基于深度学习的手写英文字母识别算法研究

发布时间：2020-04-24 00:20

【摘要】：深度学习技术是机器学习领域的一个重要子学科,其前身是神经网络。近年来,由于技术的突破,深度学习在计算机视觉、自然语言处理、机器翻译、无人驾驶还有机器人等人工智能相关领域都取得了很好的成绩。图像识别也是深度学习技术中一个十分重要的研究领域。它和其它的深度学习领域一样都需要面对过拟合和计算效率这两个难题。本文研究深度学习技术和卷积神经网络在图像识别领域的计算效率问题。虽然对于目前绝大多数的图像识别任务,在有足够数据的情况下,只要增加模型的复杂度,使用更多的计算资源或者更强大的专业计算设备,就可以使精度得到提升。但在许多现实情况中,例如在机械工程应用中,可以把这种基于神经网络的深度学习算法应用到工业机器人的图像识别算法上,利用该算法进行商品或者零件的分拣。而工业机器人中可利用的计算资源是有限的,限制了应用中能够使用的模型的复杂度。需要提高计算效率,降低参数的数量,才可能将其应用到更多的实际场景中。为了提高计算效率,本文基于多分支的Inception结构,提出了一种Inception结构的变体,利用它构成了深度卷积神经网络,并取得了较好的分类效果和较高的计算效率。本文的主要内容如下:1.通过对比实验,确定Inception所代表的多分支结构能获得比VGGNet所代表的直线型结构更好的结果。2.通过对Inception原型结构中的卷积核进行拆分,删除部分拆分后的卷积核,然后将剩余的卷积核重新安排到不同分支中的方式,提出了Inception结构的变体。在堆叠Inception变体结构,构建完整卷积神经网络时,适当增加了一些其他层级并调整了一些超参数。在和原型的对比实验中得到以下结果:第一,在相同的软、硬件环境下,且输入也完全相同时,针对手写英文字母数据集,变体结构能够获得92%以上的训练精度和87%以上的验证精度,略微优于原型的实验精度;第二,因为Inception变体结构所包含的参数比原型少,所以它的计算效率更高,平均每个批次的训练时间比原型减少14.898%。
【图文】：

微带天线,种类,微带

微带天线一般打印在具有可形成天线的反射板(即地板)的介电板上的金属导电板表面。其一般的馈电模式有单馈和双馈以及多馈,反射板和金属的导电性薄膜之间产生电磁边界,然后生成它们之间的反差,使用同轴探针向天线馈电，天线向外部辐射电磁波。根据微带不同的方式，一般我们可以将其分为成 4 种类别：(a)微带贴片天线,( b)微带振子天线,( c)微带缝隙天线,(d)微带行波天线。它们的基本结构如图所示。（a）微带贴片天线（b）微带振子天线

结构图,单元天线,结构图,圆极化

图 3.1 卫通单元天线结构图卫通相控阵要实现左旋圆极化辐射，根据前面所述微带天线的理论，圆极化的关键就是要形成两个大小相等相位差 90°输出端口，而我们利用馈电方法来实现的话主要有单馈电点和双馈电点两种形式。单馈电点主要通过激励起一个谐振模，然后通过切角或者开槽等技术微扰形成第二个简并模，实现圆极化的频点在两个简并模的谐振频率之间。在使用切角产生圆极化的方法中，在方形贴片对角线上产生的两个简并模相位差 0°，两个互相垂直的方向上产生的谐振模一般都会产生相位偏移 90°，从而实现圆极化。综合上述方法讨论，在实现微带线的圆极化性能时，我们可以采用单馈点和双馈点。一般双馈电点相位差比较稳定，调试的时候会方便一些，但是复杂的馈电网络会使天线设计难度增加，而单馈点相对比较简单，设计时不用考虑网络因素，但是天线带宽就会比较窄，稳定性不高。综合考虑项目轴比要求比较高，故而采用双馈电点来实现圆极化。馈电点距离圆心距离为l，通过 HFSS 仿真得出l的大小对天线驻波比的影响如下图所示：
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TP18

【参考文献】