Вход
Войти

Галерея диаграмм связей Распознавание рукописных цифр на основе усовершенствованной сигмовидной сверточной нейронной сети

Распознавание рукописных цифр на основе усовершенствованной сигмовидной сверточной нейронной сети

Поскольку объем вычислений слишком велик, вызывается метод next_batch, который сначала фильтрует часть всех наборов обучающих данных, случайным образом выбирает часть набора обучающих данных, передает ее на входной слой нейронной сети, а затем оптимизирует нейронная сеть через сеть метода обратной итерации

Отредактировано в 2023-01-09 20:57:44

WSysQn6v

Недавние работы Смотреть другие работы>>

Распознавание рукописных цифр на основе усовершенствованной сигмовидной сверточной нейронной сети

WSysQn6v

Недавние работы Смотреть другие работы>>

Рекомендовано вам
Структура

Инженер по управлению проектами системной интеграции, 3-е изданиеУспех программного тестированияГлава 2 Разработка информационных технологий
- 1
ArteVeloce
Подробное объяснение процесса работы нейронной сети
- 2
WSysQn6v
Сверточная нейронная сеть (CNN)
- 1
WSysQn6v
Распространенные типы и приложения моделей нейронных сетей
- 1
WSysQn6v
Нейронные сети и рекуррентные нейронные сети глубокого обучения
- 1
WSysQn6v
Нейронные сети и сверточные нейронные сети глубокого обучения
- 2
WSysQn6v
Основы нейронных сетей и глубокого обучения
- 1
WSysQn6v
Сверточные нейронные сети с динамической регуляризацией
- 2
WSysQn6v
традиционная нейронная сеть
- 3
WSysQn6v
Нейронные сети
- 2
WSysQn6v

Распознавание рукописных цифр на основе улучшенной сигмовидной сверточной нейронной сети (Информационные технологии, 2021 г.)

глава 1 построение модели

1) Математическая структура нейрона

xj — входной сигнал, f — передаточная функция, wi,j — вес, подключенный к нейрону xj, yi — выходное значение, а θ — пороговое значение.

2) Структура нейросети БП

В каждом раунде результаты обучения и ожидаемые результаты анализируются на предмет ошибок, затем веса и пороговые значения изменяются, и шаг за шагом получается модель, выходные данные которой соответствуют ожидаемым результатам.

3) Процесс обучения модели: при прогнозировании изображений Softmax Reгрессия оценивает вероятность для каждой категории и выводит в качестве результата число с наибольшей вероятностью.

Найдите оптимальное количество ядер свертки, протестировав небольшие выборки.

Первый уровень использует функцию RELU для активации; второй уровень использует функцию Softmax в качестве классификатора для вывода вероятности каждой метки.

Улучшение алгоритма на основе CNN KNN

Fx — это обучаемый фильтр. Используйте fx для свертки входного изображения и добавьте смещение bx с помощью функции активации сигмоида, чтобы получить слой свертки Cx. Mj — значение входной карты объектов.

1) Алгоритм градиентного спуска

2) В качестве функции потерь выберите перекрестную энтропию: чем меньше перекрестная энтропия, тем лучше.

Чем ближе выходные данные модели к правильному результату

3) Алгоритм процесса

① Определить формулу алгоритма, то есть расчет при прямом распространении нейронной сети.

② Укажите оптимизатор для оптимизации потерь.

③ Итеративно обучать данные

1) Рассчитать выход

2) Рассчитаем функцию потерь

3) Рассчитайте градиент через функцию потерь

4) Обновить веса с помощью градиентов

④ Импортируйте результаты обучения в классификатор KNN и

Лучший ближайший сосед получен экспериментальным путем

⑤ Оцените точность на тестовом или проверочном наборе.

Сравнение и анализ результатов экспериментов

Влияние различных значений числа соседей K на точность алгоритма, K=5 является лучшим

Сравните со скоростью распознавания нескольких популярных алгоритмов распознавания рукописных цифр.

Скорость распознавания алгоритма распознавания рукописных цифр на основе KNN CNN, используемого в данной статье, составляет 99,7%, тогда как скорость распознавания метода распознавания рукописных цифр на основе усовершенствованной сверточной нейронной сети составляет 99,2%, а метода распознавания рукописных цифр на основе улучшенный VGG-16 и Наивный Байес имеют степень распознавания 99,2%. Степень распознавания метода распознавания составляет 99,36%.