基于神經網絡的手寫體數字識別算法設計

馮文革 李琳 雷軍麗

摘要：目前，基于神經模擬網絡應用技術方案的辨識匹配算法層出不窮，其已經成為各行各業廣泛應用的數字化技術之一。在針對手工書寫體數字進行辨識匹配的過程中，相關應用算法主要以反向傳播神經模擬網絡類型為主。然而，該網絡類型本身訓練時間相對較長，同時有可能出現局部最小的弊端。為避免此類問題影響實際辨識匹配效果，需要基于神經模擬網絡進一步探索相關應用算法，使手工書寫體數字能夠得到高效率、高質量辨識匹配。本文主要針對基于神經模擬網絡的手工書寫體數字辨識匹配算法設計進行深入研究，以供參考。

關鍵詞：神經網絡;手寫體數字;識別算法

數字辨識匹配算法當前應用范圍較廣，在各種信息化平臺中均存在基礎需求。通過結合神經模擬網絡解決方案，能夠快速對手工書寫體數字進行辨識匹配，有效降低錯誤率，增強工作效率。通過對神經模擬網絡手工書寫體數字辨識匹配算法進行分析，能夠明確其主要概念與設計細節，有利于強化整體應用效果，對未來進一步開展手工書寫體數字辨識匹配具有正面影響意義。

1 神經模擬網絡與反向傳播辨識匹配應用算法基礎概念簡述

1.1神經模擬網絡

神經模擬網絡又被稱作人工神經模擬網絡類型，即ANN。其自上世紀八十年代開始出現研究熱潮，主要針對信息處理角度進行探究。ANN對信息內容的處理方式主要通過抽象人腦運轉邏輯、建立基礎模型的措施完成，其可以將多種主要連接方案整合為主體網絡，進而達到高效率應用的目標。ANN在工程學界被稱作類神經模擬網絡的一種，主要代表運算應用模型方案，通過海量的處理節點并聯而成，與人類大腦的神經模擬元存在一定程度的相似性[1]。常規情況下，處理節點自身能夠代表特定條件的輸出應用函數，即激勵函數。兩個節點之間建立連接關系即可代表對單一連接用信號的加權數據，即權重。這一結構能夠組成ANN記憶，最終為輸出內容提供基礎處理條件。網絡本身權重數據與激勵函數若存在差異，則邏輯策略也會出現差異。因此，神經模擬網絡的算法具有多樣化應用特征。

1.2反向傳播辨識匹配算法

反向傳播辨識匹配算法屬于經典手工書寫體數字辨識匹配解決方案，其具有前向應用特征，主要包含三個基礎層次，即輸入、隱含、輸出。通常情況下，該網絡隱含層可以設置為單層或多層兩種，各層需要由單一或多個節點組成，同層節點之內不允許建立連接，層與層之間的節點需要保證全連接狀態。反向傳播神經模擬網絡的應用核心便是反向傳播算法，這一算法由正向傳遞與誤差反向傳播組成。在正向傳播過程中，輸入的信息內容需要從輸入區域、隱含層逐步計算，最終輸入至輸出層面。但是，其應用階段受到基本原理的限制，經常需要消耗大量時間，同時有可能陷入局部最小值狀態。因此，需要基于全新改進版神經模擬網絡方案，對手工書寫體數字的辨識匹配算法進行革新處理，使其能夠擺脫原有反向傳播網絡限制，達到理想優化目標，進一步提高整體辨識匹配效率與質量。

2 基于神經模擬網絡方案設計匹配算法研究

2.1初始階段化轉變種族群落內容

在改進神經模擬網絡手寫數字辨識匹配算法的過程中，需要首先處理種族群落初始階段化轉變模塊。常規情況下，針對不存在先驗知識內容的優化性問題，經典遺傳ANN算法主要利用隨機方式處理產生階段。這種方式雖然效率較高，但會導致完成初始階段化轉變的群體出現一定程度的盲目特性，同時也不利于篩選具有代表特征的群體。因此，在改進過程中需要利用正交設計方式，對種族群落進行科學初始階段化轉變。利用此類方法初始階段化轉變的群體能夠有效代表所有可能性組合，同時也可以提高數值的優化特性，使其搜索效率得到顯著提升[2]。通過應用正交方式初始階段化轉變群體，還可以使初始種族群落內容具有高魯棒性與高統計合理性，有利于后續進一步展開辨識匹配操作。

2.1.1構建正交設計矩陣類型

常規情況下，正交矩陣的規劃措施較為豐富，為確保后續手工書寫體數字能夠得到高效率、高質量辨識匹配，本次改進應當重視設計方法的計算便捷特性。通過將Q設置為基因變量變化水平數，N設置為基因個數，可以總結正交設計矩陣為 ，同時 。在這一矩陣前提下，針對正交設計的矩陣基本列進行構造處理時，基礎算法如下：

