基于LeNet-5的手写数字识别的改进方法

手写体识别是计算机视觉的一个重要研究方向。在手写体识别中,常规方法的泛化性能通常较低。相比之下,人工神经网络能够从样本数据中学习特征表达。文章详细探讨了基于LeNet-5和基于卷积神经网络的手写数字识别方法,并设计了图形用户界面(GUI)进行实际测试。测试结果显示,改进后的LeNet-5模型在手写数字识别上相较于传统LeNet-5模型有一定提升。

基于卷积神经网络的手写数字识别技术研究

手写数字识别与我们的生活和工作息息相关,传统的人工判断手写数字方式需要耗费大量精力,并且存在准确性不高和时效性不能保证的弊端。为解决这一问题,采用卷积神经网络方法来进行手写数字识别。首先将MNIST数据集划分为训练集与测试集,其次在MATLAB上搭建训练LeNet-5与AlexNet两种卷积神经网络模型,之后将测试集导入模型,测试性能,最后再将验证集导入验证模型性能。实验结果表明,AlexNet模型对验证集识别率高于LeNet-5模型,且AlexNet模型的稳定性优于LeNet-5。

基于手写数字识别APP的智能快递自提柜

选题背景随着电子商务的繁荣,物流需求急剧增长,传统的人力配送方式已无法满足人们的需求。智能快递自提柜作为一种新型的物流末端配送方式,可以24小时不间断提供服务,用户可以根据自己的时间安排随时取件,从而节省了等待配送的时间。同时,对于快递公司来说,智能快递柜可以节省人力成本,提高投递效率。本项目将开发一款基于手写数字识别APP的智能快递自提柜.

基于蜂鸟 E203 RISC-V 处理器的手写数字识别系统设计

手写数字识别是计算机视觉领域的一个经典问题,在车牌识别、光学字符识别等领域有重要作用。在嵌入式设备中部署高性能的手写数字识别系统,由于受到ARM和X86架构的约束,其系统的算力、成本、功耗等指标均不理想。RISC-V架构具有开源、精简、扩展性强和指令编码规整等优势,近年在业内备受好评。对开源的蜂鸟E203 RISC-V处理器进行优化,并加入卷积神经网络协处理器单元完成对手写数字的识别。测试结果表明,在系统工作频率为25 MHz时,采用蜂鸟E203 RISC-V处理器设计的卷积神经网络协处理器在进行手写数字识别时,平均识别耗时1 ms,处理视频流数据平均帧数在912帧,正确率为98%,证实了本系统的可行性,体现了RISC-V对比ARM以及X86架构处理器的优越性。

基于深度卷积神经网络的手写数字识别研究

为了进一步提高手写数字的识别准确率,基于深度卷积神经网络对识别过程进行了研究。采用PyTorch框架构建了一个手写数字识别模型;然后,使用MNIST数据集对模型进行训练以及实验测试。实验结果表明,提出的模型对手写数字识别准确率达到99.31%,与相关文献、LeNet-5模型和ResNet模型相比分别提高了11.01%、4.31%、3.31%、1.01%、4.31%、4.51%、10.71%和5.31%。

基于PCA降维的MNIST手写数字识别优化

PCA数据降维技术广泛应用于数据降维和数据的特征提取,可以很大程度上降低算法的计算复杂度,提升程序运行效率。文章将MNIST原始数据集和对原始数据集进行PCA降维处理之后的数据集作为样本,分别采用K-邻近算法、决策树ID3算法、SVC分类模型,以及选取不同分类算法作为基础分类器的集成学习方法,实现手写数字识别。在对MNIST数据集进行PCA降维前后,以及不同分类算法和模型执行结果的时间复杂度与预测准确率进行比对与分析,进一步强化与优化手写数字识别准确率等各项指标。

