手写体数字识别

摘要： 本文针对手写体数据集在进行卷积神经网络算法训练时分别使用交叉熵损失函数与负对数似然函数进行实验,通过对这两种损失函数下的训练集损失函数收敛曲线以及测试集精度曲线进行算法结果分析,本文得出交叉熵损失函数对比负对数似然函数更适用于手写体数据集进行卷积神经网络训练,同样得出对不同的训练数据集,损失函数的选择直接影响算法对数据的拟合度。

摘要： 手写体数字识别技术是模式识别领域研究的热点,而人工神经网络是人工智能领域的研究热点.本文将二者结合并利用TensorFlow技术,提出了一种基于TensorFlow的手写体数字识别技术.结果表明:该技术方法简单,识别率高,有一定的实用性.

摘要： 手写体数字0-9的识别在原始数据集的获取上较为容易,拥有MNIST的这种成熟的大型标准数据集,已经被视为是人工智能图像识别领域研究的入门问题,对其进行研究具有重要的现实意义。在众多的识别算法中,卷积神经网络在识别精度上的表现较为突出,而深度学习框架的出现在一定程度上降低了神经网络模型构建的难度和入学门槛。本文基于Tensorflow深度学习框架,详细讨论了如何构建LeNet-5卷积神经网络模型实现手写体数字识别的方法,使用MNIST数据集进行模型的训练与评估。

摘要： 近年来,人工智能和机器学习已成为国内外学者重要研究的领域。基于此,笔者探讨基于卷积神经网络(Convolutional Neural Networks,CNN)的高精度手写体数字识别,并将卷积内核大小、滤波器的数量、池化层的种类以及优化器的类型作为变量,通过改变这些变量做对比实验,检测模型训练和测试的准确率。实验结果表明,当卷积内核设置为3×3,三层卷积层滤波器的数量分别为32、64、128,使用最大池化层,选择Adam作为模型优化器的情况下,网络能够达到100%的训练准确率和99.55%的测试准确率,实现了高精度的手写体数字识别。

摘要： 本文介绍了3种不同的算法,通过比较使用的是卷积神经网络中的LeNet-5算法,运用LeNet-5算法对手写体数字识别算法准确率进行了研究。通过对卷积神经网络的基本原理以及其中LeNet-5模型进行介绍,使用PyCharm软件搭建了TensorFlow框架,运用MNIST数据集进行了识别准确率实验,对实验结果进行分析,得到通过改变参数可以影响准确率不同的结果。

摘要： 针对卷积神经网络(CNN)对运算的需求,现场可编程逻辑门阵列(FPGA)可以充分挖掘CNN内部并行计算的特性,提高运算速度.因此,本文基于FPGA开发平台,从模型优化、参数优化,硬件加速以及手写体数字识别四个方面对CNN的FPGA加速及应用进行研究.提出一种数字识别网络RLeNet,并对网络进行参数优化,卷积运算加速采用脉冲阵列与加法树结合的硬件结构实现,同时使用并行技术和流水线技术优化加速,并使用microblaze IP通过中断控制CNN加速器IP接收串口发送的图片数据进行预测,输出结果.最后在Xilinx Nexys 4 DDR:Artix-7开发板上实现了MNIST数据集手写体数字识别预测过程,当系统时钟为200MHz时,预测一张图片的时间为36.47us.

摘要： 针对传统KNN算法的手写数字识别运算量大和分类准确率低的问题,笔者提出一种基于分块LBP特征和训练集生成均值特征向量的改进KNN算法.该方法将样本图像分割为4个区域,分别提取各个区域的LBP直方图,然后将其组合作为该图像的特征向量.通过对比发现,基于分块LBP特征的传统KNN算法的分类准确率达到89％,但用时较长;运用改进后的KNN算法的数字分类准确率达到100％,同时大大减少了计算时间.

摘要： 针对手写体数字识别问题提出了一种改进的ResNet网络模型.通过对ResNet网络的模型结构分析,利用残差解决梯度消失法的原理,对残差模型进行了修正,提出了一种改进的ResNet网络模型,并在公共数据集MNIST上进行了检测实验.实验结果表明,提出的网络模型具有较高的检测精度,改进后10层的残差网络,达到了改进前50层残差网络的检测效果.

摘要： 手写体数字识别系统具有广泛的应用场景.文章描述了一种把稀疏自编码器无监督学习得到的权值矩阵应用于卷积神经网络,利用提取的特征训练分类器,并将权值系数矩阵写入ARM Cortex-M4,实现了手写体数字实时识别系统的教学实验案例.