For k=1 to J do

Begin

For i=1 to QJ do

mod Q

End

在構造非基本列的過程中，其基礎算法如下：

For k=2 to J do

Begin

For s=1 to j-1 do

Or t=1 to Q-1 do

End

在構建完成后，需要對ai，j進行+1處理，使l≤i≤M，l≤j≤N。

2.1.2開始生成初始階段種族群落

在完成種族群落的初始階段化轉變操作后，由于無法明確反向傳播網絡本身所具有的權重數據與閾值數據，同時也無法了解全局最小信息。因此，初始種族群落的實際染色體內容將會呈現均勻分布狀態，其在可行解的空間內具有一定程度的合理性。通過將xi設定為第i個基礎因素，即可使單一染色體能夠對應N個基礎因素。這些因素本身存在連續性特征與變化性特征，因此必須將各個因素進行離散化轉變，使其能夠成為有限個數量值。在實際執行階段，需要將xi的區間[l，u]分割為Q個基礎水平，進而獲得初始種族群落，即 。Ti，j本身屬于初始種族群落矩陣內T元素的實際數值，而δ為實際數據較低的隨機數字，常規情況下需要保證 。針對手寫數字辨識匹配應用測試樣品進行訓練的反向傳播網絡類型，其需要大量的訓練網絡權重數據與閾值數據。在這種情況下，N的數值會存在過大問題，最終導致M的數據增大。這種規模龐大的矩陣作為初始應用種族群落會嚴重消耗存儲空間，同時也會增加算法進行迭代的總時長[3]。因此，需要從T中利用隨機處理方式選擇n個具有不同行為的個體元素作為初始應用種族群落，確保后續能夠達到理想辨識匹配目標。

2.2針對父系應用個體元素進行篩選

篩選父系應用個體元素的過程中，應用賭輪盤處理方式進行操作容易導致神經模擬網絡優化出現收斂過快的負面問題。因此，在改進算法中為確保群體多樣性能夠符合需求，需要盡可能減少算法的實際收斂速度，避免其出現過快弊端。在選擇階段，針對低于平均適應度的個體元素需要進行淘汰處理。被淘汰的個體元素可以從T內部隨機選擇單行作為新型個體元素，同時提高δ的實際變化范圍。為確保種族群落能夠達到優秀的多樣性，需要在低于平均適應度個體元素數量低于1/4種族群落整體數量時，采用保持處理措施，使其數量能夠穩定在該層次，實現最佳處理效果。

3 算法應用案例方針分析

在針對改進算法進行測試的過程中，主要采用USPS手寫類型數字應用測試樣品作為基礎實驗應用數據，應用測試樣品總量為1200個。單一應用測試樣品數據內存儲16X16的圖像應用測試樣品，同時將ANN的實際輸入成熟設置為512，部署0～9個類別，共10種。由于類別為10種，因此需要將輸出的成熟設置為10，并根據經驗隱含層部署 。在該部署內容中，I代表輸入層實際神經模擬元數量，Q代表輸出層實際神經模擬元數量，n需要在0～10內進行選取[4]。在實驗階段，隱含層實際數量需要設置為20，同時訓練目標為0.05。反向傳播網絡類型需要應用L-M的訓練處理方案，改進的參數為種族群落規模25、交叉概率0.8、迭代數量70、權重數值與閾值取值范圍[-4，4]、水平數量10。通過對兩種基礎應用算法進行對比，結果如表1所示，能夠發現改進版算法相對于經典反向傳播算法具有更快的處理速度。手寫數字內容的辨識匹配精確程度與應用測試樣品數量存在關聯，因此需要通過增加應用測試樣品量的方式，使手寫數字辨識匹配效果能夠達到理想目標。改進版神經模擬網絡手寫數字算法能夠以較短的訓練時間完成整體規劃，具有良好的應用效果。

結論：

綜上所述，基于神經模擬網絡訓練的手工書寫體數字辨識匹配具有良好的應用效果。通過對其設計方式進行分析，能夠明確基礎應用原理，有利于未來進一步改進相關細節，使其可以適應工作需求變化，實現理想部署目標。

參考文獻

[1]陳巖，李洋洋，余樂，等.基于卷積神經網絡的手寫體數字識別系統[J].微電子學與計算機，2018，405（02）：71-74.

[2]蔣銳鵬，姑麗加瑪麗·麥麥提艾力，安麗娜.基于長短期記憶神經網絡的手寫數字識別[J].計算機技術與發展，2020，274（02）：100-103.

[3]茹曉青，華國光，李麗宏，等.基于形變卷積神經網絡的手寫體數字識別研究[J].微電子學與計算機，2019，36（04）：53-57.

[4]宋曉茹，吳雪，高嵩，等.基于深度神經網絡的手寫數字識別模擬研究[J].科學技術與工程，2019，019（005）：193-196.

基金項目：基于HLS的手寫體數字識別。編號：2020HYA01001.教育部科技發展中心立的項。