基于卷积神经网络模型的手写数字辨识算法研究

• 作者: 张烁 张荣
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: CNN 参数优化 手写数字
• 年，卷（期）: 2019,（8）
• 所属期刊栏目: 人工智能与识别
• 页码范围: 172-176,261
• 页数: 6页
• 分类号: TP3
• 字数: 4181字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2019.08.030

摘要

针对目前基于卷积神经网络模型(CNN)手写数字辨识算法收敛速度慢、识别率低的问题,设计一种CNN网络模型.在模型训练时,改进模型学习率,使学习率指数可以动态衰减;使用Dropout正则化方法,提高模型的泛化能力;与批量随机梯度下降法、Momentum算法、Adagrad算法、RMSprop算法、Adam算法等参数优化方法作比较.实验结果表明:基于RMSprop或Adam的优化算法CNN模型在对MNIST数据集进行训练时,算法收敛速度快、测试集识别准确率为99.40％或99.70％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张荣	山西医科大学计算机教学部	17	23	3.0	4.0
2	张烁	山西青年职业学院计算机系	10	10	2.0	3.0