没有合适的资源?快使用搜索试试~ 我知道了~
基于SVM和BP神经网络的手写数字识别.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
1 下载量 134 浏览量
2021-10-02
14:21:21
上传
评论 2
收藏 2.05MB PDF 举报
温馨提示
试读
50页
基于SVM和BP神经网络的手写数字识别.pdf
资源详情
资源评论
资源推荐
I
摘 要
科技发展日新月异,智能识别推陈出新。如今是信息化时期,数字识别在很多智能领
域上运用广泛,拥有普遍的使用远景,因此探索这项技术有其重要的实际意义。由于手写
数字在写法上千差万别,且数字间字形差别相对较小,使得识别系统的开发具有很大的挑
战性。
当前手写数字识别采用的技术有 Bayes判别法、决策树法、神经网络和支持向量机
(Support Vector Machines ,SVM)等。诞生于 20世纪 90年代的 SVM技术是机器学习研究
的热点,因其良好的泛化性能成为了数字识别领域的热门方法。
本开发系统借助 MATLAB平台实现完成 SVM的手写数字识别功能,同时与 BP神经网络的
识别作对比,并利用了 MNIST数据库作扩展与分析。对识别的结果进行探究,得出使识别
精准度出现误差的主要因素有手写体数字的规范程度、笔画字迹粗细和清晰,以及训练样
本的数量等。
关键词 手写数字识别;神经网络; SVM
Abstract
II
Technological development changes rapidly, and intelligent recognition innovates
constantly. In the information era, numeral recognition has broad application prospects in many
pattern areas with a common vision, so it is of great practical significance to explore this
technology. As a result of handwritten numeral vary widely in the wording and digital shape
difference is relatively small, making recognition system development is a great challenge.
At present, Bayes discriminant analysis, decision tree method, neural network and support
vector machine (referred to as SVM) are the main methods of recognition of handwriting. SVM
technology, which was born in 1990s, is a hot topic in machine learning research. Because of its
good generalization performance, it has become a popular method in the field of numeral
recognition.
The system uses the MATLAB to realize the handwritten numeral recognition based on
SVM, at the same time with the recognition of BP neural network for comparison, and using the
MNIST database to extend and analysis. To research the results of recognition, it comes to
conclusion that the main factors affecting the accuracy of the recognition include the
specification of the handwritten numeral, the thickness and the clarity of the strokes, and the
number of the training samples.
Keywordshandwritten numeral recognition; neural network; SVM
III
目录
摘要
...................................................................................................................................................................... I
Abstract
............................................................................................................................................................ I
第 1 章绪论
....................................................................................................................................................... 1
1.1 课题研究的背景和意义
............................................................................................................... 1
1.2 国内外研究现状及分析
............................................................................................................... 1
1.3 课题研究的主要内容
.................................................................................................................... 1
1.4 本章小结
.......................................................................................................................................... 2
第 2 章手写数字识别综述
.......................................................................................... 错误!未定义书签。
2.1 预处理技术
.................................................................................................... 错误!未定义书签。
2.1.1 图像二值化
....................................................................................... 错误!未定义书签。
2.1.2 图像去噪锐化
................................................................................... 错误!未定义书签。
2.1.3 图像分割细化
................................................................................... 错误!未定义书签。
2.1.4 图像归一化
....................................................................................... 错误!未定义书签。
2.2 特征提取技术
................................................................................................................................. 3
2.3 手写数字识别方法
........................................................................................................................ 4
2.3.1 决策树法
.............................................................................................................................. 4
2.3.2 贝叶斯判别法
...................................................................................................................... 5
2.3.3 神经网络
.............................................................................................................................. 7
2.3.4 支持向量机
......................................................................................................................... 9
2.4 本章小结
.......................................................................................................................................... 9
第 3 章支持向量机
......................................................................................................................................... 9
3.1 SVM 概述 ............................................................................................................................................ 9
3.1.1 VC 维 .................................................................................................................................... 10
3.1.2 结构风险最小原理 .......................................................................................................... 10
3.2 SVM 的原理 ...................................................................................................................................... 11
3.2.1 二分类支持向量机
.......................................................................................................... 12
3.3 SVM 的优缺点
................................................................................................................................ 13
3.4 标准支持向量机
........................................................................................................................... 13
3.4.1 线性分划
............................................................................................................................ 13
3.4.2 非线性分划
....................................................................................................................... 15
3.5 核函数
............................................................................................................................................. 16
