VHCC – Application of MLP-BP  B1. Cài đặt weka (thư mục SOFT)  B2. Tạo file huấn luyện mô hình arff để sử dụng trong weka (có thể sử dụng file mô hình đã được xây dựng sẵn : TraingModel/train.arff và TestModel/test.arff) Dùng hàm Neural_TestDacTrung để tạo ra file train.arff (chưa có header). Hàm sẽ đọc vào 4500 mẫu số mỗi loại để xuất ra 7 đặc trưng cách nhau bởi dấu ‘,’. Thuộc tính cuối cùng là tên của phân loại (0-9). Tương tự , ta cũng tạo ra file test.arff bằng hàm Neural_Test với cấu trúc hàm tương tự. Tiếp theo là thêm header vào file test và train để có thể sử dụng, cấu trúc header như sau : @relation digitRecognition @attribute dactrung01 real @attribute dactrung02 real @attribute dactrung03 real @attribute dactrung04 real @attribute dactrung05 real @attribute dactrung06 real @attribute dactrung07 real @attribute phanloai{1,2,3,4,5,6,7,8,9,0} @data Trong đó các đặc trưng kiểu dữ liệu là real, phân lớp kiểu là nomial. VHCC – Application of MLP-BP  B3 : Huấn luyện và thử nghiệm bằng Weka o B3.1 : Dùng weka để mở file train.arff : VHCC – Application of MLP-BP o B3.2 : Chọn thuật toán sử dụng là Multi-Layer Perceptron Ta có thể chọn chế độ test trên chính file mô hình huấn luyện hoặc chỉ định test những mẫu mới (TestModel/test.arff) o B3.3 : Chạy chương trình, chờ kết quả (sẽ mất trung bình 15 phút đối với máy cấu hình Core 2 Duo 1.75GHz) . VHCC – Application of MLP-BP  B1. Cài đặt weka (thư mục SOFT)  B2. Tạo file huấn luyện mô hình arff để sử dụng trong weka (có thể sử dụng file mô hình đã được xây dựng. kiểu là nomial. VHCC – Application of MLP-BP  B3 : Huấn luyện và thử nghiệm bằng Weka o B3.1 : Dùng weka để mở file train.arff : VHCC – Application of MLP-BP o B3.2 : Chọn thuật toán