基于PAC神经网络的手写数字分类识别技术研究

发布时间：2023-04-03 22:33

　　随着只能信息处理技术的快速发展,用计算机替代人来完成一些工作是今后一个重要的发展方向,而手写体数字识别就是其中的一个典型代表。如何应用计算机来智能化的进行手写体数字的分类识别,提高识别准确率及效率成为了该领域研究的一个重要目标。人工神经网络基于其强大的逼近效果和非线性处理能力,使得其在预测和分类识别等领域得到了非常广泛的应用。但是传统神经网络在手写体数字分类识别中,一般采用图像像素个数作为网络输入层神经元,造成整个网络神经元数目的过多,从而导致了学习时间的过长和效率的低下。本文根据传统神经网络存在的这些问题,根据主成分分析方法可以在降低维度的同时,保持原样本数据主要信息的作用,应用PCA神经网络对手写体数字进行了分类识别,将原样本数据从784维分别降至10、40、50、58维,隐含层神经元个数为30和100,然后从学习时间、学习效率以及分类准确率三个方面与原样本进行了比较分析。最后通过分析,神经网络输入从784维降至50维左右,具有与784维同等程度的准确率,且网络学习速度大大提高。在隐含层神经元个数为30的情况下,学习耗时减少87秒,效率提高了50%,最高准确率提高了0.06%。在隐...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 手写数字识别的发展历史和研究现状
        1.2.1 手写数字识别特征提取研究现状
        1.2.2 手写数字识别分类决策研究现状
    1.3 论文研究内容
    1.4 论文组织结构
2 神经网络
    2.1 神经网络概述
        2.1.1 神经网络拓扑结构
        2.1.2 神经网络学习规则
    2.2 梯度下降
        2.2.1 梯度下降原理
        2.2.2 随机梯度下降
    2.3 反向传播
        2.3.1 网络相关参数的符号表示
        2.3.2 关于反向传播的四个基本方程
        2.3.3 反向传播算法
    2.4 本章小结
3 数据的获取及处理
    3.1 数据的获取
    3.2 数据的归一化
    3.3 主成分分析法
        3.3.1 主成分分析原理
        3.3.2 主成分分析的步骤
    3.4 本章小结
4 基于PCA神经网络的手写数字分类识别
    4.1 数据的预处理及PCA分析
        4.1.1 数据的收集及归一化
        4.1.2 PCA分析
    4.2 基于PCA神经网络手写数字分类识别模型
    4.3 本章小结
5 实验仿真分析
    5.1 PCA神经网络分类识别过程
    5.2 仿真结果分析
        5.2.1 PCA神经网络10 维识别结果
        5.2.2 PCA神经网络40 维识别结果
        5.2.3 PCA神经网络50 维识别结果
        5.2.4 PCA神经网络58 维识别结果
    5.3 本章小结
6 总结与展望
致谢
参考文献



本文编号：3781268