一种用于手写体数字分类的可编程Hamming神经网络特征提取器

根据 Hamming神经网络的工作原理提出了一种可用于手写体数字识别的结构简单灵活的电流型可编程局部结构特征提取电路 .该特征提取器的模板不仅是可编程的 ,可根据不同的需要来随时更改模板的内容以适应不同的情况 ,而且其特征合并的方式也是可配置的 ,可根据不同的需要把所需的特征合并成不同的特征类别 .对于该可编程特征的电路模拟以及用单层多晶、双层金属的 1 .2μm数字 CMOS工艺所制作的实验芯片的测试表明 ,该电路能很好地完成特征提取的功能 .

采用较高序列单值分解的手写体数字分类方法

本文基于较高序列单值分解（HOSVD）的手写体数字分类，提出了两种算法。采用HOSVD的第一种算法针对类别模型的结构，得到的分类结果其差错率小于6％；采用HOSVD的第二种算法针对两种模式中几乎同时存在的张量近似，第二种算法的分类结果甚至低于5％。在以前的类别模型结构中，原始训练数据超过98％。在试验阶段，两种算法通过解决一组最小矩形的问题，在实际分类中进行处理。试验采用的第二种算法其计算量是第一种算法的两倍：

主成分分析阈值选择差异性分析研究

主成分分析是特征提取和数据降维中常用的方法,在很多应用中一般选择平均特征值作为主成分选择的标准。但是主成分的多少与应用结果之间的关系目前还没有具体的分析结果。因此,提出一种主成分阈值选择差异性的实验分析方法,为不同应用中主成分分析阈值的选择提供依据。将本文分析方法应用于手写数字样本集MNIST进行降维处理,根据不同的阈值构建不同的神经网络进行分类,分析不同阈值下分类准确率的变化情况。实验结果表明主成分阈值选择在79%~81%之间(维度为41~50)时,分类准确率最高;低于或高于该区间,准确率随之下降。实验结果证明了主成分分析阈值的选择与应用结果之间不为正相关关系,且平均特征值不是一个硬性的选择标准。