基于卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別軟件的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、卷積神經(jīng)網(wǎng)絡(luò)是將人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)兩種技術(shù)結(jié)合而產(chǎn)生的一種更新、更快的網(wǎng)絡(luò)。其特有的局部感受野、降采樣和權(quán)值共享、隱性特征提取等優(yōu)點(diǎn)使得其在圖像識別領(lǐng)域得到了廣泛應(yīng)用。
　　本文介紹了卷積神經(jīng)網(wǎng)絡(luò)模型的基本概念，分析了其優(yōu)缺點(diǎn)和適用范圍，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于手寫數(shù)字識別，取得了良好效果。論文主要工作如下:
　　(1)本文在遵循LeNet-5模型基礎(chǔ)上，減少特定的網(wǎng)絡(luò)訓(xùn)練參數(shù)和連接數(shù)目，依據(jù)過濾器和特征圖的數(shù)量的不同，設(shè)計(jì)

2、并實(shí)現(xiàn)了若干網(wǎng)絡(luò)模型，并以同一數(shù)據(jù)集作為訓(xùn)練樣本，應(yīng)用于數(shù)字識別。
　　(2)對比上述幾種網(wǎng)絡(luò)模型的實(shí)驗(yàn)結(jié)果，給出了適于本文的網(wǎng)絡(luò)結(jié)構(gòu)，說明了精簡、輕量網(wǎng)絡(luò)模型的可行性。
　　(3)通過對比上述若干網(wǎng)絡(luò)模型的學(xué)習(xí)特性和分類效果，分析了過濾器和特征圖數(shù)量與識別率之間的關(guān)系，簡述各個(gè)模型的優(yōu)缺點(diǎn)。
　　(4)本文得出的結(jié)論是在現(xiàn)有提供的網(wǎng)絡(luò)模型基礎(chǔ)上，以現(xiàn)有硬件資源為條件，CNN-2模型為最適用模型，網(wǎng)絡(luò)訓(xùn)練25次收斂，準(zhǔn)