基于机器学习算法的数字识别APP开发

基于机器学习算法的数字识别APP开发目录1绪论11.1研究背景与意义1.2国内外研究现状21.3本文结构安排.32手写数字识别技术分析….42.1手写数字识别过程….42.1.1图片预处理.42.1.2特征提取……42.1.3分类器.52.2激活函数.52.2.1什么是激活函数52.2.2 Sigmoid函数.52.2.3Relu函数.….62.3输出层的设计.…。.72.3.1s0 ftmax函数..72.3.2输出层神经元个数.….72.4损失函数.…72.4.1损失函数的作用.….72.4.2均方误差损失函数.72.4.3交叉熵误差损失函数.83卷积神经网络的结构和模型设计…83.1卷积神经网络概述….83.2卷积层.83.2.1卷积运算.83.2.2填充和步幅….93.3池化层.….103.3.1最大池化113.3.2平均池化…113.4误差反向传播算法…3.5本文所采用的网络模型结构.144卷积神经网络的训练与优化…154.1全连接神经网络和卷积神经网络对比.154.2卷积神经网络的训练过程.….154.3本文对卷积神经网络的优化…174.3.1使用Adam方法更新参数174.3.2应用Dropout抑制过拟合.184.3.3对超参数进行优化.…185手写数字识别实验结果与分析.195.1基于卷积神经网络的数字识别实验结果.195.2项目打包与运行效果展示.206总结与展望….236.1工作总结.236.2展望.231川基于机器学习算法的数字识别APP开发作者胡俊龙指导教师周生彬讲师(岭南师范学院计算机与智能教育学院，湛江524048)摘要：手写字符识别技术作为OC的一个重要分支，其综合了数学图像处理和机器学习等多方面的知识，已经逐渐成为计算机智能化的重要技术。由于Pyho在对机器学习处理有着先天优势，所以市面上大多是用Python实现的。本文将使用JavaScript语言，采用卷积神经网络算法，从其原理和结构开始一步步实现对手写数字的识别。通过MNST数据集对模型进行训练，经过对待训练（识别）的图片预处理，特征提取，分类等操作，实现对手写数字测试集的识别并有着95%以上的识别准确率。最终打包成APK,作为APP在手机上运行。关键词：机器学习：卷积神经网络；手写数字Number recognition APP development based on machine learningalgorithmHU JunLongSchool of Computer and Intelligent Education,Lingnan Normal University,Zhanjiang,524048 ChinaAbstract:As an important branch of OCR,handwritten character recognition technologyintegrates various knowledge such as mathematical image processing and machine leaming,and hasgradually become an important technology for computer intelligence.Since Python has inherentadvantages in machine leaming processing,most of them are implemented in Python on the market.This article will use the JavaScript language and use the convolutional neural network algorithm torealize the recognition of handwritten digits step by step from its principle and structure.The model istrained through the MNIST data set,and after the image preprocessing,feature extraction,classificationand other operations to be trained (recognition),the recognition of handwritten digits is realized and therecognition accuracy rate is over 95%.Finally,it is packaged into an APK and runs on the mobile phoneas an APPKey words:Machine Learning;Convolutional Neural Networks;Handwritten Digits1绪论1.1研究背景与意义在如今快速发展的数字时代，目前市面上大多是针对印刷字符识别的软件和应用，目前还没有一种商业上的应用或软件可以用于手写字符识别。字符识别处理信息可以分为两类：一类是文字信息，主要是文字或印刷供各国使用的文本信息，如：英文、汉字等文本信息，目前在印刷体识别技术方面已经趋于成熟，诞生了很多商业识别软件。二是数据信息，主要是由阿拉伯数字和其他特殊符号（如电话号码、车牌号、邮政编码等)组成的数字和统计数据，对手写数字的识别就是处理这些信息的核心。手写数字识别研究的难点在于：第一，不同数字的字形差异不大，这就使得很难区分一些数字：第二，不同人的书写风格迥异，书写相同数字的方式也不一样。在实际使用过程中，由于各种因素的影响，手写输入的识别准确率往往会低于印刷体字符。因此，对手写数字识别的研究具有重要的现实意义，如果研究成功并投入使用，未来将会产生巨大的经济效益和社会效益。1.2国内外研究现状由于神经网络在图片分类上具有较大优势，大部分国内的科研团队与学者们对手写体识别的探究都围绕于神经网络上。刘辰雨(2018)在对卷积神经网络LNet-5模型的研究之上，提出了添加Dropout层来抑制过拟合和提高模型泛化能力，同时采用ReLu函数替代Tah函数作为网络模型的激活函数，最终使得优化后的模型识别率从93.61%提高到了97.30%，误识率从0.96%下降到了0.75%山。陈鸿宇(2020)基于对K最邻近法(KNN)的研究过后，在对图像进行预处理后，通过KNN算法实现对手写数字的识别，在测试了946个数据后，根据实验结果，错误率仅为1.05%2。杨栩(2020)使用卷积神经网络算法对手写数字图像进行分类识别，在经过的一定数量的卷积层对图像提取特征向量，经RL山激活函数处理后进入下采样层从而降低向量维度，最终通过softmax激活函数输出结果，经过测试后发现训练数据在8000个以上以及迭代次数在8次以上的识别率在96%以上)。汪愿(2021)基于BP神经网络，采用动量因子和自适应学习的手写数字图片模式识别，并利用MATLAB仿真软件对大量手写数字识别进行测试后发现该方法对手写数字识别具有精度高、