基于卷积神经网络的手写数字识别系统

卷积神经网络有着非常高的学习效率,现已被广泛应用于图像识别、人脸检测等各个领域。由于当图像有轻微位移, 扭曲或其他形式的变形时,卷积神经网络能减少误差,保持高度不变性,因此,卷积神经网络被广泛应用于手写数字识别,并且有 着较高的准确率。随着科学的发展,工作中必然会涉及手写数字的录入,所以,手写数字自动识别的研究有着重要性和必要性。本 文主要研究的是卷积神经网络在手写数字识别中的应用,主要的内容分为:了解卷积神经网络的网络结构,建立手写数字识别系 统,并对实验结果进行展示和分析。

基于主曲线的脱机手写数字识别

该文提出了一种基于主曲线的脱机手写数字识别方法.该方法将主曲线及知识约简算法运用于识别模型中.主曲线是主成份分析的非线性推广,它是通过数据分布“中间”并满足“自相合”的光滑曲线.它较好地反映了数据分布的结构特征.粗糙集理论的知识约简是从决策表中获取决策(分类)规则的有效工具.本文将主曲线用于训练数据的特征提取,根据主曲线的特征生成决策表;利用我们提出的知识约简算法对决策表进行处理,自动获得分类规则.这种方法既符合人的识别习惯,又克服了利用统计特征识别所带来的不足.实验结果表明了该方法能有效提高手写数字的识别率,为脱机手写数字识别的研究提供了一条新途径.

手写数字识别中组合式神经网络的构建方法

将聚类技术和遗传算法相结合,提出一种基于相似度传播算法和遗传算法的神经网络集成方法应用于手写数字识别问题.先分别利用主成分分析和Fisher线性判别分析对数据集进行特征提取,得到两类特征数据集,再利用Bagging方法分别为这两类特征数据集训练简单的BP神经网络,然后采用相似度传播算法对这些BP神经网络进行聚类,找到作为类簇中心的网络(中心网络),最后利用遗传算法对所有中心网络的权值进行训练,将中心网络进行加权线性集成作为最终分类器.在标准手写数字数据集MNIST上进行测试的实验结果表明,该方法的识别率优于单个神经网络的识别率,并兼顾了分类效率.

基于自组织映射的手写数字识别的并行实现

针对自组织映射(SOM)神经网络算法实现复杂的问题,提出SOM算法的简化方案及并行硬件电路架构.经典SOM算法中,权值更新函数须使用浮点数乘法、开方以及指数等运算,硬件并行实现十分困难.传统的SOM简化方法的聚类准确率不高,面对手写数字识别这类复杂应用,传统方法的识别率十分有限.提出的SOM简化算法可以在保证系统聚类准确率的同时,除去权值更新函数中的复杂运算,易于硬件的全并行实现.基于提出的SOM简化算法及并行电路架构,实现的手写数字识别系统的工作频率为50 MHz,单次输入的学习时间仅需200ns,实时处理性能可达400MCUPS.识别系统针对MNIST样本库的识别准确率超过81%,与经典SOM算法的准确率持平,明显优于其他SOM简化方法.

边缘智能背景下的手写数字识别

随着边缘智能的快速发展,现有手写数字识别卷积网络模型的发展已越来越不适应边缘部署、算力下降的要求,且存在小样本泛化能力较差和网络训练成本较高等问题。借鉴卷积神经网络(CNN)经典结构、Leaky_ReLU算法、dropout算法和遗传算法及自适应和混合池化思想构建了基于LeNet-DL改进网络的手写数字识别模型,分别在大样本数据集MNIST和小样本真实数据集REAL上与LeNet、LeNet+sigmoid、AlexNet等算法进行对比实验。改进网络的大样本识别精度可达99.34%,性能提升约0.83%;小样本识别精度可达78.89%,性能提升约8.34%。实验结果表明,LeNet-DL网络相较于传统CNN在大样本和小样本数据集上的训练成本更低、性能更优且模型泛化能力更强。

用于脱机手写数字识别的隐马尔可夫模型

将隐马尔可夫模型 (HMM)用于脱机手写数字识别中 ,系统如何建模是一个值得研究的问题 在考虑手写数字自身特点及特征抽取的基础上 ,对HMM模型的训练方法及模型参数的选取进行了研究 ,以提高系统识别率 在银行票据OCR的应用中 ,与基于神经网络的方法结合使用 ,使得整张票据的拒识率降低了 3% ,明显提高了银行票据OCR系统的性能 .

