一种基于改进型卷积神经网络的手写数字识别方法

摘要：

针对LeNet-5卷积神经网络对图片局部区域感知不足和反向传播中可能引起梯度消失的问题,文中提出一种基于改进型LeNet-5卷积神经网络的手写数字识别方法.该方法采用更小的卷积核,以提高对局部图片的感知力,并使用ReLu激活函数防止梯度消失;同时,通过结合Dropout与L2正则化,以提高模型的泛化能力.与传统LeNet-5神经网络相比较,文中所提出的改进网络模型通过加深网络深度以提高对图片深层信息的提取能力,并增加了卷积核的个数和全连接层的网络节点数,以提高网络对数据的处理能力.通过在MNIST数据集上进行仿真测试,实验结果表明,文中提出的基于改进型神经网络的手写数字识别方法,达到了99.26％的正确率,与其他的一些传统方法相比,该方法识别准确率更高.

关键词：手写数字识别;卷积神经网络;感知力提高;模型泛化性;信息提取;MNIST

所属期刊栏目：44

分类号：TN711-34;TP391.41(基本电子电路)

资助基金：国家自然科学基金面上项目61871178

在线出版日期：2021-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：107-110