关于深学习手写数字分类问题研究.PDFVIP

第３２卷第８期 重庆工商大学学报（自然科学版） ２０１５年８月 Ｖｏｌ３２　 ＮＯ．８　 　 　 　 　 　 　 　 Ｊ Ｃｈｏｎｇｑｉｎｇ Ｔｅｃｈｎｏｌ Ｂｕｓｉｎｅｓｓ Ｕｎｉｖ（Ｎａｔ Ｓｃｉ Ｅｄ）　 　 　 　 　 　 　 　 Ａｕｇ．２０１５ － ｄｏｉ：１０．１６０５５／ ｊ．ｉｓｓｎ．１６７２ ０５８Ｘ．２０１５．０００８．０１１ 基于深度学习的手写数字分类问题研究∗ １ ２ 宋志坚 ，余　 锐 （１．重庆交通大学 信息科学与工程学院，重庆４０００７４；２．重庆交通大学 交通运输学院，重庆４０００７４） 　 　 摘　 要：手写体数字因其书写风格差异大、上下文无关及识别准确度要求高等原因导致其识别难度大， 针对手写体数字识别的特点及要求，使用深度学习算法进行分类，通过对样本的训练完成手写体数字的识 别，同时与ＳＶＭ算法及ＢＰ神经网络分类效果进行对比；实验结果表明深度学习在识别手写体数字时具有 更高的准确率。 关键词：手写体数字识别；深度学习；样本训练 － － － 中图分类号：Ｏ２２４　 　 　 文献标志码：Ａ　 　 　 文章编号：１６７２ ０５８Ｘ（２０１５）０８ ００４９ ０５ 由于不同的人所写的数字体形态各异，千差万别，书写不规范导致手写数字识别的复杂性，而手写体数 字的识别是建立在特征提取及比较的基础之上的。 按照提取字符特征的不同，现有的数字手写体识别算法 大体上可以分为两类：一类是基于结构特征的手写体数字识别算法。 它们通过识别字符图像内部包含的凹 ［１，２］ 陷区特征、轮廓特征结构突变点特征等基元，采用模板匹配的方式实现手写体数字的自动识别 。 这类方 法能够直观地描述字符的结构，但是存在着对字符形变及噪声缺乏鲁棒的问题；另外一类是基于统计特征 的手写体数字识别算法。 这类算法基于对大量样本的表征、变换和学习，通过估计不同样本类别的特征空 ［３，４］ 间分布训练相应的分类器，并利用这些分类器对未知模式进行分类 。 当训练样本选取得足够充分时，这 类方法能够具有很好的识别能力。 针对手写体识别的特点及要求，分析现有算法存在的问题，使用深度学习进行手写体数字识别。 算法 能够通过使用大量的简单神经元组成的网络，利用输入与输出之间的非线性关系，对复杂函数进行近似，对 观测样本进行拟合，并在学习输入样本本质特征的抽取上体现了强大的能力，实现了手写体数字的自动 识别。 １　 深度学习 深度学习（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）的概念由Ｇｅｏｆｆｒｅｙ Ｈｉｎｔｏｎ等人提出，与传统机器学习相比，整合特征抽取和分 类器到一个学习框架下，克服了传统方法中，特征选取困难等问题。 深度学习是通过大量的简单神经元组成，每层的神经元接收更低层的神经元的输入，通过输入与输出 之间的非线性关系，将低层特征组合成更高层的抽象表示，并发现观测数据的分布式特征。 通过自下而上 的学习形成多层的抽象表示，并多层次的特征学习是一个自动地无人工干预的过程。 根据学习到的网络结