本文選題：深度學習　切入點：特征融合　出處：《計算機技術(shù)與發(fā)展》2016年07期

【摘要】：深度學習中的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計、特征提取與融合是數(shù)據(jù)挖掘和模式識別理論和行業(yè)應用中的關(guān)鍵問題。文中以相關(guān)領(lǐng)域中的典型應用問題手寫數(shù)字識別和權(quán)威數(shù)據(jù)庫MNIST為實驗平臺(包含七萬個手寫數(shù)字圖像),探索了深度學習網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計和特征融合問題,保證研究結(jié)果的實用性、代表性和可參考性。所給方案的步驟是:首先,設(shè)計非監(jiān)督深度學習網(wǎng)絡(luò),進行非監(jiān)督高層語義特征學習,提取深度特征(DF),探索特征的高層認知特點;其次,對手寫數(shù)字數(shù)據(jù)庫進行非監(jiān)督多特征提取,包括HOG(梯度方向直方圖)特征、PCA(主成分分析)特征、LDA(判別分析)特征、像素分布特征、穿越次數(shù)特征和投影特征,構(gòu)建手寫數(shù)字典型特征庫(Library of Typical Features,LTF);最后,構(gòu)建深度有監(jiān)督學習網(wǎng)絡(luò),有監(jiān)督地融合深度特征DF和典型特征庫。實驗結(jié)果表明,相比于文獻中的典型特征,該方案能夠?qū)⑹謱憯?shù)字識別的錯誤率有效降低50%。
[Abstract]:The design of network structure in deep learning, feature extraction and fusion is a key problem in data mining and pattern recognition theory and industry application. Typical application problems in relevant fields in the handwritten numeral recognition and authoritative database MNIST as the experimental platform (contains seventy thousand handwritten digital image), and explore the deep learning design and characteristics of the network the structure of the fusion problem, ensure the practicability of the research results, representative and reference. The plan steps are: firstly, supervision of deep learning network design, unsupervised learning high-level semantic feature extraction, feature depth (DF), characteristics of the high cognitive exploration characteristics; secondly, the handwritten digit database unsupervised feature extraction, including the HOG (gradient direction histogram), PCA (principal component analysis), LDA (discriminant analysis) feature pixel distribution, the number of crossing feature and projection feature Construction of syndrome, typical characteristics of handwritten digital library (Library of Typical Features, LTF); finally, the construction depth of supervised learning network, supervised feature fusion depth DF and typical feature database. The experimental results show that compared to the typical characteristics of the literature, this scheme can be hand written numeral recognition error rate decrease 50%.

【作者單位】： 華南師范大學數(shù)學科學學院;
【基金】：國家自然科學基金資助項目(61273248;61075033)
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 羅佳;王玲;;基于凹凸特性的非限制粘連手寫數(shù)字串切分[J];微計算機信息;2007年25期

2 黃威;韋鵬;;基于決策樹的手寫數(shù)字的識別[J];信息技術(shù)與信息化;2011年06期

3 張洪剛,吳銘,劉剛,郭軍;基于模具的手寫數(shù)字串切分算法及其應用[J];計算機學報;2003年07期

4 雷云,劉長松,丁曉青,付強;基于識別的粘連手寫數(shù)字串切分系統(tǒng)[J];清華大學學報(自然科學版);2005年04期

5 張巍;;手寫數(shù)字自動識別的聚類設(shè)計與實現(xiàn)[J];經(jīng)營管理者;2013年03期

6 張闖;藺志青;肖波;郭軍;;適用于銀行票據(jù)手寫數(shù)字串切分的滴水算法[J];北京郵電大學學報;2006年01期

7 宋婉娟;;基于支持向量機的手寫數(shù)字串識別[J];湖北第二師范學院學報;2010年02期

8 沈茜;;試卷存檔管理中手寫數(shù)字圖像的預處理[J];信息與電腦(理論版);2011年09期

9 馬瑞;楊靜宇;;一種用于手寫數(shù)字分割的滴水算法的改進[J];小型微型計算機系統(tǒng);2007年11期

10 丁杰;婁震;楊靜宇;;基于筆劃組合的手寫數(shù)字切分[J];中國圖象圖形學報;2009年08期

相關(guān)會議論文 前3條

1 劉剛;吳銘;張洪剛;郭軍;;多種切分方法組合的手寫數(shù)字串切分[A];第八屆全國漢字識別學術(shù)會議論文集[C];2002年

2 丁文;裴峗;吳卿;;基于七段中軸投影的手寫數(shù)字可信計算識別法[A];浙江省電子學會2009學術(shù)年會論文集[C];2009年

3 鄭天翔;謝亮;楊力華;;表格手寫數(shù)字串的若干技術(shù)研究[A];第十三屆全國圖象圖形學學術(shù)會議論文集[C];2006年

相關(guān)重要報紙文章 前1條

1 ;手寫數(shù)字簽名：金融無紙化的助推利器[N];中國計算機報;2013年

相關(guān)碩士學位論文 前6條

1 李佳徽;市場與用戶驅(qū)動的手寫數(shù)字簽名設(shè)備開發(fā)研究[D];燕山大學;2014年

2 劉聰;包含小數(shù)點的手寫數(shù)字串切分與識別[D];廈門大學;2014年

3 王永亮;基于粒子群神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字模糊識別[D];大慶石油學院;2009年

4 羅佳;無約束手寫數(shù)字串切分與識別算法研究[D];四川師范大學;2007年

5 張魁;基于遺傳-BP神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字的識別方法[D];西安科技大學;2012年

6 劉培根;銀行票據(jù)手寫數(shù)字串識別的預處理與分割[D];南京理工大學;2012年

，

本文編號：1674017