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 Network, CNN)的全连接层与softmax层，经交叉验证得到99.6%的识别率。