导读:本文包含了手写数字识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:卷积,神经网络,数字,手写体,向量,特征,分量。
手写数字识别论文文献综述
杨宇轩[1]（2019）在《基于神经网络的手写数字识别》一文中研究指出随着计算机科学技术和现代信号处理技术的快速发展,得到了长足的发展的神经网络在图像处理方面得到了广泛的应用,并取得了不菲的成绩。以手写体数字图像为研究对象,通过设置神经网络模型对研究目的对象进行学习和训练等多方面进行介绍,并通过MATLAB软件仿真实现了对手写数字识别测试任务。实验结果表明本文所设置的神经网络的数字正确识别率约为93%,可以认为该神经网络取得了良好的识别效果。(本文来源于《通讯世界》期刊2019年12期）
汪雅琴,夏春蕾,戴曙光[2]（2019）在《基于LeNet-5模型的手写数字识别优化方法》一文中研究指出作为深度前馈人工神经网络的一种,卷积神经网络在图像识别领域得到了成功应用。其中,最经典的卷积神经网络模型就是LeNet-5模型。在MNIST字符库上运用该模型,通过优化卷积层的样本训练方式,即将原来以每批固定输入样本数量、固定迭代次数的训练方式,优化为以每批不同输入样本数量、不同迭代次数的混合训练样本方式。优化后的训练方式能够减少预处理工作量,加快识别速度。实验结果表明:在保证样本训练时间相等的前提下,优化后的混合样本输入方式可以得到更高的识别率。(本文来源于《计算机与数字工程》期刊2019年12期）
余圣新,夏成蹊,唐泽恬,丁召,杨晨[3]（2019）在《基于改进Inception卷积神经网络的手写体数字识别》一文中研究指出手写体数字识别风格变化大,而传统手写体数字识别的准确率又严重依赖于人工特征设计,一旦提取的特征不理想,识别效果就会收到非常大的影响。针对手写体识别正确率无法满足高精度的问题,设计一种高精度的手写体数字分类网络。首先使用连续非对称卷积提取图像的初步特征同时减少计算所需参数,其次使用深度可分离卷积改进Inception结构,并结合残差网络以防止梯度弥散,最后进行softmax分类。通过MNIST数据集实验,得到99.45%的识别率。为进一步提高网络识别率,在分类层使用支持向量机(SVM)代替传统卷积神经网络(CNN)的全连接层与softmax层,经交叉验证得到99.78%的识别率。结果表明,改进Inception结构能够获得更大的网络宽度,同时SVM对于CNN提取的特征的分类能力也有较好效果。(本文来源于《计算机应用与软件》期刊2019年12期）
黄旻浩[4]（2019）在《基于线性分类器的手写数字识别》一文中研究指出线性分类器作为理解最简单表现最直观的算法之一,在众多更新更复杂的算法的涌现之后,依然在模式识别的应用中有一席之地,有被学习的必要。本文首先建立了一个完整的线性分类器进行手写数字识别,使用MATLAB的研究环境和MNIST的手写数据库样本。首先对于待识别的样本进行预处理,建立线性分类器,使用样本集进行训练并分类,再使用测试集得到其分类效果的数据。为了不同模式识别样本的性能,本文选取了K均值聚类,BP神经网络和SVM算法,分别建立了分类器后,使用相同的样本集进行训练并测试其性能,从识别速度和准确性进行比较。最后本文对不同算法的测试效果进行比较,总结,分析各个识别算法的优劣。建立用户界面直观反映各个分类器的优劣和使用效果。(本文来源于《科学技术创新》期刊2019年33期）
黄志超,乔振华[5]（2019）在《基于机器学习模型的手写数字识别》一文中研究指出手写数字识别是将人手写的0-9十个数字识别出来的一个过程,本文首先分别使用逻辑斯蒂回归算法和支持向量机算法对提取出特征向量的图片进行训练,建立模型;其次,针对不同的样本数测试以上两个模型的准确性;最后通过Python3.7实验仿真,实验结果表明,这两种模型的识别的准确率较高。(本文来源于《电脑知识与技术》期刊2019年33期）
郭春妮,高瑜翔,黄坤超[6]（2019）在《基于二维双向PCA的手写数字识别算法研究》一文中研究指出手写数字识别系统中,传统K最近邻(KNN)算法的识别速度较慢,而基于主分量分析(PCA)以及二维主分量分析(2DPCA)的KNN识别算法其识别速度虽有提升,但识别率仍然有待提高。为此,提出了一种基于二维双向主分量分析(Two Dimension Double PCA,2DDPCA)结合KNN的识别算法,并使用MINIST手写数据集进行了仿真实验验证,结果表明,该算法与2DPCA相比,在识别速度相当的情况下,识别率可提高近3个百分点。(本文来源于《无线电工程》期刊2019年12期）
