基于融合卷积神经网络模型的手写数字识别

• 作者: 朱荣 王中元 陈玄
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 手写数字 融合模型 卷积神经网络 数据打乱策略 收敛速度
• 年，卷（期）: 2017,（11）
• 所属期刊栏目: 人工智能及识别技术
• 页码范围: 187-192
• 页数: 6页
• 分类号: TP391.41
• 字数: 5102字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-3428.2017.11.030

摘要

针对传统手写数字识别方法识别率较低的问题,提出一种融合卷积神经网络(F-CNN)模型.通过结合暹罗网络(SN)模型和二进制卷积神经网络(B-CNN)模型的高级特征,扩展网络高级层的尺寸,增强F-CNN模型的特征表达能力.在网络训练过程中,设计周期性数据打乱策略,提高F-CNN模型的收敛速度,更好地实现手写数字识别.在MNIST数据集上的实验结果表明,融合模型对于手写数字的识别准确率达到99.10％,识别性能优于SN模型和B-CNN模型.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	朱荣	武汉大学国家多媒体软件工程技术研究中心	17	112	6.0	10.0
2	王中元	武汉大学国家多媒体软件工程技术研究中心	39	199	8.0	12.0
3	陈玄	武汉大学国家多媒体软件工程技术研究中心	2	47	2.0	2.0