于文生，张轩雄

（上海理工大学光电信息与计算机工程学院，上海 200093）

随着科学技术的快速发展，生活在数字化的时代对数字的智能识别有很高的依赖性，而手写数字识别的应用与发展显得尤为重要。虽然目前手写数字识别技术的研究逐渐走向成熟，但相对优化准确率方面，仍然有很大的提升空间，并且对于其他文字的识别仍具有积极意义[1]。而相应地由于每个人书写样式的多样化，以及书写的习惯不同，给手写字体的识别精确度也带来了相当大的困难。针对数字识别提出了许多解决的办法，但是通过目前的分析，基于误差反向传播法的神经网络是主流的算法[2-3]。但是事实上，由于手写数字笔迹特征复杂或人为因素各有差异，导致手写数字的正确识别率并不比印刷汉字的识别率高，甚至不如联机手写汉字识别率高[4]。

神经网络具有推广能力、非线性和自动学习能力以及高速运算能力[5]。具体来说，在人工智能快速发展下，通过已建模型可以自动地从数据中学习到合适的权重参数[6]。现有的神经网络都没有优化激活函数和参数更新，而文中重点从这两个方面使用新的激活函数、优化参数的更新，通过简单的神经网络结构，就可以实现快速的学习速率以及精确的准确率[7-8]，从而使神经网络的性能得到大幅度提升，并且在MNIST 数据集上对测试结果进行了验证。

1 神经网络的原理

为了更好地体现神经网络对图像处理的原理，通过图1 比较神经网络所具有的优势，在神经网络中，连图像中包含的重要特征量都是由机器来学习的，没有人为参与。……