基于堆叠稀疏自动编码器的手写数字分类

摘要：

将稀疏自动编码器（Sparse Autoencoder，SAE ）模型应用于数字识别中，并通过多个稀疏自动编码器的堆叠构建了深度网络，采用非监督贪婪逐层训练算法（Greedy Layer －Wise Unsu-pervised Learning Algorithm）初始化网络权重，使用反向传播算法优化网络参数。利用堆叠稀疏自动编码器学习数字图像的特征，使用 softmax 分类器进行数字分类。经实验证明，与其它浅层学习模型对比，深度网络不仅进一步学习了数据的高层特征，同时还降低了特征维数，提高了分类器的分类精度，最终改善了手写数字的分类效果。

关键词：堆叠稀疏编码器、非监督贪婪逐层训练、反向传播算法、softmax 分类器

分类号：TP391(计算技术、计算机技术)

在线出版日期：2015-03-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：47-51