基于改进Sigmoid卷积神经网络的手写体数字识别 |
| |
引用本文: | 樊继慧,滕少华,金弘林.基于改进Sigmoid卷积神经网络的手写体数字识别[J].计算机科学,2022(12):244-249. |
| |
作者姓名: | 樊继慧 滕少华 金弘林 |
| |
作者单位: | 1. 圣保罗大学研究生院;2. 广州理工学院计算机科学与工程学院;3. 广东工业大学计算机学院 |
| |
基金项目: | 国家自然科学基金(61972102); |
| |
摘 要: | 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 Network, CNN)的全连接层与softmax层,经交叉验证得到99.6%的识别率。
|
关 键 词: | 数字识别 K最近邻算法 深度学习 卷积神经网络 交叉熵 |
|
|