Connexion
Connexion

Galerie de cartes mentales Reconnaissance de chiffres manuscrits basée sur un réseau neuronal convolutif sigmoïde amélioré

Reconnaissance de chiffres manuscrits basée sur un réseau neuronal convolutif sigmoïde amélioré

Étant donné que la quantité de calcul est trop importante, la méthode next_batch est appelée pour filtrer d'abord une partie de tous les ensembles de données d'entraînement, sélectionner aléatoirement une partie de l'ensemble de données d'entraînement, la fournir à la couche d'entrée du réseau neuronal, puis optimiser le réseau neuronal via le réseau de méthode d'itération inverse

Modifié à 2023-01-09 20:57:44

WSrx009v

Œuvres récentes Afficher plus d'œuvres>>

Reconnaissance de chiffres manuscrits basée sur un réseau neuronal convolutif sigmoïde amélioré

WSrx009v

Œuvres récentes Afficher plus d'œuvres>>

Recommandé pour vous
Contour

Explication détaillée du processus de fonctionnement du réseau neuronal
- 6
WSrx009v
Réseau neuronal convolutif (CNN)
- 8
WSrx009v
Types courants et applications des modèles de réseaux neuronaux
- 11
WSrx009v
Réseaux de neurones et réseaux de neurones récurrents d'apprentissage profond
- 4
WSrx009v
Réseaux de neurones et réseaux de neurones convolutifs d'apprentissage profond
- 6
WSrx009v
Le fondement des réseaux de neurones et de l’apprentissage profond
- 5
WSrx009v
Réseaux de neurones convolutifs avec régularisation dynamique
- 12
WSrx009v
réseau neuronal traditionnel
- 7
WSrx009v
Les réseaux de neurones
- 14
WSrx009v
Générer un modèle
- 4
WSrx009v

Reconnaissance de chiffres manuscrits basée sur un réseau neuronal convolutionnel sigmoïde amélioré (technologie de l'information 2021)

construction du modèle chap1

1) Structure mathématique des neurones

xj est le signal d'entrée, f est la fonction de transfert, wi,j représente le poids connecté au neurone xj, yi représente la valeur de sortie et θ représente le seuil

2) Structure du réseau neuronal BP

À chaque tour, les résultats de formation et les résultats attendus sont analysés pour détecter les erreurs, puis les poids et les seuils sont modifiés, et un modèle dont la sortie est cohérente avec les résultats attendus est obtenu étape par étape.

3) Processus de formation du modèle : lors de la prédiction d'images, Softmax Regression estime une probabilité pour chaque catégorie et génère comme résultat le nombre ayant la probabilité la plus élevée.

Trouvez le nombre optimal de noyaux de convolution en testant de petits échantillons

La première couche utilise la fonction RELU pour l'activation ; la deuxième couche utilise la fonction Softmax comme classificateur pour afficher la probabilité de chaque étiquette.

Amélioration de l'algorithme basé sur CNN KNN

Fx est un filtre entraînable. Utilisez fx pour convoluer une image d'entrée et ajoutez un biais bx via la fonction d'activation sigmoïde pour obtenir la couche de convolution Cx. Mj est la valeur de la carte des caractéristiques en entrée

1) Algorithme de descente de gradient

2) Choisissez l'entropie croisée comme fonction de perte : plus l'entropie croisée est petite, mieux c'est

Plus la sortie du modèle est proche du résultat correct

3) Processus algorithmique

① Définir la formule de l'algorithme, c'est-à-dire le calcul lors de la propagation vers l'avant du réseau neuronal

② Spécifiez l'optimiseur pour optimiser la perte

③ Entraîner les données de manière itérative

1) Calculer la sortie

2) Calculer la fonction de perte

3) Calculer le gradient via la fonction de perte

4) Mettre à jour les poids via des dégradés

④ Importez les résultats de la formation dans le classificateur KNN et

Le meilleur voisin le plus proche est obtenu expérimentalement

⑤ Évaluer la précision sur l'ensemble de test ou l'ensemble de vérification

Comparaison et analyse des résultats expérimentaux

L'impact des différentes valeurs du numéro voisin K sur la précision de l'algorithme, K=5 est le meilleur

Comparez avec les taux de reconnaissance de plusieurs algorithmes populaires de reconnaissance de chiffres manuscrits

Le taux de reconnaissance de l'algorithme de reconnaissance de chiffres manuscrits basé sur KNN CNN utilisé dans cet article est de 99,7 %, tandis que le taux de reconnaissance de la méthode de reconnaissance de chiffres manuscrits basée sur le réseau neuronal convolutif amélioré est de 99,2 %, et la méthode de reconnaissance de chiffres manuscrits basée sur VGG-16 amélioré et Naive Bayes ont un taux de reconnaissance de 99,2 %. Le taux de reconnaissance de la méthode de reconnaissance est de 99,36 %.