21世紀(jì)是一個(gè)大數(shù)據(jù)時(shí)代,以計(jì)算機(jī)為載體的數(shù)字化信息在世界各個(gè)角落傳播。傳統(tǒng)的人工數(shù)據(jù)錄入工作效率低、耗費(fèi)人力財(cái)力,為了將計(jì)算機(jī)辦公與數(shù)據(jù)錄入有機(jī)結(jié)合,手寫體數(shù)字識別技術(shù)提供了一種有效的手段。手寫體數(shù)字識別由于其自身結(jié)構(gòu)特點(diǎn)存在諸多問題,無論在技術(shù)領(lǐng)域還是應(yīng)用領(lǐng)域仍值得我們研究探索。深度學(xué)習(xí)(Deep Learning)是機(jī)器學(xué)習(xí)領(lǐng)域里最大的浪潮,是一種包含多個(gè)隱藏處理層的深層次網(wǎng)狀結(jié)構(gòu)計(jì)算模型,通過對數(shù)據(jù)的特征學(xué)習(xí)來獲得數(shù)據(jù)的多抽象層表示。近年來大規(guī)模數(shù)據(jù)集的出現(xiàn)以及高性能計(jì)算機(jī)硬件的發(fā)展對深度學(xué)習(xí)研究起到了至關(guān)重要的作用,隨之深度學(xué)習(xí)在計(jì)算機(jī)視覺處理、自然語言處理以及語音識別等諸多方面得到了應(yīng)用。本文首先介紹神經(jīng)網(wǎng)絡(luò)的相關(guān)理論知識和優(yōu)化方法,主要包括神經(jīng)元模型、多層感知器、BP神經(jīng)網(wǎng)絡(luò)、局部感知、下采樣、權(quán)值共享、卷積操作、激活函數(shù)、池化、Softmax回歸、批量歸一化、正則化等。分析采用深度神經(jīng)網(wǎng)絡(luò)模型做手寫體數(shù)字識別研究時(shí)容易產(chǎn)生過擬合的問題,并提出解決方案。針對數(shù)據(jù)集較少時(shí)容易導(dǎo)致過擬合的問題,本文采用數(shù)據(jù)增強(qiáng)的解決方案。解決方案中介紹生成式對抗網(wǎng)絡(luò)的相關(guān)理論知識,包括生成器... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：95 頁

【學(xué)位級別】：碩士

【部分圖文】：

DCGAN生成網(wǎng)絡(luò)模型

即所有標(biāo)簽為正例的樣本中被預(yù)測為正例所占的比重。通常 值越高則R 值越低，反之亦然。 F 1則為 和 相結(jié)合的評價(jià)指標(biāo)，對分類結(jié)果的評價(jià)更為全面。當(dāng)在分類任務(wù)中將某一類樣本視為正例，剩余樣本看做反例時(shí)，計(jì)算該類的 值，若 值越高，則說明分類器對該類的綜合分類性能越好。3.7 實(shí)驗(yàn)及結(jié)果分析3.7.1 實(shí)驗(yàn)數(shù)據(jù)集（1）MNIST 數(shù)據(jù)庫MNIST 手寫數(shù)字?jǐn)?shù)據(jù)集來自美國國家標(biāo)準(zhǔn)與技術(shù)研究所，該數(shù)據(jù)集包含訓(xùn)練集和測試集兩類，由高中學(xué)生和人口普查局工作人員共 250 人書寫制作，其中學(xué)生和工作人員各占 50%。訓(xùn)練集包含 60000 個(gè)訓(xùn)練樣本，測試集包含 10000 個(gè)測試樣本。該數(shù)據(jù)集細(xì)分為四部分：訓(xùn)練圖片集、訓(xùn)練標(biāo)簽集、測試圖片集和測試標(biāo)簽集。訓(xùn)練集部分樣本如圖 3.11 所示。

04 4 60000 數(shù)據(jù)樣08 4 28 數(shù)據(jù)樣12 4 28 數(shù)據(jù)樣16 1 - 像素……標(biāo)簽集的描述如表 3.7 所示。表3.7 測試標(biāo)簽數(shù)據(jù)格式偏移 數(shù)據(jù)長度（字節(jié)） 數(shù)值 屬性00 4 0x00000801 文件總04 4 60000 數(shù)據(jù)樣08 1 - 標(biāo)簽……

【參考文獻(xiàn)】：
期刊論文
[1]基于深度殘差網(wǎng)絡(luò)的手寫體數(shù)字識別[J]. 趙朋成,馮玉田,羅濤,雷安琪.  工業(yè)控制計(jì)算機(jī). 2017(10)
[2]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別[J]. 李斯凡,高法欽.  浙江理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(03)
[4]基于圖像特征提取的脫機(jī)手寫數(shù)字識別方法[J]. 周勝明,張玉葉,王春歆.  光學(xué)與光電技術(shù). 2016(05)
[5]深度學(xué)習(xí)中的無監(jiān)督學(xué)習(xí)方法綜述[J]. 殷瑞剛,魏帥,李晗,于洪.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2016(08)
[6]基于統(tǒng)計(jì)和結(jié)構(gòu)特征的手寫數(shù)字識別研究[J]. 雙小川,張克.  計(jì)算機(jī)工程與設(shè)計(jì). 2012(04)
[7]人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)影像領(lǐng)域的應(yīng)用進(jìn)展[J]. 苗延巍,伍建林.  實(shí)用放射學(xué)雜志. 2008(03)
[8]基于輪廓分段特征的手寫體阿拉伯?dāng)?shù)字識別[J]. 婁震,胡鐘山,楊靜宇,劉克,孫靖夷.  計(jì)算機(jī)學(xué)報(bào). 1999(10)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別研究與設(shè)計(jì)[D]. 劉辰雨.成都理工大學(xué) 2018
[2]基于生成對抗網(wǎng)絡(luò)的圖像類別不平衡問題數(shù)據(jù)擴(kuò)充方法[D]. 俞彬.華南理工大學(xué) 2018
[3]基于深度學(xué)習(xí)的手寫數(shù)字識別方法研究[D]. 王風(fēng)盼.重慶大學(xué) 2018
[4]基于嵌入式系統(tǒng)的車輛類型識別算法研究與應(yīng)用[D]. 吳治斌.西安電子科技大學(xué) 2017
[5]多層卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法的應(yīng)用研究[D]. 張萬亞.西安電子科技大學(xué) 2017
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別[D]. 蔣帥.吉林大學(xué) 2017



本文編號：2930642