侯艳路　丁世飞　孙统风

(中国矿业大学计算机科学与技术学院， 徐州， 221116)

引　　言

手写数字识别是模式识别的一种，包含在字符识别技术中,处理一些数据信息的关键技术就是手写数字识别，比如财务报表、邮政编码和各种票据等。1998年Lecun等提出了手写体数字识别模型LeNet-5[1]，曾被广泛应用于识别美国银行支票手写体数字；文献[2]中用K近邻分类算法(K-nearest-neighbors, KNN)在MNIST数据集上实现了2.83%的分类错误率；支持向量机(Support vector machine,SVM)和其改进算法在分类任务中得到广泛应用[3-4],2012年Niu等提出了应用在数字识别上的混合模型CNN-SVM[5]，用CNN进行特征提取，SVM作为分类器，结合双方各自的优点，在图像分类任务中取得了很好的实验效果；Luo[6]等在2014年提出了一种混合方法ELM-SRC(Sparse representation based classification)，把SRC处理噪声图像的优势和ELM训练速度快结合起来，在USPS手写数据集上进行了实验，既提高了分类精度，又保证了时间效率。

卷积神经网络(Convolutional neural network，CNN)是深度学习算法的一种，广泛应用于很多领域，如目标识别、场景分类和人脸识别等。CNN通过一层一层的学习，每层会自动从输入图像中提取到不同的特征，从低级到高级,在面对各种图像识别任务时都有很好的效果，被认为是通用图像识别系统的代表之一[7]。通常，卷积层中的神经元通过局部感受野与上层相连接，通过卷积得到该局部的特征，在池化层用池化的方法进行二次特征提取，卷积层和池化层交替出现的结构使其能够容忍一定畸变的输入样本[8]。但是CNN在训练的过程中需要采用BP算法来调整参数，这个过程会消耗大量时间。……