根据bp神经网络手写数字识别实验报告.pdfVIP

基于 BP 神经网络的手写体数字图像识别 PT1700105 宁崇宇 PT1700106 陈玉磊 PT1700104 安传旭 摘要 在信息化飞速发展的时代，光学字符识别是一个重要的信息录入与信息转化的手段，其 中手写体数字的识别有着广泛地应用，如：邮政编码、统计报表、银行票据等等，因其广泛 地应用范围，能带来巨大的经济与社会效益。 本文结合深度学习理论，利用 BP 神经网络对手写体数字数据集 MNIST 进行分析，作为 机器学习课程的一次实践，熟悉了目前广泛使用的 Matlab 工具，深入理解了神经网络的训 练过程，作为非计算机专业的学生，结合该课题掌握了用神经网络处理实际问题的方法，为 今后将深度学习与自身领域相结合打下了基础。 1 引言 从计算机发明之初，人们就希望它能够帮助甚至代替人类完成重复性劳作。 利用巨大的存储空间和超高的运算速度，计算机已经可以非常轻易地完成一些对 于人类非常困难的工作，然而，一些人类通过直觉可以很快解决的问题，却很难 通过计算机解决，这些问题包括自然语言处理、图像识别、语音识别等等，它们 就是人工智能需要解决的问题。 计算机要想人类一样完成更多的智能工作，就需要掌握关于这个世界的海量 知识，很多早期的人工智能系统只能成功应用于相对特定的环境，在这些特定环 境下，计算机需要了解的知识很容易被严格完整地定义。 为了使计算机更多地掌握开放环境下的知识，研究人员进行了很多的尝试。 其中影响力很大的一个领域就是知识图库（Ontology），WordNet 是在开放环境 中建立的一个较大且有影响力的知识图库，也有不少研究人员尝试将 Wikipedia 中的知识整理成知识图库，但是建立知识图库一方面需要花费大量的人力和物力， 另一方面知识图库方式明确定义的知识有限，不是所有的知识都可以明确地定义 成计算机可以理解的固定格式。很大一部分无法明确定义的知识，就是人类的经 验，如何让计算机跟人类一样从历史的经验中获取新的知识，这就是机器学习需 要解决的问题。 卡内基梅隆大学的 Tom Michael Mitchell 教授在 1997 年出版的书籍中将机 器学习定义为“如果一个程序可以在任务 T 上，随着经验 E 的增加，效果 P 也可 以随之增加，则称这个程序可以从经验中学习”。逻辑提取算法可以从训练数据 中计算出每个特征和预测结果的相关度，在大部分情况下，在训练数据达到一定 数量之前，越多的训练数据可以使逻辑回归算法的判断越精确，但是逻辑回归算 法有可能无法从数据中学习到好的特征表达，这也是很多传统机器学习算法的共 同问题。 对机器学习问题来说，特征提取不是一件简单的事情。在一些复杂问题上， 要通过人工的方式设计有效的特征集合，需要很多的时间和精力，甚至需要整个 领域数十年的研究投入。既然人工无法很好地抽取实体中的特征，那么是否有自 动的方式呢？深度学习解决的核心问题就是自动地将简单的特征组合成更加复 杂的特征，并使用这些特征解决问题。 因为深度学习的通用性，深度学习的研究者往往可以跨越多个研究方向，甚 至同时活跃于数个研究方向。虽然深度学习受到了大脑工作原理的启发，但现代 深度学习研究的发展并不拘泥于模拟人脑神经元和人脑的工作原理，各种广泛应 用的机器学习框架也不是由神经网络启发而来的。 MATLAB 是美国 MathWorks 公司出品的商业数学软件，用于算法开发、数 据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括 MATLAB 和 Simulink 两大部分。 MNIST 是一个非常有名的手写体数字识别数据集，被广泛用作机器学习的 入门样例，它包含了 60000 张图片作为训练数据，10000 张图片作为测试数据， 每一张图片代表了 0~9 中的一个数字，图片的大小为 28x28，且数字会出现在图 片的正中间。本文以该数据集为例，基于 Matlab 来分析 BP 神经网络的性能。