传播；如果输出层的实际输出与期望输出相同，结束学习算法。反向传播时，将输出误差(期望输出与实际输出之差)按原通路反传计算，通过隐层反向，直至输入层，在反传过程中将误差分摊给各层的各个单元，获得各层各单元的误差信号，并将其作为修正各单元权值的根据。这一计算过程使用梯度下降法完成，在不停地调整各层神经元的权值和阈值后，使误差信号减小到最低限度。
2.1.2 输入图片处理
输入的图片为28*28,通过读取每一个像素点的像素值，得到每一张图片的特征列向量，使用训练好的BP神经网络模型对其进行识别。
2.2串口通信
上下位机之间通过串口作为通信接口，通过简单的协议进行数据的传输，协
议定义如下：
3.具体实现
3.1 GUI界面设计
本设计的 GUI 界面由MATLAB编写，利用画图的形式画出前端的界面。将整个 GUI 分成了图片显示面板，控制面板，识别显示面板，波形显示面板。具体界面见下图。
3.2 BP神经网络的训练
本次应用中的BP算法步骤如下：
1.初始化，用随机数给各权值和阈值赋初值。
2.对训练集中每一样本进行计算。
①前向计算隐层、输出层各神经元的输出。
②计算期望输出与网络输出的误差。
③反向计算修正网络权值和阈值。
3.若满足训练次数，则结束训练，否则转步骤2)继续。
4.结果分析与输出。
具体的核心代码如下所示：
for num=1:10; %迭代10次
for i=1:sum;
label=zeros(10,1);
label(train_y(i)+1,1)=1;%前向传播
temp1=((train_x_matrix(:,i)')*w1)'+bias1;
net=sigmoid(temp1);
temp2=((net')*w2)'+bias2;
z=sigmoid(temp2);%反向传播计算误差更新权值w1,w2
error=label-z;
deZ=error.*z.*(1-z);
denet=net.*(1-net).*(w2*deZ);
for j=1:output;
w2(:,j)=w2(:,j)+rate2.*deZ(j,1).*net;
end
for j=1:hid; w1(:,j)=w1(:,j)+rate1.*denet(j,1).*train_x_matrix(:,);
end
bias2=bias2+rate2*deZ;
bias1=bias1+rate1*denet;
end
end
3.3串口通信的配置
配置串口波特率为115200，其具体参数配置如下所示s=serial('COM3');
s.baudrate=115200;
s.parity='none';
s.stopbits=1;
s.InputBufferSize=3;
s.BytesAvailableFcnMode='byte';
s.BytesAvailableFcnCount=3;
3.4 LCD实时显示识别结果
3.5 通过不同的数字实现对STM32不同的控制
数字为1时，在STM32端点亮逐渐点亮LED灯，使得其亮度逐渐变化，将LED的亮度PWM值发送至MATLAB，即可显示其PWM波形。
如图所示得到其亮度PWM变化的曲线，可将其改编应用至实际使用中实现MATLAB端接收STM32的数据并实时显示，从而控制相应的对象。并可以将其他的数字拓展至相应的功能，实现MATLAB端输入数字的图片，不同的数字实现对STM32不同控制的完整功能。
实验方法分析与对比
BP算法分析
优点：
本次使用BP神经网络实现MNISIT数据集的手写数字识别，原理相较复杂的神经网络容易，同时参数不多，能够模拟比较复杂的模型，能够广泛应用，对模型的要求不高。
本次实践中，仅使用了３层网络，同时隐藏层的神经元个数为20，即可以得到92%，93%左右的正确率，同时可以进一步改变迭代次数，学习率等相关参数来得到更高的正确率，改进空间比较大。
缺点：
训练时间较长，这主要是因为学习率太小所致，同时样本的数量比较大，在本次实践中，我选取了固定参数的学习率，可以采用自适应的学习率加以改进此问题。
4.2串口通信分析
此次选用的串口通信，实验过程中曾发生过数据传输错误的情况，考虑到选用的网络协议较为简单，其缺点很明显，串口发送速度缓慢且一次只能发送一个字节，故实际使用中可以选择其他的通信方法。
总结
本次设计完成了一套基于 STM32与MATLAB 的数字图片识别设计，效果均已达到。但因为一开始考虑不周，未连接实际的对象进行控制，故做出来的系统功能有限且实用性不大。之后可以考虑连接具体的被控对象，实现对其的控制，将该系统的数字功能拓展完整。
