基于深度学习的手写数字识别开题报告

1. 研究目的与意义（文献综述）

深度学习是机器学习研究的一个新领域， 基于神经网络建立模拟人脑分析、 学习的模型， 模仿人脑机制识别目标， 感知信息。

在手写数字识别上取得了令人惊异的进展。

此前的一些神经网络研究也曾尝试解决这一问题， 但因缺乏有效的深层网络模型以及训练算法而没有显著成果。

2. 研究的基本内容与方案

深度学习的手写数字识别的内容主要可分为五个部分，其组织如下:1) 在深度学习概述中的手写字符识别领域。 它概述了机器学习中不同方法的特征和结果，并对可能的结论提供了意见。2) 研究应用的方法包括研究设计，数据选择，流行模型和研究哲学。 它建立了测试不同识别方法的过程手写字符。 它为这些方法中的图像预处理奠定了基础。3) 系统实现及实验结果。 它将检查图像预处理和不同种类的分类器对识别准确性的影响。4)实验结果分析，模型评估和测试，以及与文献评论。5) 简短说明工作结果，包括已解决的问题以及研究的局限性。 本节还将概述未来研究

的建议。

2. 研究（设计）的 与 应用 方法2 ．1 cnn 手写数字识别系统的 tensorflow 构 架 为验证 cnn 模型在自由手写数字上的识别性能， 实验模仿 lenet5 网络， 采用tensor flow 搭建了一个 cnn 数字识别系统并在经典的 mnist 手写数据集上完成深度学习训练和测试， 然后对裁切处理过的人工自由手写字体进行分析识别。图 1 tensor flow 架构的 cnn 手写数字识别系统2 .2 cnn 算法与回归模型识别手写体数字 应 用 mnist 数据集：mnsit 是一个手写数字数据库， 有 60000 个训练的样本集和10000 个测试的样本集。数据集的标签就是 0 到 9。在 mnist 图片集中， 所有的图片长和宽都为 28 像素。 cnn 算法识别应用：现在通过使用卷积神经网络重新对 mnist 数据集进行验证，我们将采用全新的 cnn 算法来处理数据。3 ． 手写数字识 别自动编码机( auto encoder) 是深度学习最成功的例证。 它由任意层数的 rbm 级联而成。其工作原理是: 输入数据经过多层 rbm 使高维数据变成低维数据完成编码过程， 产生中间的代码层， 然后从代码层开始逆向使用编码过程产生的各层参数，重构出输入数据完成解码工作。 整个网络通过最小化输入数据与重构数据的交叉熵完成对模型参数的微调， 使得中间代码层输出更本质的特征。图 2 自动编码机输入数字经过自动编码机的重构效果如图 3 所示。图中上层为训练过程中输入的15 个手写数字，下层为通过自动编码机重构的手写数字。从图中可以看出重构值很好地还原了原始图像。

3. 研究计划与安排

第一周至第三周 翻译布置的论文，结合论文在图书馆、网上查找资料，建立对毕业设计主 题的理解第四周至第六周 熟悉 tensorflow 框架、手写数字识别现有方法，设计实现路径第七周至第九周 实现实验代码，获取实验成功的截图，构思毕业论文第十周至第十四周 撰写、修改毕业论文，准备答辩 PPT第十五周至第十六周 答辩及答辩后修改、提交

4. 参考文献（12篇以上）

[1] Adhesh Garg ; Diwanshi Gupta ; Sanjay Saxena ; Parimi Praveen Sahadev, V alidation of Random Dataset Using an Efficient CNN Model Trained on MNIST Handwritten Dataset, 2019 6th International Conference on Signal Processing and Integrated Networks (SPIN)[2] http://yann.lecun.com/exdb/mnist/[3] 范明， 孟小峰． 数据挖掘概念与技术 ［ M］ ． 北京: 机械工业出版社， 2001: 1 － 63， 70 － 117．[4] 谭建豪． 数据挖掘技术［ M］ ． 北京: 中国水利水电出版社，2009．[5] 康晓东． 基于数据仓库的数据挖掘技术［ M］ ． 北京: 机械工业出版社，2004．[6] Han Jia-wei， Micheline Kamber． DataMining Concepts and Techniques ． ChinaMachine Press， 2005．[7] 胡 海 燕． 数 据 挖 掘 在 EＲP 中 的 应 用［ J］ ． 信 息 技 术， 2008[8] Goodfellow I, Bengio Y , Courville A．Deep learning (V ol. 1)[M]．Cambridge： MIT Press, 2016：[9] LeCun Y , Bottou L, Bengio Y, et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE 86,1998: 2278-2324.[10] 赵英俊 . TensorFlow2.0[M]. 北京： 电子工业出版社, 2019:[11] Bernard, S., Adam, S., Heutte, L. (2007). Using Random Forests for Handwritten DigitRecognition. Ninth International Conference on Document Analysis and Recognition (ICDAR2007) V ol 2,1043-1047. doi:10.1109/icdar.2007.4377074[12] Biswas, M., Islam, R., Shom, G. K., Shopon, M., Mohammed, N., Momen, S., Abedin, A.(2017). BanglaLekha-Isolated: A multi-purpose comprehensive dataset of Handwritten BanglaIsolated characters. Data in Brief,12, 103-107. doi:10.1016/j.dib.2017.03.035[13] Cecotti, H. (2016). Active graph based semi-supervised learning using image matching: Application tohandwritten digit recognition. Pattern Recognition Letters,73, 76-82.doi:10.1016/j.patrec.2016.01.016[14] Cirean, D. C., Meier, U., Gambardella, L. M., Schmidhuber, J. (2010). Deep, Big, Simple NeuralNets for Handwritten Digit Recognition. Neural Computation,22(12), 3207-3220. doi:10.1162/neco_a_00052[15] Dalal, N., Triggs, B. (n.d.). Histograms of Oriented Gradients for Human Detection. 2005IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR05),886-893.doi:10.1109/cvpr.2005.177[16] 孙志军， 薛磊， 徐阳明， 王正. 深度学习研究综述[J]. 计算机应用研究， 2012 （08） :2806-2810.[17] 段艳杰， 吕宜生， 张杰， 赵学亮， 王飞跃. 深度学习在控制领域的研究现状与展望[J]. 自动化学报， 2016， 42 （05） :643-654.[18] 顾佳， 彭宏京. 增长式卷积神经网络及其在人脸检测中的应用[J]. 系统仿真学报， 2009.[19] 周飞燕， 金林鹏， 董军. 卷积神经网络研究综述[J]. 计算机学报， 2017 （06） :1229-1251.[20] 姜亚东. 卷积神经网络的研究与应用[D]. 电子科技大学， 2018.[21] 常亮， 邓小明， 周明全， 武仲科， 袁野， 杨硕， 王宏安. 图像理解中的卷积神经网络[J]. 自动化学报， 2016 （09） :1300-1312.[22] 王欣蔚. 基于深度学习的 TEDS 系统车号识别算法研究[D].[23] Winkler, G. (1980). A combination of statistical and syntactical pattern recognition applied toclassification of unconstrained handwritten numerals. Pattern Recognition,12(3), 189-199.doi:10.1016/0031-3203(80)90043-6[24] Zheng, S., Zeng, X., Lin, G., Zhao, C., Feng, Y ., Tao, J., . . . Xiong, L. (2016). Sunspotdrawings handwritten character recognition method based on deep learning. New Astronomy,45, 54-59.doi:10.1016/j.newast.2015.11.001