3.6 SVM 参数优化
................................................................................................................................ 17
3.6.1 径向基核函数
................................................................................................................... 17
3.6.2 遗传算法
............................................................................................................................ 18
3.7 本章小结
........................................................................................................................................ 19
IV
第 4 章 BP 神经网络
.................................................................................................................................... 19
4.1 BP 神经网络概述
.......................................................................................................................... 20
4.2 BP 神经网络原理及性能
............................................................................................................ 20
4.2.1 BP 神经网络算法流程
.................................................................................................... 20
4.2.2 数据归一化
....................................................................................................................... 20
4.2.3 BP 神经网络训练 ............................................................................................................. 21
4.2.4 BP 神经网络参数 ............................................................................................................. 22
4.2.5 BP 神经网络函数 ............................................................................................................. 23
4.3 本章小结 ........................................................................................................................................ 24
第 5 章手写数字识别的设计和实现
....................................................................................................... 24
5.1 基于 SVM的手写数字识别
......................................................................................................... 24
5.1.1 设计目标
............................................................................................................................ 25
5.1.2 样本图片选取
................................................................................................................... 25
5.1.3 设计与实现
....................................................................................................................... 27
5.2 BP 神经网络的手写数字识别
................................................................................................... 32
5.2.1 设计目标
............................................................................................................................ 32
5.2.2 样本图片选择
................................................................................................................... 33
5.2.3 设计与实现
....................................................................................................................... 34
5.2.4 结果分析
............................................................................................................................ 39
5.3 MNIST 数据库的扩展
................................................................................................................... 39
5.3.1 样本图片获取
................................................................................................................... 39
5.3.2 样本图片处理
................................................................................................................... 40
5.3.3 样本训练及识别
.............................................................................................................. 40
5.3.4 结果分析
............................................................................................................................ 42
5.4 实验结果分析
............................................................................................................................... 43
5.5 系统调试及问题解决
.................................................................................................................. 43
5.6 本章小节
........................................................................................................................................ 44
结论
................................................................................................................................................................... 44
参考文献
......................................................................................................................................................... 46
致谢
................................................................................................................................................................... 46
附录
................................................................................................................................... 错误!未定义书签。
1
第 1 章 绪论
1.1 课题研究的背景和意义
数字识别主要有印刷体与手写体识别,由于存在人体差异和个人习惯的不同,即使是
同一个数字,每个人书写的情况都会千差万别。手写数字识别技术在不同的数字数据库实
验中已得到了较为满意的识别辨认效果,然而将其使用到手写文档中,其识别的精准度仍
难以达到实际要求。
手写数字是借助电子仪器去自动辨别人手写出来的数字。尽管由于笔画、字型等因素
还未能在计算机上做到全部都正确识别,但其在各方面应用早已十分广泛,多存在于办公
和教学自动化、银行票据自动识别、邮政自动分拣等技术领域当中。
在日常生活和工作中,每天都会接触大量的数字信息,尤其是处理各种各样的数字文
档工作,如账单、邮编、电话号码、物流编号等,一些极其关键的数字信息的误判往往极
易造成巨大损失,在要求较为苛刻的国防、金融等领域更是不能出现丝毫差错。如何利用
现代化技术,使人们从这些繁重且细致繁琐的工作中解放出来,提高识别正确率、记录准
确率及其效率已成为一个亟待解决的问题。
智能识别在当代科技应用中日趋普及,科学技术以及物质需求的持续抬高,数字识别
的准确率和速度都有了更大的提升。数字不仅构建了数学基础,也承载着信息内容;不仅
在数学上发挥着作用,也是人们沟通、交流和学习的主要工具。由数字组合成的各种代码
或符号应用广阔,是人类生活和科技进步不可或缺的组成部分,基于这个原因,手写数字
的智能识别就具有重大的实际意义
[1]
。
1.2 国内外研究现状及分析
20 世纪初期, 德国科学家运用光学相互对比技术第一次实现了机器识别文字符号; 50
年代起,西方国家为了更好进行信息的处理、保存和保密,开始着手对西文光学字符识别
(OCR)的研究; 20 世纪中叶,全球很多国家开始了探索数字识别。美国科技巨头 IBM 公
司最早开发了相关的产品,这款产品只能认识制定好的字符所印刷出来的文字或符号。
1970 年左右,我国初步对符号的识别作综合探索。清华大学在 1989 年推出了 OCR软件,
着手对汉字和数字的识别进行研究,并在手写汉字和数字识别等领域上取得了巨大的成功。
1963 年, Vapnik 首次提出了支持向量( SV)方法;历经 20 年磨练,美国
贝尔实验室
研究者随后在有限样本的机器学习问题上挖掘了
支持向量机
(SVM)。跟随科技发展和国外
研究的步伐,我国的 SVM理论研究在性能优化和训练识别上也取得了一定进展。
历经几十年,数字识别技术在不断的改进下已经得到了很大进步,判断准确度也越来
越高。利用
BP神经网络和支持向量机
作识别已经在各类数据库里获得了较好的成果。 分析
目前在这方面取得的进展,比对海内外研究的成果和关注的方向,手写数字识别需深入研
究解决存在的两大难点,即速度与准确性都需达到更高的水平
[2]
。
假以时日若对该算法进行相应改进及优化,该技术就能获得更长远的进步。
1.3 课题研究的主要内容
剩余49页未读,继续阅读
资料大全
- 粉丝: 14
- 资源: 26万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0