龙源期刊?/p>
http://www.qikan.com.cn
基于卷积神经网络的手写数字识别算?/p>
作者:张红
来源:《电子技术与软件工程?/p>
2017
年第
22
?/p>
针对手写数字算法需要人工预处理和特征提取的问题,将卷积神经网络应用于手写数字识
别中。利用卷积神经网络本身具有局域感受野、权值共享和次抽样的特性,能直接从原始数字
图像中提取样本的特征信息,作为神经网络的输入,能有效减小特征,缩小神经网络的规模?/p>
通过试验结果证明,采用卷积神经网络能减少前期处理工作量,并具有较高的网络识别率?/p>
【关键词】卷积神经网?/p>
手写数字识别
模式识别
特征提取
1
引言
手写数字识别的基本原理是把输入数字样本的特征与标准样本的特征进行模式匹配,以最
大相似度为度量原则,输出识别结果。在整个识别过程中,关键的是特征的选择提取额分类器
的设计。目前应用于手写数字识别的算法有
BP
神经网络、贝叶斯估计、支持向量机等,这些
方法在识别前需要人工确定预处理步骤和特征。在大量实践证明,这样的方法存在局限性,?/p>
法适应各种各样的字符特征。卷积神经网络预处理工序少,可进行特征学习的有点,让其对?/p>
字自负平移、缩放和扭曲等特征具有很强的纠错能力,故把卷积神经网络应用于手写数字?/p>
别,为手写数字识别提供一种新的工具?/p>
2
卷积神经网络
卷积神经网络主要应用于二维数据处理,它能够通过大量学习,求解出输入与输出之间的
关系。卷积神经网络是由卷积层和采样层交替组成,每一层中包括多个特征提取器。卷积层?/p>
的每一个神经元与上一层中的局部区域进行连接。通过卷积层的卷积运算,可以提取二维数?/p>
的特征信息,并且降低噪声对特征的干扰。采样层对二维数据进行抽样,降低其分辨率,在?/p>
量保留图像的特征信息的同时降低数据处理的维度,提高信息处理的速度?/p>
2.1
卷积神经网络模型
下面介绍典型的卷积神经网络模型,包括输入层,共有
7
层。其网络模型如图
1
所示?/p>
输入层负责接收输入,它是?/p>
32×
32
个节电组成。接着是卷积层
C1
,它是由
6
个大小为
28×
28
的特征图组成,特征图是卷积核对图像进行卷积运算后,通过激活函数作用形成的。采
样层
S2
是由
6
?/p>
14×
14
的特征图组成,然后采?/p>
mean-pooling
方式?/p>
C1
区域?/p>
2×
2
个像素求
取均值,然后通过激活函数输出结果。卷积层
C3
,它是由
6
个大小为
10×
10
的特征图组成?/p>
每个特征图接收采样层
S2
若干个特征连接?/p>
C5
层由
120
个大小为
1×
1
的特征图组成,卷积核