Acceso
Iniciar sesión

Galería de mapas mentales Reconocimiento de dígitos escritos a mano basado en una red neuronal convolucional sigmoide mejorada

Reconocimiento de dígitos escritos a mano basado en una red neuronal convolucional sigmoide mejorada

Dado que la cantidad de cálculo es demasiado grande, se llama al método next_batch para filtrar primero una parte de todos los conjuntos de datos de entrenamiento, seleccionar aleatoriamente una parte del conjunto de datos de entrenamiento, proporcionarla a la capa de entrada de la red neuronal y luego optimizar la Red neuronal a través del método de iteración inversa.

Editado a las 2023-01-09 20:57:44,

e7qw4qya@bccto.cc

Trabajos recientes Ver más trabajos>>

Reconocimiento de dígitos escritos a mano basado en una red neuronal convolucional sigmoide mejorada

e7qw4qya@bccto.cc

Trabajos recientes Ver más trabajos>>

Recomendados
Resumen

Capítulo 2 Desarrollo de tecnologías de la información
e7qw4qya@bccto.cc
Explicación detallada del proceso de funcionamiento de la red neuronal.
- 1
e7qw4qya@bccto.cc
Red neuronal convolucional (CNN)
- 1
e7qw4qya@bccto.cc
Tipos y aplicaciones comunes de modelos de redes neuronales.
- 1
e7qw4qya@bccto.cc
Redes neuronales y redes neuronales recurrentes de aprendizaje profundo
- 1
e7qw4qya@bccto.cc
Redes neuronales y redes neuronales convolucionales de aprendizaje profundo
e7qw4qya@bccto.cc
La base de las redes neuronales y el aprendizaje profundo.
- 1
e7qw4qya@bccto.cc
Redes neuronales convolucionales con regularización dinámica.
e7qw4qya@bccto.cc
red neuronal tradicional
- 1
e7qw4qya@bccto.cc
Redes neuronales
e7qw4qya@bccto.cc

Reconocimiento de dígitos escritos a mano basado en una red neuronal convolucional sigmoidea mejorada (tecnología de la información 2021)

construcción de modelos cap1

1) Estructura neuronal matemática

xj es la señal de entrada, f es la función de transferencia, wi,j representa el peso conectado a la neurona xj, yi representa el valor de salida y θ representa el umbral.

2) Estructura de la red neuronal BP

En cada ronda, los resultados del entrenamiento y los resultados esperados se analizan en busca de errores, y luego se modifican los pesos y umbrales, y se obtiene paso a paso un modelo cuyo resultado es consistente con los resultados esperados.

3) Proceso de entrenamiento del modelo: al predecir imágenes, Softmax Regression estima una probabilidad para cada categoría y genera como resultado el número con la probabilidad más alta.

Encuentre el número óptimo de núcleos de convolución probando muestras pequeñas

La primera capa usa la función RELU para la activación; la segunda capa usa la función Softmax como clasificador para generar la probabilidad de cada etiqueta.

Mejora del algoritmo basado en CNN KNN

Fx es un filtro entrenable. Utilice fx para convolucionar una imagen de entrada y agregue un sesgo bx a través de la función de activación sigmoidea para obtener la capa convolucional Cx. Mj es el valor del mapa de características de entrada.

1) Algoritmo de descenso de gradiente

2) Elija la entropía cruzada como función de pérdida: cuanto menor sea la entropía cruzada, mejor

Cuanto más cerca esté la salida del modelo del resultado correcto

3) proceso algorítmico

① Defina la fórmula del algoritmo, es decir, el cálculo durante la propagación directa de la red neuronal.

② Especifique el optimizador para optimizar la pérdida

③ Entrene los datos de forma iterativa

1) Calcular la producción

2) Calcular la función de pérdida.

3) Calcule el gradiente mediante la función de pérdida.

4) Actualizar pesos a través de gradientes.

④ Importe los resultados del entrenamiento al clasificador KNN y

El mejor vecino más cercano se obtiene experimentalmente.

⑤ Evaluar la precisión en el conjunto de prueba o verificación

Comparación y análisis de resultados experimentales.

El impacto de diferentes valores del número vecino K en la precisión del algoritmo, K = 5 es el mejor

Compare con las tasas de reconocimiento de varios algoritmos populares de reconocimiento de dígitos escritos a mano.

La tasa de reconocimiento del algoritmo de reconocimiento de dígitos escritos a mano basado en KNN CNN utilizado en este artículo es del 99,7%, mientras que la tasa de reconocimiento del método de reconocimiento de dígitos escritos a mano basado en la red neuronal convolucional mejorada es del 99,2%, y el método de reconocimiento de dígitos escritos a mano basado en VGG-16 mejorado y Naive Bayes tienen una tasa de reconocimiento del 99,2%. La tasa de reconocimiento del método de reconocimiento es del 99,36%.