基于压缩近邻的样本选择方法在字符识别上的应用

下载PDF

导出

摘要本文通过压缩近邻规则选取样本和深度卷积神经网络实验,证明其能够减少训练样本,提升训练速度,降低存储空间还可以提高识别正确率。

作者关鑫

机构地区中国电子科技集团公司第五十四研究所

出处《电子技术与软件工程》 2016年第14期167-167,共1页 ELECTRONIC TECHNOLOGY & SOFTWARE ENGINEERING

关键词压缩紧邻字符识别正确率

参考文献3

1郝红卫,蒋蓉蓉.基于最近邻规则的神经网络训练样本选择方法[J].自动化学报,2007,33(12):1247-1251. 被引量：37
2余凯,贾磊,陈雨强,徐伟.深度学习的昨天、今天和明天[J].计算机研究与发展,2013,50(9):1799-1804. 被引量：596
3Bouchard G.Clustering and classification employing softmax function including efficient bounds:US,US 8065246 B2[P].2011.

1梁化楼,戴贵亮.人工神经网络与遗传算法的结合：进展及展望[J].电子学报,1995,23(10):194-200. 被引量：71
2MarkoffJ. How many computers to identify a cat?[NJ The New York Times, 2012-06-25.
3MarkoffJ. Scientists see promise in deep-learning programs[NJ. The New York Times, 2012-11-23.
4李彦宏.2012百度年会主题报告:相信技术的力量[R].北京:百度,2013.
510 Breakthrough Technologies 2013[N]. MIT Technology Review, 2013-04-23.
6Rumelhart D, Hinton G, Williams R. Learning representations by back-propagating errors[J]. Nature. 1986, 323(6088): 533-536.
7Hinton G, Salakhutdinov R. Reducing the dimensionality of data with neural networks[J]. Science. 2006, 313(504). Doi: 10. 1l26/science. 1127647.
8Dahl G. Yu Dong, Deng u, et a1. Context-dependent pre?trained deep neural networks for large vocabulary speech recognition[J]. IEEE Trans on Audio, Speech, and Language Processing. 2012, 20 (1): 30-42.
9Jaitly N. Nguyen P, Nguyen A, et a1. Application of pretrained deep neural networks to large vocabulary speech recognition[CJ //Proc of Interspeech , Grenoble, France: International Speech Communication Association, 2012.
10LeCun y, Boser B, DenkerJ S. et a1. Backpropagation applied to handwritten zip code recognition[J]. Neural Computation, 1989, I: 541-551.

1贾彦哲.论人工智能研发者过失犯的注意义务[J].华中师范大学研究生学报,2020(2):40-46.
2毕思文,Henri Jaffrès,Chandra Sekhar Roychoudhuri.量子遥感发展新态势——世界首次量子遥感国际会议评述[J].全球变化数据学报（中英文）,2019,3(4):317-325. 被引量：1
3范敏,胥小波,聂小明.基于字符级扩张卷积网络的Web攻击检测方法[J].计算机应用研究,2020,37(S02):234-237. 被引量：4
4孟威,尉永清,刘文锋.基于CRT机制混合神经网络的特定目标情感分析[J].计算机应用研究,2020,37(2):360-364. 被引量：2
5华夏,王新晴,马昭烨,王东,邵发明.基于递归神经网络的视频多目标检测技术[J].计算机应用研究,2020,37(2):615-620. 被引量：8
6刘树霄,衣立,张苏平,时晓曚,薛允传.基于全卷积神经网络方法的日间黄海海雾卫星反演研究[J].海洋湖沼通报,2019(6):13-22. 被引量：11
7王海涛.自主无人系统——概念、体系架构和设计要素[J].电信快报,2021(5):6-9.
8郭龙银,扎西多吉,尚慧杰,旦增.基于LSTM的藏语语音识别[J].电脑知识与技术,2020,0(4):154-155. 被引量：2
9李佳意,董万鹏,任梦,张吉超,弓成美琪.新时代计算机智能制造模式的研究进展[J].智能计算机与应用,2021,11(3):98-105. 被引量：1
10肖婧,谭阳红.基于新特征提取法和量子神经网络的手写数字识别[J].电子测量技术,2009,32(6):84-87. 被引量：11

1冯林,张名举,贺明峰,戚正君,滕弘飞.用分层互信息和薄板样条实现医学图像弹性自动配准[J].计算机辅助设计与图形学学报,2005,17(7):1492-1496. 被引量：16
2田保慧.正相关频繁项集的挖掘算法[J].华北水利水电学院学报,2008,29(4):65-67. 被引量：1
3黄玫,孙兴华,金国英,徐光祐.新闻视频显著人脸检索系统[J].计算机工程与应用,2003,39(27):60-63.
4韩敏,范迎南,孙燕楠.改进的模糊神经网络应用于投标报价[J].系统工程理论方法应用,2005,14(5):443-448. 被引量：5
5吴科主,江雨燕,周传华.一种多层次选择性集成学习算法[J].计算机应用与软件,2011,28(1):16-18. 被引量：1
6邝神芬,李银.集群SVM大规模数据分类算法[J].韶关学院学报,2011,32(8):9-13. 被引量：1
7孙海蓉,毛新静,韩璞,焦嵩鸣.基于规则选取和补偿运算的模糊系统建立方法[J].华北电力大学学报（自然科学版）,2006,33(4):16-19. 被引量：1
8陈特放,刘洁.基于启发式SVM的入侵检测系统研究[J].企业技术开发,2008,27(8):3-5. 被引量：2
9刘剑,张杨.基于模糊神经网络的竖炉温度控制[J].数字技术与应用,2011,29(9):18-18.
10李岩,禹海全,冯振声.基于粗集理论的规则知识获取[J].兵工自动化,2003,22(3):24-26. 被引量：7

电子技术与软件工程

2016年第14期

内容加载中请稍等...