欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019104818765
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于图像特征的手写数字识别方法,其特征在于,包括以下步骤:(1)对图像进行预处理操作;

(2)构建网络模型,设计网络的输入区域、卷积区域、池化区域和输出区域,对预处理后的手写数字图像数据集进行训练,得到用于手写数字识别的网络模型;

(3)构建可视化系统界面,展示导入手写数字图像、预处理和识别数字的过程,步骤(2)具体包括如下内容:2

(2.1)确定预测网络模型的输入区域和输出区域,预处理后的图像数据为m 个像素点,将其转化为m×m的矩阵作为网络的输入;网络的输出为0~9共10个数字,每个数字对应一个目标向量,因此,网络的输出区域设置为10个网络节点;

(2.2)确定中间区域;

(2.3)使用线性整流函数作为响应函数,使用误差梯度下降的方法作为训练的算法来调节各区域的权值和阈值,进而使训练误差均方值最小化,逼近网络模型的目标输出值,步骤(2.3)包括:前向传播阶段,即将数据集的一个样本(Xp,Yp)输入到该网络模型中,通过逐个区域的变换,最后计算出相应的实际输出Op;

反向传播的阶段,即将实际输出Op与相应的目标输出Yp之间的误差,按照误差极小化的原则反向传播误差并调整相应的权值,所述反向传播阶段中,定义神经元的基的灵敏度为:

其中,E表示正向传播中实际输出值和期望输出值之间的误差,u表示输入,b表示神经元的基,第i层的灵敏度表示为:其中, 运算符表示矩阵每个元素相乘,“T”运算符表示矩阵转置,f为响应函数;

使用梯度下降法调节网络模型中卷积区域和下采样区域权值参数。

2.根据权利要求1所述的基于图像特征的手写数字识别方法,其特征在于,所述步骤(1)具体包括如下内容:(1.1)对导入的原始手写数字图像进行去噪处理;

(1.2)对图像进行整形,再对图像进行灰度化处理,即Y=0.3R+0.59G+0.11B

其中,Y是处理后的数值,R、G和B分别是图像色度的三个分量;

(1.3)进行像素矩阵的数值归一化,将像素值范围从0~255之间缩放到0~1之间。

3.根据权利要求1所述的基于图像特征的手写数字识别方法,其特征在于:步骤(2.2)中,所述中间区域包括两层增强图像特征的卷积区域和对应的两个降采样区域;从输入区域到第一个卷积区域使用32个卷积滤波器,得出32个特征映射,经过降采样后,第二个卷积区域包含64个特征映射,且每一个都与上一层的每个映射相连。

4.根据权利要求1所述的基于图像特征的手写数字识别方法,其特征在于,所述步骤(2.2)还包括:通过逐渐增加或减少滤波器数目反复试验,对比训练结果,确定一个最佳中间区域的网络结构。

5.根据权利要求1所述的基于图像特征的手写数字识别方法,其特征在于,所述前向传播阶段使用平方误差代价函数来衡量误差:N

设类别为C类,共有N个训练样本,则误差E为:

其中,表示第n个样本的目标输出的第k维, 表示第n个样本的实际输出的第k维;将n第n个样本的误差E表示为:

6.根据权利要求1所述的基于图像特征的手写数字识别方法,其特征在于:采用如下公式调节所述下采样区域的权值参数:

其中,表示第j个下采样区域第i个神经元的权值,down函数表示下采样函数, 表示第j个下采样区域第i个神经元的偏置, 表示第j个下采样区域第i‑1个神经元的权值,表示第j个下采样区域第i个神经元的基,f为该层的激活函数;

采用如下公式调节所述卷积区域的权值参数:

其中,表示第j个卷积区域第i个神经元的灵敏度, 表示第j个卷积区域第i+1个神经元的偏置,表示第j个卷积区域第i个神经元的输入, 表示第j个卷积区域第i+1个神经元的输出,up函数为上采样函数,f为该层的激活函数。

7.根据权利要求1所述的基于图像特征的手写数字识别方法,其特征在于:所述可视化系统包括图像导入模块,预处理模块和手写数字识别模块;其中,所述图像导入模块用于获取手写数字图片,预处理模块对手写数字图像进行预处理并展示,手写数字识别模块利用训练好的手写数字识别网络模型,识别手写数字并输出该数字和识别的时长。