基于深度学习的数字识别方法研究.docxVIP

经典专科、本科、硕博、研究生、期刊毕业论文 仅供参考 精心整理 仅供参考 勿用作商业用途 目 录 TOC \o 1-3 \h \z \u 摘 要 1 Abstract 2 前 言 3 第一章 绪 论 4 1.1 研究背景及意义 4 1.2 深度学习概述 4 1.3 本文的主要工作 5 1.4 本文的组织结构 5 第二章 数字图像识别技术 7 2.1 图像识别技术 7 2.2 研究现状分析 7 2.2.1 基于神经网络 8 2.2.2 基于小波矩 9 2.2.3 基于分形特征 9 2.3 本章小结 9 第三章 基于深度学习的数字识别方法 10 3.1 深层神经网络训练方法 10 3.1.1 线性感知器算法 10 3.1.2 卷积神经网络算法 10 3.1.3 循环神经网络算法 13 3.1.4 长短时记忆网络算法 14 3.2 Google第二代人工智能系统TensorFlow 15 3.3 手写数字数据库MNIST数据集 16 3.4 本章小结 17 第四章 数字图像识别的实现与分析 18 4.1 实验环境介绍 18 4.2 基于Python对数字图像识别的实现 18 4.2.1 线性感知器算法实现 18 4.2.2 CNN算法实现 19 4.2.3 RNN算法实现 20 4.2.4 LSTM算法实现 20 4.3 TensorFlow对数字图像识别的实现 21 4.3.1 线性感知器算法实现 21 4.3.2 CNN算法实现 22 4.3.3 RNN算法实现 23 4.3.4 LSTM算法实现 23 4.4 两种实现方法的对比分析 24 4.5 本章小结 25 第五章 总结与展望 26 5.1 本文总结 26 5.2 后续工作及展望 26 参考文献 28 致 谢 30 摘 要 近年来，手写体数字识别是计算机视觉和模式识别中的一个广受关注的问题，引起了越来越多学者的兴趣。这个问题的主要挑战是设计一种有效的方法，可以识别用户通过数字设备提交的手写数字。虽然已有很多相关的研究成果，但是在数字识别这一领域始终不能达到完全使人满意的结果。目前，深度学习算法在计算机视觉中非常流行，被用于解决诸如图像分类、自然语言处理和语音识别等重要问题。 本文以深度学习的几种常见算法，包括线性感知器、卷积神经网络、循环神经网络、长短时记忆网络为研究对象，分析了其在手写数字识别上的优缺点，并引入了Google第二代人工智能系统TensorFlow，进而对比了相同的算法在不同的框架下识别的速度以及准确率。结果表明，这几类深度学习算法都能够高效的识别数字图像，尤其是多层卷积神经网络算法和长短时记忆网络算法，在提高识别率方面有明显优势，且在训练数据集时不会损耗过多的计算资源。 关键词：深度学习；手写数字识别；TensorFlow Abstract In recent years, handwritten digit recognition is a widely-reviewed issue in computer vision and pattern recognition, which has attracted lots of scholars interest. The main challenge of this problem is to design an effective method that can identify handwritten digits submitted by users through digital devices. Although there have been many related research results, it has not been possible to achieve completely satisfactory results in the field of digital identification. Currently, deep learning algorithms are very popular in computer vision and are used to solve important issues such as image classification, natural language processing and speech recognition. This a