卷積神經網字符識別算法研究.pdf

1、字符識別技術自20世紀六十年代提出以來，經過幾十年的研究和發(fā)展，已廣泛應用于數據統計、智能交通、金融稅務等領域。然而由于字符本身種類多，字形復雜，且手寫字符書寫風格因人而異等問題，手寫字符識別的研究仍是當前的一大難點。卷積神經網具有更仿生的層次化工作機理，能夠自動挖掘訓練數據內部的潛在規(guī)律，很好的避免了預處理和特征抽取等復雜的過程，因此在字符識別領域具有天然優(yōu)勢。本文調研和分析了國內外關于字符識別方面主流的文獻和算法，著重基于卷積神經網

2、的識別算法，在現有的卷積神經網字符識別算法基礎上，提出了兩種新的卷積神經網字符識別模型，在字符識別尤其是漢字識別上取得了良好的識別效果。本文的主要內容有：
　　1.通過實驗對LeNet-5卷積神經網模型性能進行分析，探討卷積神經網的濾波器數目和尺度、池化方式、激活函數、正則化方式等參數對模型性能的影響，為構建卷積神經網模型實現模型參數和結構最優(yōu)化提供方向和指導，實驗基于手寫數字數據集MNIST進行。
　　2.本文在卷積層和池

3、化層分別提出了一種多級特征提取模塊，在卷積神經網的卷積層、池化層、淺層和深層分別使用多級特征提取模塊替換原有模型中的特征提取結構，實驗證明采取多級特征提取模塊的模型其識別效果優(yōu)于一般的卷積神經網。此外，本文提取出單級和多級特征模塊的輸出特征圖，進行可視化對比分析，并對特征圖進行比較，最后在離線手寫漢字數據集CASIA-HWDB1.1上進行實驗。
　　3.把卷積神經網作為特殊的特征提取器，提取出CNN特征，同時分別提取出傳統的Gab