基于matlab的手寫體數(shù)字識別算法的實現(xiàn)與分析-畢業(yè)論文

1、I基于基于MATLAB的手寫體數(shù)字識別算法的實現(xiàn)與分析的手寫體數(shù)字識別算法的實現(xiàn)與分析摘要手寫體數(shù)字識別是利用計算機自動辨認手寫體阿拉伯數(shù)字的一種技術(shù)，是光學字符識別技術(shù)的一個分支。手寫體數(shù)字識別在郵政編碼、財務報表、銀行票據(jù)、各種憑證以及調(diào)查表格的識別等等方面有著重要應用，由于數(shù)字識別經(jīng)常涉及財會、金融領(lǐng)域，其嚴格性更是不言而喻的。所以，對識別系統(tǒng)的可靠性和識別率要求很高，構(gòu)成了手寫體數(shù)字識別面臨的主要困難，大批量數(shù)據(jù)處理對系統(tǒng)速度又

2、有相當高的要求。本文基于MNIST數(shù)據(jù)集，通過Matlab平臺，對決策樹算法、SVM算法和人工神經(jīng)網(wǎng)絡（ANN）算法進行實現(xiàn)，并對分類算法的準確率進行評估。實驗結(jié)果表明，人工神經(jīng)網(wǎng)絡（ANN）的準確率最高，為99.69%，SVM算法次之，準確率為94.53%，決策樹算法的準確率為83.53%。三種分類算法中，決策樹算法的速度最快，SVM算法的速度最慢。另外，針對每一種分類算法在MNIST數(shù)據(jù)集上的實驗結(jié)果，本文還得出以下結(jié)論：第一，MN

3、IST數(shù)據(jù)集的歸一化與否對決策樹的分類效果幾乎沒有影響；對SVM的分類效果影響較大，未歸一化時的準確率為11.35%，歸一化之后的準確率為94.53%；對人工神經(jīng)網(wǎng)絡的分類效果影響較小，未歸一化時的準確率為82.11%，歸一化之后的準確率為99.69%。這說明三種分類算法對數(shù)據(jù)的不平衡分布的敏感程度各不相同。第二，對于SVM分類算法，當訓練數(shù)據(jù)集的樣本容量小于60000（MNIST訓練數(shù)據(jù)集的最大樣本容量）時，該算法對測試數(shù)據(jù)集分類預測

4、的準確率隨樣本容量的增大而增大。第三，針對人工神經(jīng)網(wǎng)絡，數(shù)據(jù)類標簽的表示形式對分類預測的準確率的影響較大。使用10位數(shù)據(jù)表示類標簽是的準確率為99.69%，遠遠高于使用1位數(shù)據(jù)表示類標簽時的準確率60.24%。IIIsensitivityofthethreeclassificationalgithmstounbalanceddistributionofdata.SecondlyftheSVMclassificationalgithmwh

5、enthesamplesizeislessthan60000(maximumsizeofMNISTtestdataset)theaccuracyincreaseswiththeincreasingofsamplesize.Thirdlyftheartificialneuralwktheimpactofclasslabelrepresentationislargeontheclassificationaccuracy.Whenusing1

6、0bitstorepresentclasslabelstheaccuracyis99.69%farhigherthantheaccuracyof60.24%whenusing1bittorepresentdatalabels.KEYWDS:HwrittennumeralrecognitionDecisiontreealgithmSVMalgithmArtificialneuralwkalgithm目錄1.引言..............

7、.........................................................................................................11.1手寫數(shù)字識別.................................................................................................12.分類算法.

8、..............................................................................................................12.1決策樹算法.....................................................................................................

9、22.1.1ID3算法........................................................................................................22.1.2C4.5算法.............................................................................................

10、.........32.1.3CART算法.....................................................................................................32.1.4SLIQ算法......................................................................................

11、................32.1.5SPRINT算法..................................................................................................32.1.6經(jīng)典決策樹算法的比較............................................................................

12、..42.2支持向量機.....................................................................................................42.3人工神經(jīng)網(wǎng)絡.................................................................................................6