基于深度残差网络的手写体数字识别研究
发布时间：2020-12-21 22:40
21世纪是一个大数据时代,以计算机为载体的数字化信息在世界各个角落传播。传统的人工数据录入工作效率低、耗费人力财力,为了将计算机办公与数据录入有机结合,手写体数字识别技术提供了一种有效的手段。手写体数字识别由于其自身结构特点存在诸多问题,无论在技术领域还是应用领域仍值得我们研究探索。深度学习(Deep Learning)是机器学习领域里最大的浪潮,是一种包含多个隐藏处理层的深层次网状结构计算模型,通过对数据的特征学习来获得数据的多抽象层表示。近年来大规模数据集的出现以及高性能计算机硬件的发展对深度学习研究起到了至关重要的作用,随之深度学习在计算机视觉处理、自然语言处理以及语音识别等诸多方面得到了应用。本文首先介绍神经网络的相关理论知识和优化方法,主要包括神经元模型、多层感知器、BP神经网络、局部感知、下采样、权值共享、卷积操作、激活函数、池化、Softmax回归、批量归一化、正则化等。分析采用深度神经网络模型做手写体数字识别研究时容易产生过拟合的问题,并提出解决方案。针对数据集较少时容易导致过拟合的问题,本文采用数据增强的解决方案。解决方案中介绍生成式对抗网络的相关理论知识,包括生成器...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
DCGAN生成网络模型
即所有标签为正例的样本中被预测为正例所占的比重。通常 值越高则R 值越低，反之亦然。 F 1则为 和 相结合的评价指标，对分类结果的评价更为全面。当在分类任务中将某一类样本视为正例，剩余样本看做反例时，计算该类的 值，若 值越高，则说明分类器对该类的综合分类性能越好。3.7 实验及结果分析3.7.1 实验数据集（1）MNIST 数据库MNIST 手写数字数据集来自美国国家标准与技术研究所，该数据集包含训练集和测试集两类，由高中学生和人口普查局工作人员共 250 人书写制作，其中学生和工作人员各占 50%。训练集包含 60000 个训练样本，测试集包含 10000 个测试样本。该数据集细分为四部分：训练图片集、训练标签集、测试图片集和测试标签集。训练集部分样本如图 3.11 所示。
04 4 60000 数据样08 4 28 数据样12 4 28 数据样16 1 - 像素……标签集的描述如表 3.7 所示。表3.7 测试标签数据格式偏移 数据长度（字节） 数值 属性00 4 0x00000801 文件总04 4 60000 数据样08 1 - 标签……
【参考文献】：
期刊论文
[1]基于深度残差网络的手写体数字识别[J]. 赵朋成,冯玉田,罗涛,雷安琪. 工业控制计算机. 2017(10)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]基于卷积神经网络的手写数字识别[J]. 李斯凡,高法钦. 浙江理工大学学报(自然科学版). 2017(03)
[4]基于图像特征提取的脱机手写数字识别方法[J]. 周胜明,张玉叶,王春歆. 光学与光电技术. 2016(05)
[5]深度学习中的无监督学习方法综述[J]. 殷瑞刚,魏帅,李晗,于洪. 计算机系统应用. 2016(08)
[6]基于统计和结构特征的手写数字识别研究[J]. 双小川,张克. 计算机工程与设计. 2012(04)
[7]人工神经网络在医学影像领域的应用进展[J]. 苗延巍,伍建林. 实用放射学杂志. 2008(03)
[8]基于轮廓分段特征的手写体阿拉伯数字识别[J]. 娄震,胡钟山,杨静宇,刘克,孙靖夷. 计算机学报. 1999(10)
硕士论文
[1]基于卷积神经网络的手写数字识别研究与设计[D]. 刘辰雨.成都理工大学 2018
[2]基于生成对抗网络的图像类别不平衡问题数据扩充方法[D]. 俞彬.华南理工大学 2018
[3]基于深度学习的手写数字识别方法研究[D]. 王风盼.重庆大学 2018
[4]基于嵌入式系统的车辆类型识别算法研究与应用[D]. 吴治斌.西安电子科技大学 2017
[5]多层卷积神经网络深度学习算法的应用研究[D]. 张万亚.西安电子科技大学 2017
[6]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
本文编号：2930642
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
DCGAN生成网络模型
即所有标签为正例的样本中被预测为正例所占的比重。通常 值越高则R 值越低，反之亦然。 F 1则为 和 相结合的评价指标，对分类结果的评价更为全面。当在分类任务中将某一类样本视为正例，剩余样本看做反例时，计算该类的 值，若 值越高，则说明分类器对该类的综合分类性能越好。3.7 实验及结果分析3.7.1 实验数据集（1）MNIST 数据库MNIST 手写数字数据集来自美国国家标准与技术研究所，该数据集包含训练集和测试集两类，由高中学生和人口普查局工作人员共 250 人书写制作，其中学生和工作人员各占 50%。训练集包含 60000 个训练样本，测试集包含 10000 个测试样本。该数据集细分为四部分：训练图片集、训练标签集、测试图片集和测试标签集。训练集部分样本如图 3.11 所示。
04 4 60000 数据样08 4 28 数据样12 4 28 数据样16 1 - 像素……标签集的描述如表 3.7 所示。表3.7 测试标签数据格式偏移 数据长度（字节） 数值 属性00 4 0x00000801 文件总04 4 60000 数据样08 1 - 标签……
【参考文献】：
期刊论文
[1]基于深度残差网络的手写体数字识别[J]. 赵朋成,冯玉田,罗涛,雷安琪. 工业控制计算机. 2017(10)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]基于卷积神经网络的手写数字识别[J]. 李斯凡,高法钦. 浙江理工大学学报(自然科学版). 2017(03)
[4]基于图像特征提取的脱机手写数字识别方法[J]. 周胜明,张玉叶,王春歆. 光学与光电技术. 2016(05)
[5]深度学习中的无监督学习方法综述[J]. 殷瑞刚,魏帅,李晗,于洪. 计算机系统应用. 2016(08)
[6]基于统计和结构特征的手写数字识别研究[J]. 双小川,张克. 计算机工程与设计. 2012(04)
[7]人工神经网络在医学影像领域的应用进展[J]. 苗延巍,伍建林. 实用放射学杂志. 2008(03)
[8]基于轮廓分段特征的手写体阿拉伯数字识别[J]. 娄震,胡钟山,杨静宇,刘克,孙靖夷. 计算机学报. 1999(10)
硕士论文
[1]基于卷积神经网络的手写数字识别研究与设计[D]. 刘辰雨.成都理工大学 2018
[2]基于生成对抗网络的图像类别不平衡问题数据扩充方法[D]. 俞彬.华南理工大学 2018
[3]基于深度学习的手写数字识别方法研究[D]. 王风盼.重庆大学 2018
[4]基于嵌入式系统的车辆类型识别算法研究与应用[D]. 吴治斌.西安电子科技大学 2017
[5]多层卷积神经网络深度学习算法的应用研究[D]. 张万亚.西安电子科技大学 2017
[6]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
本文编号：2930642
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2930642.html
