论文摘要：基于人工神经网络的手写数字识别

人工神经网络(ANN)是一种模拟人脑认知过程而设计的一种机器学习方法。该方法在上世纪末曾蓬勃发展，后因识别效果停滞不前而使研究陷入了低潮，直到2006年深度学习的出现，使得人工神经网络再次成为了机器学习领域的研究热点。基于深度学习的人工神经网络与传统人工神经网路方法的最大区别在于它试图模仿生物视觉系统的认知的“层次化结构”，其中最具代表性的就是卷积神经网络。卷积神经网络的特点是能够自动提取特征以及其权重共享机制大大减少了参数的数量。目前，卷积神经网络近年来已经在很多领域有着运用，如图像识别，语音识别，文本分类等众多领域，均取得了当前最高识别率，是目前国际公认的最佳识别方法，因此对卷积神经网络的研究具有非常高的意义和价值。

手写数字识别一直以来是识别问题中研究的经典问题，因其类别少、像素低的特点使得其成为研究者们实验新算法的不二选择。本文在整理和总结了神经网络的起源、发展及理论知识的基础上，先构建了一个普通人工神经网络模型，在此基础上又提出了一种四隐藏层的卷积神经网络模型，并在MNIST手写数字库上的识别率达到99.06%。本文的贡献如下：

阐述并分析了三种卷积神经网络的改进方法。ReLu激活函数，stochastic pooling的下采样方式以及dropout技术。

设计了一个三层神经网络模型，采用了5种特征提取方法提取了图像特征作为神经网络的输入，分析了该网络模型的难点与缺点。

设计了四隐藏层卷积神经网络并命名为CNN-4，引入ReLu函数作为激活函数，并在MNIST手写数字库上进行了测试。通过与著名的LeNet-5卷积神经网络进行了全方位的对比，结果显示本文提出的模型拥有更高的识别率，更快的收敛速度，更少的参数与连接数。

来源：半壳优胜鲸鱼幸运星转载请保留出处和链接！

本文链接：http://87cpy.com/283012.html