卷積神經(jīng)網(wǎng)字符識(shí)別算法研究.pdf

1、字符識(shí)別技術(shù)自20世紀(jì)六十年代提出以來，經(jīng)過幾十年的研究和發(fā)展，已廣泛應(yīng)用于數(shù)據(jù)統(tǒng)計(jì)、智能交通、金融稅務(wù)等領(lǐng)域。然而由于字符本身種類多，字形復(fù)雜，且手寫字符書寫風(fēng)格因人而異等問題，手寫字符識(shí)別的研究仍是當(dāng)前的一大難點(diǎn)。卷積神經(jīng)網(wǎng)具有更仿生的層次化工作機(jī)理，能夠自動(dòng)挖掘訓(xùn)練數(shù)據(jù)內(nèi)部的潛在規(guī)律，很好的避免了預(yù)處理和特征抽取等復(fù)雜的過程，因此在字符識(shí)別領(lǐng)域具有天然優(yōu)勢(shì)。本文調(diào)研和分析了國(guó)內(nèi)外關(guān)于字符識(shí)別方面主流的文獻(xiàn)和算法，著重基于卷積神經(jīng)網(wǎng)

2、的識(shí)別算法，在現(xiàn)有的卷積神經(jīng)網(wǎng)字符識(shí)別算法基礎(chǔ)上，提出了兩種新的卷積神經(jīng)網(wǎng)字符識(shí)別模型，在字符識(shí)別尤其是漢字識(shí)別上取得了良好的識(shí)別效果。本文的主要內(nèi)容有：
　　1.通過實(shí)驗(yàn)對(duì)LeNet-5卷積神經(jīng)網(wǎng)模型性能進(jìn)行分析，探討卷積神經(jīng)網(wǎng)的濾波器數(shù)目和尺度、池化方式、激活函數(shù)、正則化方式等參數(shù)對(duì)模型性能的影響，為構(gòu)建卷積神經(jīng)網(wǎng)模型實(shí)現(xiàn)模型參數(shù)和結(jié)構(gòu)最優(yōu)化提供方向和指導(dǎo)，實(shí)驗(yàn)基于手寫數(shù)字?jǐn)?shù)據(jù)集MNIST進(jìn)行。
　　2.本文在卷積層和池

3、化層分別提出了一種多級(jí)特征提取模塊，在卷積神經(jīng)網(wǎng)的卷積層、池化層、淺層和深層分別使用多級(jí)特征提取模塊替換原有模型中的特征提取結(jié)構(gòu)，實(shí)驗(yàn)證明采取多級(jí)特征提取模塊的模型其識(shí)別效果優(yōu)于一般的卷積神經(jīng)網(wǎng)。此外，本文提取出單級(jí)和多級(jí)特征模塊的輸出特征圖，進(jìn)行可視化對(duì)比分析，并對(duì)特征圖進(jìn)行比較，最后在離線手寫漢字?jǐn)?shù)據(jù)集CASIA-HWDB1.1上進(jìn)行實(shí)驗(yàn)。
　　3.把卷積神經(jīng)網(wǎng)作為特殊的特征提取器，提取出CNN特征，同時(shí)分別提取出傳統(tǒng)的Gab