基于多重卷积神经网络的大模式联机手写文字识别.pptx

基于多重卷积神经网络的大模式联机手写文字识别卷积神经网络图1 全连接网络，部分连接网络卷积神经网络是部分连接网络，其最底层是特征提取层(卷积层)，接着是池化层，然后可以继续增加卷积、池化或全连接层。用于模式分类的卷积神经网络，通常在最后层使用softmax分类器。卷积神经网络图2 卷积神经网络结构示意图三种结构性方法：局部感受野、权值共享、空间域或时间域上的次采样卷积神经网络的优点输入图像和网络的拓扑结构能很好的吻合。特征提取和模式分类同时进行，并同时在训练中产生。权重共享可以减少网络的训练参数，使神经网络结构变得更简单，适应性更强。多重卷积神经网络定义：用多个拥有高识别率的小卷积神经网络组成一个多重卷积神经网络。解决的问题：卷积神经网络的优势主要是对小模式集上，利用以往的这些方法对大规模模式分类的联机手写文字的识别依然有识别率不高的问题。多重卷积神经网络用多个拥有高识别率的小卷积神经网络组成一个多重卷积神经网络图3 多重卷积神经网络字符识别示意图多重卷积神经网络随机对角Levenberg-Marquardt训练方法 是全局学习率，是一个估计值，用来避免 太小时 变化过大。多重卷积神经网络多重卷积神经网络的词句识别：（1）首先对输入的手写图像进行预处理和分割；（2）然后通过多重卷积神经网络块分别进行识别；（3）最后采用单同识别模块对识别结果进行判断，选择最好的结果输出。图4 多重卷积神经网络联机手写词句识别过程训练和试验采用MNIST和UNIPEN两种不同的手写字符训练集进行测试识别率=正确识别数/样本总数X100%失误率=错误识别数/样本总数X100%训练和试验表1 实验结果参考文献