摘要： 随着计算机技术的高速发展,计算机识别文字成为重要研究领域.手写体数字识别技术可以用于财政报表、试卷成绩统计等手写数字识别录入系统.在信息化发展下,对手写体数字识别技术需求迫切.卷积神经网络可以提高手写体数字识别泛化能力.针对传统卷积神经网络激活函数收敛速度慢问题,改进CNN模型算法推导,改善模型收敛性.

摘要： 本文提出了一种基于结构特征分类BP网络的手写体数字识别新方法.首先,提取点、环等数字特征值,并根据一些特征分类,然后运用BP神经网络识别,对于拒识字符再以统计特征识别,来提高网络的识别能力.

摘要： 实验证明，单一的bp神经网络在手写体数字识别过程中虽然识别速度很快但不可能取得很高的识别率，同样单一的支持向量机，尽管有一个比较高的识别率，但是识别速度却难以令人满意。于是在这篇文章里，研究人员采取了一种组合的方案，将神经网络和向量机结合起来用于手写体数字识别，并且在试验中取得了令人满意的识别结果。

摘要： 该论文提出并实现一种基于细胞神经网络（ＣＮＮ）的电流型ＣＭＯＳ特征提取器。这种特征提取器可用手写体数字识别中的特征提取，它从归一化的二值手写体字符点阵的水平、垂直以及两个对角线上分别进行相邻连接单元特片（ＣＣＤ）的提取，经过合适的压缩后最终得到８０位二值征矢量。

摘要： 利用安全扫描和OCR识别技术实现气象档案数字化，是对纸质气象历史档案拯救和开发利用的有效途径。该文在对数字化技术进行调研和试验的基础上，提出了历史纸质气象档案数字化的建设思路，针对气象档案记录内容的特点，对OCR(Optical Character Recognition)手写体数字识别技术应用进行了分析，提出了气象档案OCR识别的解决策略，为业界的纸质气象档案数字化建设提供一种技术思路和有效的技术参考。

摘要： 本发明提供一种基于深度神经网络的未知手写体数字识别方法，通过关联成像技术提取未知手写体数字的特征，包括首先设计一组傅立叶散斑照射在未知手写数字图像上，然后使用一个没有空间分辨率的桶探测器收集每次检测结果，并通过四步相移方法获得未知手写体数字的特征信息，然后将该特征信息输入至已设计的、且训练过的深度神经网络中进行识别，实现对未知的数字图像进行分类。仿真结果表明，该方案具有较好的识别性能，且能够在不恢复手写体数字图片前提下对其进行识别。本发明具有识别率高、识别时间短特点，具有非局域特性，且所设计的深度神经网络结构简单，因而具有巨大的应用前景。

摘要： 本发明公开了一种基于单形进化的手写体数字识别检测方法，本发明使用基于单形邻域的全随机搜索方法减少算法控制参数，通过群体的多角色态保持粒子的多样性，避免算法陷入局部极值点。将该算法应用于径向基神经网络训练算法中，仿真实验结果表明，该算法训练的径向基神经网络相比于其他的算法不仅有效的提高了识别率，还减少了控制参数对学习性能的影响，算法的单控制参数特点提高了算法可靠性与普适性；算法的多角色态特点平衡了群体搜索的针对性与多样性，提高了训练算法的搜索效率与收敛性能，保证了算法在应用中的有效性。

摘要： 本发明公开了一种基于稀疏编码的手写体数字识别方法，用于解决现有手写邮政编码由于每个人写字习惯的不同而导致的识别效率低的问题。本发明包括1）读入训练集，将训练集组成一个字典；2）读入测试例，对测试例进行特征提取；3）通过稀疏编码算法将测试例用训练集字典进行稀疏表达；4）通过分类器进行分类识别。本发明在用测试集的各个列的线性来表示测试例的时候充分利用了训练集每一个元素的性质，因此能够提高手写体邮政编码的识别正确率，提高邮件分拣的速度。

摘要： 本发明公开了一种基于稀疏变换的手写体数字识别方法，首先对读入的训练数据进行预处理，其次将预处理后的训练数据经过目标函数训练得到变换矩阵W，再次待测数据经过稀疏变换得到稀疏表示系数x′，最后基于最近邻准则，将待测数据的稀疏表示系数x′与各类类标签进行比较，找出与待测样本最相似的类标签，并将待测样本归为该类标签所属的类中，完成手写数字的识别。本发明基于稀疏变换的手写体数字识别方法，待测数据经过稀疏变换后具有稀疏性，计算简便，提高了运行效率。

