基于深度學(xué)習(xí)的字符識(shí)別.pdf

1、深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)領(lǐng)域的一種方法，是一種特殊的機(jī)器學(xué)習(xí)算法。近年來(lái)在圖像分類，目標(biāo)檢測(cè)，圖像分割，語(yǔ)音識(shí)別等領(lǐng)域取得了突破性的進(jìn)展。深度學(xué)習(xí)中的一種重要網(wǎng)絡(luò)結(jié)構(gòu)是卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)是一種仿生網(wǎng)絡(luò)，即模仿生物神經(jīng)網(wǎng)絡(luò)，它具有傳統(tǒng)檢測(cè)分類算法無(wú)法達(dá)到的優(yōu)秀特性。字符識(shí)別問(wèn)題在近年來(lái)也有著廣泛的應(yīng)用，中文手寫體字符識(shí)別在字符識(shí)別領(lǐng)域?qū)儆诒容^困難和復(fù)雜的識(shí)別問(wèn)題。
　　本文針對(duì)中文手寫體字符識(shí)別問(wèn)題，采用深度學(xué)習(xí)算法訓(xùn)練深度卷積

2、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及其改進(jìn)結(jié)構(gòu)，具體內(nèi)容如下：
　　1、結(jié)合中文手寫體字符自身的特點(diǎn)，設(shè)計(jì)深度卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)是中文手寫體字符圖像，輸出是訓(xùn)練分類結(jié)果。通過(guò)前向傳播訓(xùn)練，反向傳播算法以及梯度下降算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行更新，逐步迭代優(yōu)化，最終確定深度卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。在對(duì)比實(shí)驗(yàn)中，設(shè)計(jì)不同的深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)其進(jìn)行訓(xùn)練與分析，以便研宄不同卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)手寫體中文字符識(shí)別的影響。
　　2、在傳統(tǒng)深度卷積

3、神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上對(duì)其網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，將不同的深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行融合，設(shè)計(jì)多列深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，針對(duì)中文手寫體字符識(shí)別問(wèn)題，提出了Softmax回歸模型輸出概率均值融合算法，并應(yīng)用于多列深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)當(dāng)中，該均值融合算法降低了構(gòu)成多列深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的每一個(gè)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的錯(cuò)誤率，進(jìn)而提高了整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的正確率。
　　3、在傳統(tǒng)深度卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上對(duì)其訓(xùn)練算法進(jìn)行改進(jìn)，將網(wǎng)絡(luò)訓(xùn)練中的卷積層輸出特征數(shù)據(jù)分成“小批”樣