基于改进Sigmoid卷积神经网络的手写体数字识别
深度学习技术在数字识别领域有着普遍的应用.通过深度学习技术构造神经网络模型,运用不同的激活函数搭配不同的参数初始化策略,对MINIST手写数据集进行训练;构建分析模型,识别图像中的数字,将大数据量的图片降维成小数据量图片,同时保证能够有效保留图片特征;通过对图片数据的分析,加入特征转换过程,利用梯度下降优化器,搭建网络结构,将数据降维,有效地避免过拟合;利用交叉熵验证对模型进行编译和训练,对输出的分类结果进行进一步分析,在Sigmoid激活函数的输出层,通过K最近邻分类算法,设置KNN分类器,进一步提高了分类预测的准确率.MNIST数据集上的实验结果显示识别率为96.2%,在输出层引入K最近邻算法KNN(K-Nearst Neighbors)结合传统卷积神经网络(Convolutional Neural Net-work,CNN)的全连接层与softmax层,经交叉验证得到99.6% 的识别率.
数字识别、K最近邻算法、深度学习、卷积神经网络、交叉熵
49
TP391(计算技术、计算机技术)
国家自然科学基金;广东省教育厅重大专项;广东省高等教育研究课题;校本研究项目
2022-12-29(万方平台首次上网日期,不代表论文的发表时间)
共6页
244-249