导读:本文包含了手写体数字论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:手写体,卷积,神经网络,数字,向量,近邻,局部。
手写体数字论文文献综述
余圣新,夏成蹊,唐泽恬,丁召,杨晨[1]（2019）在《基于改进Inception卷积神经网络的手写体数字识别》一文中研究指出手写体数字识别风格变化大,而传统手写体数字识别的准确率又严重依赖于人工特征设计,一旦提取的特征不理想,识别效果就会收到非常大的影响。针对手写体识别正确率无法满足高精度的问题,设计一种高精度的手写体数字分类网络。首先使用连续非对称卷积提取图像的初步特征同时减少计算所需参数,其次使用深度可分离卷积改进Inception结构,并结合残差网络以防止梯度弥散,最后进行softmax分类。通过MNIST数据集实验,得到99.45%的识别率。为进一步提高网络识别率,在分类层使用支持向量机(SVM)代替传统卷积神经网络(CNN)的全连接层与softmax层,经交叉验证得到99.78%的识别率。结果表明,改进Inception结构能够获得更大的网络宽度,同时SVM对于CNN提取的特征的分类能力也有较好效果。(本文来源于《计算机应用与软件》期刊2019年12期）
陈丽芳,芦国军[2]（2019）在《基于VAE和GAN融合网络的mnist手写体数字图像生成方法》一文中研究指出为解决现有特定图像数据集因采集困难等因素导致缺乏充足图片的问题,提出了一种基于VAE和GAN融合网络的mnist手写体数字图像生成方法。该方法结合了VAE和GAN的优点,同时具备VAE生成图像的准确性和GAN生成图像的清晰性。实验表明,该方法能生成质量较高的手写体数字图像。(本文来源于《廊坊师范学院学报(自然科学版)》期刊2019年02期）
马建宇,孟祥,赵莹[3]（2019）在《基于脉冲神经网络的手写体数字识别》一文中研究指出针对传统手写体数字识别精度不高的问题,本文设计了一种基于脉冲神经神经网络的手写体数字识别算法。该算法首先对输入的手写体数字进行预处理,然后提取手写体数字的二值图像轮廓和笔画次序等结构特征,最后根据脉冲神经网络模型分类,预测测试集合样本。该算法在MNIST字体库里的数据进行实验,精度可达98.7%,优于其它识别算法。(本文来源于《数字技术与应用》期刊2019年05期）
茹晓青,华国光,李丽宏,李莉[4]（2019）在《基于形变卷积神经网络的手写体数字识别研究》一文中研究指出本文引入形变卷积模块来增强网络对数字几何变换的建模能力,提出了一种基于改进的形变卷积神经网络手写体数字识别框架,在提高识别精度的同时,还有效的减少了训练的参数量,提高识别速度.本文在手写体数据集及变换后的数据集中进行验证.实验结果的分析以及与相应算法的比较,证明了本算法是有效的.(本文来源于《微电子学与计算机》期刊2019年04期）
刘思慧,江维[5]（2019）在《基于MATLAB手写体数字识别程序设计》一文中研究指出手写体识别由于其实用性,一直处于研究进步的阶段,本文主要针对的是对0-9十个手写数字体脱机识别,在Matlab中对样本部分为进行16特征的提取,分别采用最小距离法,最近邻法,KNN法以及BP神经网络算法进行0-9十个数字进行识别,得到每类的分类结果以及各种方法的识别准确率,比较各种方法的优缺点,最后分析比较结果,得出分类结论。1.引言本文先是以统计学的方法进行数字识别。识别的数字是从0到(本文来源于《电子世界》期刊2019年03期）
胡霖[6]（2019）在《基于改进的C-支持向量机的手写体数字高识别率方法研究》一文中研究指出随着科技的发展,手写体数字的识别这一功能在许多的方面都有很多用途,特别是在我们的日常生活中。支持向量机在机器学习方面最主要的优势是在解决小样本、非线性和高维模式识别问题中具有突出的效果,被广泛用于信息识别中。为了提高手写体数字的识别率,本文提出了一种基于改进的C-支持向量机的手写体数字高识别率方法,实验结果证明基于改进的C-支持向量机的手写体数字高识别率方法有效可行。(本文来源于《数字通信世界》期刊2019年01期）