基于统计和结构特征的手写数字识别研究

针对目前手写数字识别精度不高的问题,通过对手写数字图像的研究,提出了基于手写数字图像的空间、旋转、层次和结构特性的特征提取方法。该方法把手写数字的统计和结构特征结合起来,以特征提取方法为基础,利用LibSVM算法对手写数字特征进行了训练和识别。通过实验给出了各个参数的推荐值,利用推荐参数值,手写数字MNIST字体库的识别率高达99.3333%。实验结果表明了该算法在识别手写数字上的有效性和准确性。

基于条件生成对抗网络的手写数字识别

针对当训练样本不足时,传统深度学习算法在手写数字识别中会出现训练不稳定、识别精度较低等问题,提出了基于条件生成对抗网络的识别方法。首先,在条件生成对抗网络的基础上,利用生成器使用类别标签控制图像生成的优点,将生成器产生的图像样本作为训练数据,扩充数据集。同时,利用反卷积网络和卷积网络分别构成生成器和判别器的网络结构,去掉全连接层以提升模型稳定性。然后,引入条件批量归一化,利用它使用类别标签的优点,使网络学习更多的特征。最后,改进判别器为分类器,并提出新的损失函数,加快收敛速度,提高识别精度。实验结果表明,本文所提出的手写数字识别方法生成的图像质量更好,识别准确率更高,达到99.43%,为生成对抗网络及其变体在图像识别领域中的应用提供了参考。

基于DSP的手写数字识别系统

介绍了基于TMS320VC5402的手写数字识别系统和该系统的基本原理,给出了它的硬件原理图和软件设计程序框图。最后描述了所用的识别算法和改进的训练算法。

基于概率测度支持向量机的静态手写数字识别方法

提出了基于概率测度的支持向量机算法,它采用概率分布作为均值嵌入构造再生希尔伯特空间,为了能够直接采用任何标准的基于核的学习技术,又构造了支持向量机的一般形式,称为基于概率测度的支持向量机(PMSVM).通过在MNIST数据库构建的虚拟样本进行实验,证明了该算法在识别率和时间消耗上更为有效.

基于AP和BP神经网络算法的手写数字识别

针对现有的手写数字识别技术不适合大规模应用的问题,提出了一种基于AP和BP神经网络的快速手写数字识别算法。首先对预处理后的样本通过AP算法(affinity propagation)聚类消除冗余,重新构造样本空间;然后构造BP(误差反向传播)神经网络模型,学习测试集合样本。采用UCI机器学习数据库中的数据进行实验,结果表明,算法的识别正确率可达96.10%,高于BP神经网络算法的识别正确率94.88%,且执行时间约为后者的10%,具有较高的实用价值。

基于小波变换和ART网络的手写数字识别

由于小波变换能有效地提取字符的结构特征,自适应共振(ART)网络有很好的学习能力。将二者结合起来,用小波变换抽取特征、用自适应共振ART网络作模式分类器来识别手写数字。实验证明该方法有很高的识别率,能够有效地进行手写数字的分类,可以满足实际应用。

MNIST邮政编码手写数字识别的研究

手写数字识别在很多领域都有着广泛的应用前景,论文研究了Gabor滤波器的特性及其特征提取的方法,PCM特征向量选择降低数据维数,SVM支持向量机的原理以及影响其性能的参数,并且克服了传统的维数灾难与过学习现象,用MNIST数据库做了仿真实验,交叉验证取得合适的SVM参数.实验表明,该方法取得了比较理想的结果,验证了SVM的多类分类方法,并与传统的一些分类方法做了比较分析.

基于动态权值集成的手写数字识别方法

提出了一种基于动态权值集成的多分类器手写数字识别方法。该方法采用BP神经网络的方法,对不同的特征输入向量构建不同的神经网络分类器,通过设定动态权值,进而对不同的分类器的输出向量采用多类器集成方法进行系统集成。实验结果表明该方法具有较高的识别率和识别精度。