仲会娟,谢朝和,刘文武,刘大茂[7]（2019）在《基于CNN的多尺度特征在手写数字识别中的应用》一文中研究指出在手写数字识别数据集(MNIST)情景下,为了提高卷积神经网络的识别正确率,提出了一种改进的基于卷积神经网络(CNN)的多尺度特征识别算法.首先,利用卷积操作和池化操作提取图像中的全局特征及局部特征,通过二次卷积与特征融合获得数字图像的多尺度特征.然后,将多尺度特征送入全连接网络和Soft Max分类器,实现手写数字图像识别.最后,通过对不同网络结构的CNN算法进行评估表明,本文提出的算法可以有效提高网络精度,具有较好的泛化能力.(本文来源于《绵阳师范学院学报》期刊2019年11期）
安丽娜,蒋锐鹏[8]（2019）在《基于卷积神经网络的手写数字识别研究》一文中研究指出随着科技的不断发展,卷积神经网络被广泛应用于各个领域之中,研究热点之一就是手写数字的识别。文章基于深度学习卷积神经网络,用MNIST数据集作为训练集和测试集,同时对卷积神经网络中的卷积层、池化层和全连接层以及激活函数进行介绍,并在Python的环境下输入手写数字图片,然后通过卷积神经网络经典模型运用到所提供的数据集进行效果识别,将卷积神经网络数据集进行训练,在训练好的卷积神经网络中取得了较好的实验效果,最终该手写数字识别实验准确精度可以达到99.1%。(本文来源于《无线互联科技》期刊2019年20期）
林仁耀,邓浩伟,兰红[9]（2019）在《卷积神经网络结合SVM的手写数字识别算法》一文中研究指出利用卷积神经网络(CNN)识别手写数字是当前的研究热点,但CNN算法对硬件设备要求高,预测速度慢。而传统的机器学习分类算法通常需要依靠人工经验提取特征。提出一种卷积神经网络结合SVM的CNN-SVM手写数字识别算法。算法首先基于卷积神经网络设计第一层,第一层用于提取手写数字特征,其次第二层结合SVM对手写数字分类决策,然后得到识别结果。CNN-SVM具有收敛速度快,识别率高,识别速度快特点,用CNN提取的特征具有多样特性,提高了对手写数字特征识别效率,解决了传统人工经验提取特征的过程和对先验知识的依赖性,用SVM决策去除大部分冗余无关数据,提高了手写数字识别的正确率和预测速度。实验结果表明CNN-SVM相比单纯应用CNN或机器学习算法,识别效果更优。(本文来源于《通信技术》期刊2019年10期）
陈虹州[10]（2019）在《基于SVM的手写数字识别》一文中研究指出随着科学技术水平的不断发展,手写体数字的识别技术被越来越频繁地应用于各行各业发展中。邮政编码,银行支票等都可通过手写体数字识别技术进行数字识别,从而提高效率,节省大量的人力、物力和财力。支持向量机作为经典的有监督机器学习方法之一,其能在小样本空间下保持良好的性能,且具备强鲁棒性的优点。本文将支持向量机应用于手写体数字识别中,对MINIST数据集进行训练,并分析四种核函数以及OVO,OVR解决多分类问题的方式对训练时间以及识别精度的影响,为其他研究人员提供参考。(本文来源于《电子制作》期刊2019年18期）
手写数字识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
作为深度前馈人工神经网络的一种,卷积神经网络在图像识别领域得到了成功应用。其中,最经典的卷积神经网络模型就是LeNet-5模型。在MNIST字符库上运用该模型,通过优化卷积层的样本训练方式,即将原来以每批固定输入样本数量、固定迭代次数的训练方式,优化为以每批不同输入样本数量、不同迭代次数的混合训练样本方式。优化后的训练方式能够减少预处理工作量,加快识别速度。实验结果表明:在保证样本训练时间相等的前提下,优化后的混合样本输入方式可以得到更高的识别率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
手写数字识别论文参考文献
[1].杨宇轩.基于神经网络的手写数字识别[J].通讯世界.2019
[2].汪雅琴,夏春蕾,戴曙光.基于LeNet-5模型的手写数字识别优化方法[J].计算机与数字工程.2019
[3].余圣新,夏成蹊,唐泽恬,丁召,杨晨.基于改进Inception卷积神经网络的手写体数字识别[J].计算机应用与软件.2019
[4].黄旻浩.基于线性分类器的手写数字识别[J].科学技术创新.2019
[5].黄志超,乔振华.基于机器学习模型的手写数字识别[J].电脑知识与技术.2019
[6].郭春妮,高瑜翔,黄坤超.基于二维双向PCA的手写数字识别算法研究[J].无线电工程.2019
[7].仲会娟,谢朝和,刘文武,刘大茂.基于CNN的多尺度特征在手写数字识别中的应用[J].绵阳师范学院学报.2019
[8].安丽娜,蒋锐鹏.基于卷积神经网络的手写数字识别研究[J].无线互联科技.2019
[9].林仁耀,邓浩伟,兰红.卷积神经网络结合SVM的手写数字识别算法[J].通信技术.2019
[10].陈虹州.基于SVM的手写数字识别[J].电子制作.2019
论文知识图
