matlab基于bp神经网络的人脸识别

function FaceRecognitionByBPneuralnetwork
%% 基于BP神经网络的人脸识别
%%2014-05-14

clc

global base net         %定义全局变量，用于 TestofFaceRecognition.m 函数中

%% 第一步，利用主元分析PCA法提取图像的特征矩阵

allsamples=[];                                %所有训练图像
for i=1:40
    for j=1:5
      a=imread（strcat（‘E:\资料类\学习资料\人工神经网络\att_faces\orl_faces\s‘num2str（i）‘\‘num2str（j）‘.pgm‘））;
      b=a（1:112*92）;                          % b是行矢量 1×N，其中N＝10304，提取顺序是先列后行，即从上到下，从左到右
      b=double（b）;
      allsamples=[allsamples; b];             % allsamples 是一个M * N 矩阵，allsamples 中每一行数据代表一张图片，其中M＝400
    end
end
samplemean=mean（allsamples）;                  % 平均图片，1 × N
for i=1:200
    xmean（i:）=allsamples（i:）-samplemean;    % xmean是一个M × N矩阵，xmean每一行保存的数据是“每个图片数据-平均图片”
end

sigma=xmean*xmean‘;        % M * M 阶矩阵
[v d]=eig（sigma）;
d1=diag（d）;
[d2 index1]=sort（d1）;       %以升序排序
cols=size（v2）;            % 特征向量矩阵的列数
for i=1:cols
    vsort（:i） = v（: index1（cols-i+1） ）;    % vsort 是一个M*col（注:col一般等于M）阶矩阵，保存的是按降序排列的特征向量每一列构成一个特征向量
    dsort（i）   = d1（ index1（cols-i+1） ）;     % dsort 保存的是按降序排列的特征值，是一维行向量
end    %完成降序排列
%以下选择85%的能量
dsum = sum（dsort）;
    dsum_extract = 0;
    p= 0;
    while（ dsum_extract/dsum < 0.85）
        p=p + 1;
        dsum_extract = sum（dsort（1:p））;
    end
i=1;
%计算特征脸形成的坐标系
while （i<=p && dsort（i）>0）
    base（:i） = dsort（i）^（-1/2） * xmean‘ * vsort（:i）;     % base是N×p阶矩阵，除以dsort（i）^