基于融合卷积神经网络模型的手写数字识别

摘要：

针对传统手写数字识别方法识别率较低的问题,提出一种融合卷积神经网络(F-CNN)模型.通过结合暹罗网络(SN)模型和二进制卷积神经网络(B-CNN)模型的高级特征,扩展网络高级层的尺寸,增强F-CNN模型的特征表达能力.在网络训练过程中,设计周期性数据打乱策略,提高F-CNN模型的收敛速度,更好地实现手写数字识别.在MNIST数据集上的实验结果表明,融合模型对于手写数字的识别准确率达到99.10％,识别性能优于SN模型和B-CNN模型.

关键词：手写数字、融合模型、卷积神经网络、数据打乱策略、收敛速度

所属期刊栏目：43

分类号：TP391.41(计算技术、计算机技术)

资助基金：中央高校基本科研业务费专项资金2042016gf0033;武汉市应用基础研究计划项目2016010101010025

在线出版日期：2017-12-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：187-192