基于支持向量機的手寫數字識別的研究.pdf_第1頁
已閱讀1頁,還剩55頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著科學技術的快速發(fā)展,計算機處理速度越來越快,用計算機解決現實生活中的問題是一個熱點的研究方向。由于手寫數字的識別存在于郵件分類、文獻檢索、銀行票據等很多領域中,因此手寫數字識別是模式識別中的一個較為重要的研究方向,如何提高識別正確率及其效率也是大家奮斗的目標。
   本文分四步進行研究手寫數字識別。
   第一步,相對人臉等其它對象樣本向量的維數而言,手寫數字樣本的向量維數是較小的,因此直接采用支持向量機+多分類算法

2、進行訓練和識別。本文選擇的多分類算法有1-(k-1)算法、二叉樹、二分法和投票法。通過實驗結果的分析,得出二分法和投票法相對較優(yōu),但是不足之處在于,要得到高的識別正確率必須要很多訓練樣本,這樣就必須花很長時間進行訓練樣本。
   第二步,采用PCA進行降維,可以減少訓練樣本的時間。但是降維之后,識別準確率沒有得到提高,這可能與所選的樣本和樣本向量的數據有關。
   第三步,從減少訓練樣本數入手,考慮到訓練樣本間的相似性,

3、采用相似形態(tài)配對想法來挑選訓練樣本。結果挑選出639個訓練樣本,對100個待測樣本進行識別,識別準確率達到了87%,這個結果對比于第一步的結果有了個明顯的提升。
   第四步,繼續(xù)延續(xù)第三步的想法,即從減少訓練樣本入手,通過聚類分析得到新的訓練樣本,再進行實驗。最后得出結論,即選用相似距離+層次聚類中的中間距離算法+多分類的投票算法之后,當挑選出1800個訓練樣本時,識別正確率達到97%,這樣保證了高的識別正確率,并且大大降低訓

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論