文献类型：期刊文章

作　　者：樊继慧[1,2] 滕少华[3] 金弘林[2]

FAN Ji-hui;TENG Shao-Hua;JIN Hong-Lin(Graduate School,St.Paul University Philippines,Tuguegarao,Cagayan 3500,Philippines;School of Computer Science and Engineering,Guangzhou Institute of Science and Technology,Guangzhou 510540,China;School of Computer Science and Engineering,Guangdong University of Technology,Guangzhou 510006,China)

机构地区：[1]圣保罗大学研究生院,卡加延土格加劳3500 [2]广州理工学院计算机科学与工程学院,广州510540 [3]广东工业大学计算机学院,广州510006

出　　处：《计算机科学》

基　　金：国家自然科学基金(61972102);广东省教育厅重大专项(2021ZDZX1070);广东省高等教育研究课题(22GQN37);校本研究项目(2021XBZ03)。

年　　份：2022

卷　　号：49

期　　号：12

起止页码：244-249

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、DOAJ、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：深度学习技术在数字识别领域有着普遍的应用。通过深度学习技术构造神经网络模型,运用不同的激活函数搭配不同的参数初始化策略,对MINIST手写数据集进行训练;构建分析模型,识别图像中的数字,将大数据量的图片降维成小数据量图片,同时保证能够有效保留图片特征;通过对图片数据的分析,加入特征转换过程,利用梯度下降优化器,搭建网络结构,将数据降维,有效地避免过拟合;利用交叉熵验证对模型进行编译和训练,对输出的分类结果进行进一步分析,在Sigmoid激活函数的输出层,通过K最近邻分类算法,设置KNN分类器,进一步提高了分类预测的准确率。MNIST数据集上的实验结果显示识别率为96.2%,在输出层引入K最近邻算法KNN(K-Nearst Neighbors)结合传统卷积神经网络(Convolutional Neural Network,CNN)的全连接层与softmax层,经交叉验证得到99.6%的识别率。

关 键 词：数字识别  K最近邻算法 深度学习  卷积神经网络 交叉熵

分 类 号：TP391]