کمک در شبکه عصبی" تشخیص هوشمند کلمات دستنویس فارسی"

[azadmnesh]

سلام
بچه ها پایان نامه من تشخیص هوشمند کلمات دستنویس فارسی است تو شبکه عصبی اش مشکل دارم میشه کمکم کنید ممنون میشم در این مورد به کمک فوری وفوتی نیازمندم
من نمی دونم چه جوری حروف را به شبکه عصبی بدم چند فکر کردم یکی این که 3000حرف را تومتغیر بریزم وبا پسوند matذخیره کردم
من اصلا با شبکه عصبی اشنایی ندارم
یه کدشبکه عصبی حروف تایپی پیداکردم که اصلا نمی دونم به درد کارمن می خوره یا نه
من اون کدو اینجا میذارم
%in the name of the most High

input1=csvread('G:\maryam\minsam\sam\Arial.tx t'
input2=csvread('G:\maryam\minsam\sam\bmitra.t xt'
input3=csvread('G:\maryam\minsam\sam\nazanin. txt'
input4=csvread('G:\maryam\minsam\sam\zar.txt& #039;
input5=csvread('G:\maryam\minsam\sam\tahoma.t xt'
input6=csvread('G:\maryam\minsam\sam\times new roman.txt'
input7=csvread('G:\maryam\minsam\sam\font6.tx t'
input8=csvread('G:\maryam\minsam\sam\font7.tx t'

out=input1(:,16);
mat=input1;
in1=[mat(:,1),mat(:,2),mat(:,3),mat(:,4),mat(:,5),mat(: ,6),mat(:,7),mat(:,8),mat(:,9),mat(:,10),mat(:,11) ,mat(:,12),mat(:,13),mat(:,14),mat(:,15)];
mat=input2;
in2=[mat(:,1),mat(:,2),mat(:,3),mat(:,4),mat(:,5),mat(: ,6),mat(:,7),mat(:,8),mat(:,9),mat(:,10),mat(:,11) ,mat(:,12),mat(:,13),mat(:,14),mat(:,15)];
mat=input3;
in3=[mat(:,1),mat(:,2),mat(:,3),mat(:,4),mat(:,5),mat(: ,6),mat(:,7),mat(:,8),mat(:,9),mat(:,10),mat(:,11) ,mat(:,12),mat(:,13),mat(:,14),mat(:,15)];
mat=input4;
in4=[mat(:,1),mat(:,2),mat(:,3),mat(:,4),mat(:,5),mat(: ,6),mat(:,7),mat(:,8),mat(:,9),mat(:,10),mat(:,11) ,mat(:,12),mat(:,13),mat(:,14),mat(:,15)];
mat=input5;
in5=[mat(:,1),mat(:,2),mat(:,3),mat(:,4),mat(:,5),mat(: ,6),mat(:,7),mat(:,8),mat(:,9),mat(:,10),mat(:,11) ,mat(:,12),mat(:,13),mat(:,14),mat(:,15)];
mat=input6;
in6=[mat(:,1),mat(:,2),mat(:,3),mat(:,4),mat(:,5),mat(: ,6),mat(:,7),mat(:,8),mat(:,9),mat(:,10),mat(:,11) ,mat(:,12),mat(:,13),mat(:,14),mat(:,15)];
mat=input7;
in7=[mat(:,1),mat(:,2),mat(:,3),mat(:,4),mat(:,5),mat(: ,6),mat(:,7),mat(:,8),mat(:,9),mat(:,10),mat(:,11) ,mat(:,12),mat(:,13),mat(:,14),mat(:,15)];
mat=input8;
in8=[mat(:,1),mat(:,2),mat(:,3),mat(:,4),mat(:,5),mat(: ,6),mat(:,7),mat(:,8),mat(:,9),mat(:,10),mat(:,11) ,mat(:,12),mat(:,13),mat(:,14),mat(:,15)];
inMatGlobal=[in1;in2;in3;in4;in5;in6;in7;in8];


%normalize input
%inputNormal=normalizeInput(inMatGlobal);
Bi=zeros(1,15);
Vi=zeros(1,15);
for i=1:15
col=inMatGlobal(:,i);
mean1=mean(col);
var1=var(col);
Bi(1,i)=mean1;
Vi(1,i)=var1;
for j=1:264
col(j)=(col(j)-mean1)/var1;

end;
out2(:,i)=col;

end;
inputNormal=out2;
save('c:\Bi1.txt','Bi','-ASCII'
save('c:\Vi1.txt','Vi','-ASCII'
%method 2 with sqrt
for i=1:15
col=inMatGlobal(:,i);
mean1=mean(col);
var1=sqrt(var(col));
for j=1:264
col(j)=(col(j)-mean1)/var1;

end;
out3(:,i)=col;

end;
inputNormalSqrt=out3;

%method 2 with max
for i=1:15
col=inMatGlobal(:,i);
mean1=mean(col);
mx=max(col)+.1;
for j=1:264
col(j)=(col(j)-mean1)/mx;

end;
out4(:,i)=col;

end;
inputNormalMax=out4;

%making output of nn
outMat=-1*ones(33,33);
for i=1:33
outMat(i,i)=1;
end;

outNormal=[outMat;outMat;outMat;outMat;outMat;outMat;outMat;o utMat];
%csvwrite('c:\inputNormal.dat',inputNorm al);
%csvwrite('c:\outputNormal.dat',outNorma l);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

net = mlp(15, 33, 33, 'linear'

% Set up vector of options for the optimiser.
options = zeros(1,18);
options(1) = 1; % This provides display of error values.
options(9) = 1; % Check the gradient calculations.
options(14) =2000; % Number of training cycles.
%
% % Train using scaled conjugate gradients.
[net, options] = netopt(net, options, inputNormal, outNormal, 'scg'
%
% % Plot the trained network predictions.
test=inputNormal(1:33,;
y = mlpfwd(net, test);
y

کسی میتونه بم کمک کنه چون خیلی به کمک نیازذارم می دونید که چیزی به پایان ترم نمونده!!!!!!!!
ممنون میشم هرکی هر نظری راهنمایی داره که می تونه بم کمک کنه دریغ نکنه