摘要： 一种基于增量半监督核极限学习机的在线手写体数字识别方法，包括以下步骤：给定标记样本和未标记样本，通过拉普拉斯正则项提取标记样本和未标记样本信息；建立核极限学习机模型，监督极限学习机找出一个映射函数和极限学习机的一个特征映射，确定极限学习机的训练目标，学得一个权值矩阵，使得映射函数和特征映射之间的差值最小，将权值向量转化为一个正则优化，然后建立核极限学习机模型；建立增量半监督极限学习机，并给出迭代解析解；标记和未标记样本中包含的信息被累积在迭代解析解中，半监督极限学习机给出一个判别决策函数，识别新得到的测试样本。本发明能在仅有少量标记样本时得到精确、稳健的手写体数字识别。

摘要： 本发明公开了一种基于双特征正交弹性维数约简的手写体数字识别方法，主要是构建局部无向近邻图与全局几何图的同时引入正交性准则，构建正交弹性维数约简模型，并进一步利用该模型实现了手写体数字的识别任务。其具体实现过程为：(1)利用模态策略对手写体数字图像进行模态化处理；(2)构建正交弹性维数约简模型；(3)利用双特征分解方法对该模型进行求解，并借助最近邻分类器实现的手写体数字的识别。与现有技术相比，本发明提出的基于双特征正交弹性维数约简的手写体数字识别方法更具有效性和鲁棒性。

摘要： 本发明公开了一种基于双视图标签弹性特征学习的手写体数字识别方法。本发明在最大化视图间整体散布的同时，尽量保留视图内鉴别局部散布和全局散布的弹性结构，从而形成半监督的标签弹性特征学习模型，以借助部分标签来获得更加具有鉴别力的弹性特征。具体实现过程为：(1)通过视图策略获取单视图图像的两种视图数据；(2)构建面向两种视图数据的标签弹性特征学习模型；(3)优化求解标签弹性特征学习模型，以获取双视图数据的弹性特征；(4)利用并行融合策略获取两种视图数据的融合弹性特征，最后利用最近邻分类器对融合弹性特征进行分类，以获得最终的识别结果。与现有技术相比，该方法能保留原始视图数据内的弹性鉴别结构，有效地提高手写体数字的识别性能。

摘要： 本发明提供一种基于深度神经网络的未知手写体数字识别方法，通过关联成像技术提取未知手写体数字的特征，包括首先设计一组傅立叶散斑照射在未知手写数字图像上，然后使用一个没有空间分辨率的桶探测器收集每次检测结果，并通过四步相移方法获得未知手写体数字的特征信息，然后将该特征信息输入至已设计的、且训练过的深度神经网络中进行识别，实现对未知的数字图像进行分类。仿真结果表明，该方案具有较好的识别性能，且能够在不恢复手写体数字图片前提下对其进行识别。本发明具有识别率高、识别时间短特点，具有非局域特性，且所设计的深度神经网络结构简单，因而具有巨大的应用前景。

摘要： 本发明公开了一种基于单形进化的手写体数字识别检测方法，本发明使用基于单形邻域的全随机搜索方法减少算法控制参数，通过群体的多角色态保持粒子的多样性，避免算法陷入局部极值点。将该算法应用于径向基神经网络训练算法中，仿真实验结果表明，该算法训练的径向基神经网络相比于其他的算法不仅有效的提高了识别率，还减少了控制参数对学习性能的影响，算法的单控制参数特点提高了算法可靠性与普适性；算法的多角色态特点平衡了群体搜索的针对性与多样性，提高了训练算法的搜索效率与收敛性能，保证了算法在应用中的有效性。

摘要： 本发明公开了一种基于卷积神经网络的手写体数字识别方法，包括如下步骤：对MNIST手写体数字集进行处理，使输入的手写体数字图片的像素为36*36；建立第一层卷积层，设置卷积层卷积核大小为9*9、卷积核的数量为256，并且采用Relu激活函数；建立第二层主胶囊层，基础胶囊层设置为32层，卷积核的大小仍为9*9，共建立10*10*32个胶囊，每个胶囊的向量为8维；建立第三层数字胶囊网络，构建了两个并行的数字胶囊网络DagitCaps1和DagitCaps2；对第三层的两个数字胶囊网络进行设置，每个数字胶囊层设置10个胶囊，每个胶囊设置成16维向量；用Marginloss损失函数完成整个网络参数的更新，分别预测出不同顺序的数字Label1和Label2。本发明不仅实现了重叠手写体数字的有序输出，而且提高了识别的准确率。