手寫體數(shù)字識別技術研究.pdf

1、手寫體數(shù)字識別的應用非常廣泛，而且要求識別有較低的誤識率。傳統(tǒng)的手寫數(shù)字識別的方法是通過提取手寫數(shù)字高維數(shù)特征集，并運用特征選擇方法篩選出較低維特征集，然后通過神經(jīng)網(wǎng)絡訓練得到手寫數(shù)字的分類器。這種方法往往不能達到識別的高精度要求。本文以手寫數(shù)字系統(tǒng)的高性能為出發(fā)點，摒棄了上述方法。
　　 本文設計的神經(jīng)網(wǎng)絡以字符圖像的所有像素灰度作為輸入，保證了數(shù)字字符的特征信息的完整性。在神經(jīng)網(wǎng)絡的設計上，針對數(shù)字圖像的特點，采用了卷積網(wǎng)絡

2、的設計方法，卷積網(wǎng)絡是專門針對圖像識別而設計的，其權值共享的特點可以減少網(wǎng)絡的訓練參數(shù)，使神經(jīng)網(wǎng)絡結(jié)構變得簡單，適應性變強。本文的卷積網(wǎng)絡共5層：一個輸入層、3個中間層和一個輸出層，其中中間層包括2個卷積層。每一個卷積層的神經(jīng)元組成若干個特征圖，每一個特征圖為上一層與特定卷積核進行卷積的結(jié)果，這個卷積核就是該特征圖的神經(jīng)元的共享權值陣列。
　　 網(wǎng)絡的學習算法仍然采用BP算法，但是在傳統(tǒng)的BP算法上引入了二階方法，即用于權值更新

3、的學習速率不再為固定值，而是與輸出代價函數(shù)的Hessian矩陣有關的能自適應的變化量。二階方法大大加快了網(wǎng)絡誤差的下降速度。另外，采用隨機輸入樣本，加快了收斂速度，而且可以避免陷入局部極小，從而改善訓練效果。文中選擇雙曲正切函數(shù)作為激勵函數(shù)，其(-1，+1)的值域范圍更適合本文的網(wǎng)絡輸出。對于那些網(wǎng)絡誤差小于上次誤差1/10的訓練階段，因為這種情況下的權值修正量比較小，所以本文忽略這些階段的反向傳播過程，這一處理方式提高了訓練的效率。<