论文研究-基于卷积神经网络的手写数字识别算法研究 .pdf

所需积分/C币:39 2019-08-19 19:59:01 318KB .PDF
63
收藏 收藏
举报

基于卷积神经网络的手写数字识别算法研究,张荣磊,刘学,根据串行方式实现卷积神经网络的局限性,提出了基于MapReduce的卷积神经网络识别算法,使其在手写数字识别的准确率和速度上取得更好
图武获记义在线 内部结构包含个标量流处理器、个指令控制器、个位奇存器、个共享存储器、 个常量缓存器、个纹理缓存器等设各,其主要功能是负责线程的建立调度以及执行。因为 每一个都有一个位的寄存器,所以线程访问速度非常快。 共享内存 共享内存 寄存器 寄存器 寄存器 寄存器 指令 指令 单兀 常量缓存 常量缓存 纹理缓仔 纹理缓存 全局内存 图 结构 主要是解释计算机指令以及处理计算机软件中的数据,实现它们之间联系的数据、 控制及状态的总线。能够直接存取的存储位址。作为一个多重单位运算体系, 在并行计算上有得天独厚的优势,通过与的结合让串行工作与并行工作协调处理, 将大幅度提高计算机的计算能力。 多区域的逻辑回归计算的网络改进的方法 为」提高图像识别的准确率,在图像处理之后要对图像进行识别区域划分,本文区域划 分为个区域,分别是图像的个角区域和中心区域,在识别测试时,只测试图中的红色 中间区域,如图所示 图图像识别测试区域 上图是对处理后的图像的个区域的测定位置选择,在进行逻辑回归层错误率计算时, 为达到最佳的识别和分类效果,将个区域得到的测试结果进行统计,将重复次数最多的结 果作为输岀。这种图像识别测试方法可以通过图像的训练学习,来对权值不断更新,最终完 成权值的最优化。通过区或测试训练之后的图像识别正确率提高了,但由于增加了图像训练 国武获记义在线 和测试区域选择的过程,所以系统进行图像识别的总吋间呈增加趋势 实验结果验证 手写数字识别的结果 是一种应用于手写数字识别的绎典卷积神绎冈络结构,它是以单机串行方式 实现的,存在训练时间过长,内存不足等问趣。相对于 结构,本文提出了 算法,这是·种在分布式处理 平台上,基于 框架并行训练的算法, 并引入了多区域的逻辑回归运算方法与加速,提高了图像识别的准硝率和训练时间 其与 的图像识别率对比如图所示。 图像识别率比较 0.98 0.96 0.94 0.92 0 - LENET-5 0.88 M-CNN-G 0.86 0.84 0.82 135791113151719 训练次数 图识别率对比 多区域的测试对识别结果的影响 我们将在进行分类计算时使用多区域的逻辑回归计算的网络改进的方法定义为改进的 方法一。通过对参数的调整和网络结构的变化,之前没有使用多区域的逻辑回归计算时, 系统的错误率在 ,使用了多区域的逻辑回归之后,系统的分类错误率为 左右, 准确率提高了 在训练过程中,使用方法一的时间较少,但是每次在测试过程中, 测试的时间增加了。如衣所示。 表结果对比 网络类型|一次训练样本集数 训练时间测试时间 错误率 原始网络 方法 国武蔹论义在线 结束语 基于本文针对子写数字识别的算法研究上面虽已取得了一定的进展,将改进后的 算法应用于图像识别,提髙了图像识别准确率,提升了识别过程中的数据处理过程。但还存 在·定问题需要做进步研究,主要存在问题如下: ()在进行图像识别过程中,引入的技术减少了图像数据处理的时间,但整个图 像识别的时间却是比传统的识别时间长。 ()在引入时,由于数据接口不通用,所以所需的薮据集需要自己选择输入。但 数据集的选择直接影响后面的权值训练,甚至造成数据处理速度慢、输岀误差大等影响,因 此今后需要硏究数据接口的通用性问题或者数据集的最佳选择问题。 参考文献 李媛媛卷积神经网络优化炇其在图像识别中的应用沈阳沈阳工业大学 徐姒姗卷积神经內络的研究与应用南京林业大学 刘荷苇基于 编程的神经网络手写数字识别西南交通大学 廖松博何震贏 平台上的音频数据聚类系统计算机研宄与发展 张佳康陈庆奎基于 技术的卷积神经网络识别算法计算机工程

...展开详情
试读 5P 论文研究-基于卷积神经网络的手写数字识别算法研究 .pdf
立即下载 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于卷积神经网络的手写数字识别算法研究 .pdf 39积分/C币 立即下载
1/5
论文研究-基于卷积神经网络的手写数字识别算法研究 .pdf第1页

试读结束, 可继续读1页

39积分/C币 立即下载