一种Petri网优化的验证码识别方法

摘要：

针对AlexNet网络对验证码(CAPTCHA)多目标分类问题效果不理想、模型参数量与浮点数计算量过大的问题,提出一种基于Petri网优化的CAPTCHA识别方法.利用Petri网理论对AlexNet和DenseNet-BC建模,并通过所建模型优化网络结构和参数.同时,根据模型参数量与浮点数计算量的关系,提出超活性概念,对Petri-ANPP-net、Petri-ANPS-net、Petri-DNBC-net模型进行灵敏度分析.实验结果表明,经过Petri网优化后,Petri-ANPP-net模型的最高准确度为60.40％,且超活性较小,模型灵敏度较差,Petri-ANPS-net模型的最高准确度为97.50％,但超活性较小,模型灵敏度较差,Petri-DNBC-net模型的最高准确度达到99.24％,且超活性较大,模型灵敏度较高.说明Petri网能在一定程度上优化网络模型结构和参数,且超活性对于评价模型的灵敏度具有一定的优越性.

关键词：Petri网、神经网络、图像识别、超活性、模型优化

所属期刊栏目：46

分类号：TP316(计算技术、计算机技术)

资助基金：国家自然科学基金;北方民族大学研究项目;北方民族大学教育教学重大研究项目;宁夏自然科学基金项目;“图像与智能信息处理”民委创新团队项目

在线出版日期：2020-07-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：277-285