我有一個名爲（all_output）（這是輸出訓練和測試36個用戶的神經網絡）的矩陣。這個矩陣包含36個單元，每個單元具有值（如所示的attaced圖像中）計算生物識別系統（MATLAB）的錯誤接受和錯誤拒絕率
的（all_output）每個單元的含量附加圖像中示出
**___Update__**
，我將解釋如何（all_output）已經構建
神經網絡已經被訓練後，我在爲了測試神經網絡
% % % Test the Network %%%%%%%
outputs = net(Testing_Gen{i});
all_output{1,i}=outputs
Testing_Gen已經使用的代碼：是大小的矩陣（1 *如所附的 圖所示的36個單元）。
，
對於每個用戶，我有14試驗樣品（實施例），並且對於每個樣品143層的功能已被提取並存儲在一列。
在Testing_Gen矩陣中的每個單元包含用戶的測試樣品和冒名頂替的測試樣品（如附加的圖像中示出）
如我們可以看到，一個小區是（143行每個單元格中的第一列是用戶的樣本（真實用戶的樣本），其餘列是冒名頂尖的樣本（490個樣本[14 * 35]）
例如，我已提取14個樣品或例子爲用戶1被用於測試，因此，所述第一小區中包含的試驗樣品（實施例）用戶1（其爲14）和冒名頂替的樣品以及（490樣品[14 * 35]），以計算所述FAR和FRR
我想計算錯誤接受率（FAR），錯誤拒絕率（FRR）和等誤差率（EER）爲這個矩陣。
False Acceptance Rate是系統錯誤地接受冒名頂替者作爲合法用戶的百分比。
例如，計算爲FAR用戶1的所有冒名頂替者的樣本（這是已經存儲在（all_output）矩陣）需要針對用戶1 進行測試，並重復此過程倍。
False Rejection Rate顯示授權用戶被系統錯誤拒絕的百分比。
例如，爲了計算用戶1他的所有測試樣品的FRR（它已存儲在（all_output）矩陣）需要針對被測試用戶1並重復此步驟，對每個用戶的真實（36倍）。
EER簡單地可使用該方程（FAR + FRR）/ 2
來計算，而計算EER，所述EER的結果應該顯示具有FRR之間的平衡的必要性和FAR爲系統（換句話說，FAR和FRR的價值應儘可能接近彼此，因爲我的系統旨在平衡接受授權用戶和拒絕進口講演者）。
這是我迄今所做的計算FRR
%%% performance calculate FAR FRR EER
% %FRR
i=36; % number of users
for n=1:i
counter1=1;
for t=0:0.01:1 % Threeshold value
FRRsingletemp=sum(all_output{1,n}(size(all_output{1},1)):size(all_output{1},2)<t)/size(all_output{1},2);
FRRsingle(counter1)=FRRsingletemp;
counter1=counter1+1;
end
FRR(n,:)=FRRsingle;
end
你應該更好地解釋你在矩陣all_output上的確切含義。它是1x36矢量嗎？項目all_output {1，n}包含什麼？你說它有504個值，它們是什麼？ –
親愛的@ pablo_worker非常感謝你，請閱讀更新，讓我知道現在是否合理！ –
親愛的@ pablo_worker沒有聽到你的隊友？ –