李斯凡，高法钦

(浙江理工大学信息学院， 杭州 310018)



基于卷积神经网络的手写数字识别

李斯凡，高法钦

(浙江理工大学信息学院， 杭州 310018)

在LeNet-5模型的基础上，改进了卷积神经网络模型，对改进后的模型及网络训练过程进行了介绍，推导了网络模型训练过程中涉及到的前向和反向传播算法。将改进的模型在MNIST字符库上进行实验，分析了卷积层不同滤波器数量、每批数量、网络学习率等参数对最终识别性能的影响，并与传统识别方法进行对比分析。结果表明：改进后的网络结构简单，预处理工作量少，可扩展性强，识别速度快，具有较高的识别率，能有效防止网络出现过拟合现象，在识别性能上明显优于传统方法。

卷积神经网络；手写数字；识别；LeNet-5

0 引 言

手写数字识别是利用机器或计算机自动辨认手写体阿拉伯数字的一种技术，是光学字符识别技术的一个分支[1]。该技术可以应用到邮政编码、财务报表、税务系统数据统计、银行票据等手写数据自动识别录入中。由于不同的人所写的字迹都不相同，对大量的手写体数字实现完全正确地识别不是一件简单的事情。随着全球信息化的飞速发展和对自动化程度要求的不断提高，手写体数字识别的应用需求急迫[2]，因此,研究一种准确又高效的识别方法有着重要的意义。

传统的识别方法如最近邻算法[3]、支持向量机[4]、神经网络[5-7]等，对复杂分类问题的数学函数表示能力以及网络的泛化能力有限，往……