郭伟林,邓洪敏,石雨鑫[7]（2018）在《基于局部二进制和支持向量机的手写体数字识别》一文中研究指出针对手写体数字识别中的特征提取问题,在圆形邻域局部二进制模式(LBP)的基础上,将数字的图片分割为四个子区域,分别提取各区域的局部二进制模式(LBP)直方图,然后用LBP直方图训练支持向量机(SVM)模型,再用测试样本对该模型的分类效果进行测试。最后,在实验中还引入当前主流的主成分分析法(PCA)对数据集降维,并以此对比分四区域提取LBP直方图的识别效果。通过对比发现,对手写体数字图片分四区域计算LBP直方图并将其用作识别特征可使数字识别准确率达到95. 31%,这一结果接近于使用数据集前90%特征贡献率的主成分分量的识别效果(后者的识别率为96. 6%),比直接对整张图片提取的LBP直方图分类识别率高19. 51个百分点。(本文来源于《计算机应用》期刊2018年S2期）
朱书眉[8]（2018）在《基于卷积神经网络的手写体数字识别》一文中研究指出文章介绍了卷积神经网络中的卷积层、池化层和全连接层,分析了利用TensorFlow实现基于卷积神经网络的手写体数字识别,比较卷积神经网络和传统BP神经网络对手写体数字的识别效果。(本文来源于《数字技术与应用》期刊2018年11期）
闫江宝,张长胜,周雷[9]（2018）在《手写体数字的识别方法研究》一文中研究指出手写体数字识别是一个传统和典型的模式识别问题,本文采用最小距离法、K近邻法和BP神经网络叁种方法。使用MATLAB软件对数字特征提取并进行编程,对手写体数字训练并且对训练结果进行测试;最后对手写体的程序进行数字识别并显示结果。通过以上这些方法试验,得到每一种方法所对应的特征的分类结果和分类的正确率,并对分类结果和正确率做了对比和分析,最终得出分类结论。(本文来源于《数据通信》期刊2018年05期）
黄金海[10]（2018）在《手写体数字的K-最近邻法识别研究》一文中研究指出文章通过全面分析KNN在机器学习分类器中的应用原理和步骤,采用高效的python语言设计了基于KNN算法的手写体数字识别。识别过程以常用的手写数字训练集和测试集作为数据处理的基本方法,实验分析则采用实际测试样本进行测试。研究表明,该算法实现过程简单,但准确识别率和执行效率并不高。(本文来源于《无线互联科技》期刊2018年20期）
手写体数字论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决现有特定图像数据集因采集困难等因素导致缺乏充足图片的问题,提出了一种基于VAE和GAN融合网络的mnist手写体数字图像生成方法。该方法结合了VAE和GAN的优点,同时具备VAE生成图像的准确性和GAN生成图像的清晰性。实验表明,该方法能生成质量较高的手写体数字图像。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
手写体数字论文参考文献
[1].余圣新,夏成蹊,唐泽恬,丁召,杨晨.基于改进Inception卷积神经网络的手写体数字识别[J].计算机应用与软件.2019
[2].陈丽芳,芦国军.基于VAE和GAN融合网络的mnist手写体数字图像生成方法[J].廊坊师范学院学报(自然科学版).2019
[3].马建宇,孟祥,赵莹.基于脉冲神经网络的手写体数字识别[J].数字技术与应用.2019
[4].茹晓青,华国光,李丽宏,李莉.基于形变卷积神经网络的手写体数字识别研究[J].微电子学与计算机.2019
[5].刘思慧,江维.基于MATLAB手写体数字识别程序设计[J].电子世界.2019
[6].胡霖.基于改进的C-支持向量机的手写体数字高识别率方法研究[J].数字通信世界.2019
[7].郭伟林,邓洪敏,石雨鑫.基于局部二进制和支持向量机的手写体数字识别[J].计算机应用.2018
[8].朱书眉.基于卷积神经网络的手写体数字识别[J].数字技术与应用.2018
[9].闫江宝,张长胜,周雷.手写体数字的识别方法研究[J].数据通信.2018
[10].黄金海.手写体数字的K-最近邻法识别研究[J].无线互联科技.2018
论文知识图
