Anmeldung
Anmelden

Mindmap-Galerie Handschriftliche Ziffernerkennung basierend auf einem verbesserten Sigmoid-Faltungs-Neuronalen Netzwerk

Handschriftliche Ziffernerkennung basierend auf einem verbesserten Sigmoid-Faltungs-Neuronalen Netzwerk

Da der Rechenaufwand zu groß ist, wird die Methode next_batch aufgerufen, um zunächst einen Teil aller Trainingsdatensätze zu filtern, einen Teil des Trainingsdatensatzes zufällig auszuwählen, ihn der Eingabeschicht des neuronalen Netzwerks bereitzustellen und ihn dann zu optimieren Das neuronale Netzwerk verwendet ein Netzwerk mit umgekehrter Iterationsmethode

Bearbeitet um 2023-01-09 20:57:44

tyyii7sc@bccto.c

Aktuelle Werke Weitere Werke anzeigen>>

Handschriftliche Ziffernerkennung basierend auf einem verbesserten Sigmoid-Faltungs-Neuronalen Netzwerk

tyyii7sc@bccto.c

Aktuelle Werke Weitere Werke anzeigen>>

Für Sie empfohlen
Gliederung

Neuronale Netze und wiederkehrende Deep-Learning-Neuronale Netze
- 1
tyyii7sc@bccto.c
Neuronale Netze und Deep Learning Convolutional Neural Networks
- 1
tyyii7sc@bccto.c
Die Grundlage neuronaler Netze und Deep Learning
- 1
tyyii7sc@bccto.c
Faltungs-Neuronale Netze mit dynamischer Regularisierung
tyyii7sc@bccto.c
traditionelles neuronales Netzwerk
- 1
tyyii7sc@bccto.c
Neuronale Netze
- 1
tyyii7sc@bccto.c
System Integration Project Management Engineer 3. AuflageSoft Test SuccessKapitel 2 Entwicklung der Informationstechnologie
Deu-Martina
Computerinformation und Informationstechnologie
- 1
Deu-Martina
Detaillierte Erläuterung des Betriebsprozesses eines neuronalen Netzwerks
- 1
Deu-Martina
Faltungs-Neuronales Netzwerk (CNN)
- 1
Deu-Martina

Handschriftliche Ziffernerkennung basierend auf einem verbesserten Sigmoid-Faltungs-Neuronalen Netzwerk (2021 Informationstechnologie)

Kapitel 1 Modellbau

1) Mathematische Neuronenstruktur

xj ist das Eingangssignal, f ist die Übertragungsfunktion, wi,j repräsentiert das Gewicht, das mit dem Neuron xj verbunden ist, yi repräsentiert den Ausgabewert und θ repräsentiert den Schwellenwert

2) Struktur des neuronalen BP-Netzwerks

In jeder Runde werden die Trainingsergebnisse und die erwarteten Ergebnisse auf Fehler analysiert. Anschließend werden die Gewichte und Schwellenwerte geändert, und es wird Schritt für Schritt ein Modell erhalten, dessen Ausgabe mit den erwarteten Ergebnissen übereinstimmt.

3) Modelltrainingsprozess: Bei der Vorhersage von Bildern schätzt Softmax Regression eine Wahrscheinlichkeit für jede Kategorie und gibt die Zahl mit der höchsten Wahrscheinlichkeit als Ergebnis aus.

Finden Sie die optimale Anzahl von Faltungskernen, indem Sie kleine Stichproben testen

Die erste Schicht verwendet die RELU-Funktion zur Aktivierung; die zweite Schicht verwendet die Softmax-Funktion als Klassifikator, um die Wahrscheinlichkeit jeder Bezeichnung auszugeben.

Algorithmusverbesserung basierend auf CNN KNN

Fx ist ein trainierbarer Filter. Verwenden Sie fx, um ein Eingabebild zu falten, und fügen Sie über die Sigmoid-Aktivierungsfunktion eine Vorspannung bx hinzu, um die Faltungsschicht Cx zu erhalten. Mj ist der Wert der Eingabe-Feature-Map

1) Gradientenabstiegsalgorithmus

2) Wählen Sie Kreuzentropie als Verlustfunktion: Je kleiner die Kreuzentropie, desto besser

Je näher die Ausgabe des Modells am korrekten Ergebnis liegt

3) Algorithmusprozess

① Definieren Sie die Algorithmusformel, dh die Berechnung während der Vorwärtsausbreitung des neuronalen Netzwerks

② Geben Sie den Optimierer an, um den Verlust zu optimieren

③ Trainieren Sie die Daten iterativ

1) Berechnen Sie die Ausgabe

2) Berechnen Sie die Verlustfunktion

3) Berechnen Sie den Gradienten durch die Verlustfunktion

4) Gewichte durch Farbverläufe aktualisieren

④ Importieren Sie die Trainingsergebnisse in den KNN-Klassifikator und

Der beste nächste Nachbar wird experimentell ermittelt

⑤ Bewerten Sie die Genauigkeit des Testsatzes oder Verifizierungssatzes

Vergleich und Analyse experimenteller Ergebnisse

Der Einfluss unterschiedlicher Werte der Nachbarnummer K auf die Genauigkeit des Algorithmus ist K = 5 am besten

Vergleichen Sie die Erkennungsraten mehrerer beliebter handschriftlicher Ziffernerkennungsalgorithmen

Die Erkennungsrate des in diesem Artikel verwendeten Algorithmus zur Erkennung handschriftlicher Ziffern basierend auf KNN CNN beträgt 99,7 %, während die Erkennungsrate der Erkennungsmethode handschriftlicher Ziffern basierend auf dem verbesserten Faltungs-Neuronalen Netzwerk 99,2 % beträgt und die Erkennungsmethode handschriftlicher Ziffern darauf basiert Verbessertes VGG-16 und Naive Bayes haben eine Erkennungsrate von 99,2 %. Die Erkennungsrate der Erkennungsmethode beträgt 99,36 %.