![](https://csdnimg.cn/release/download_crawler_static/87694942/bg3.jpg)
一、实验目的
分类器设计是机器学习的主要研究方向,在大数据、人工智能领域应用广泛,
分类模型可以将数据库中的数据映射到所属类别之一,继而可以应用于新的数据
预测。随着研究的发展,机器学习领域不断涌现出新的分类器方法,从早期的决
策树、近邻法,到支持向量机、神经网络等,这些方法都已先后在具体领域中得
到有效使用。
分类器的设计使用主要分为三个步骤,首先选择样本数据集,将所有样本分
成两部分,训练样本和测试样本。然后选择一个分类器,在训练样本上运行分类
器算法,生成分类模型。最后用测试样本对分类模型进行预测评价,来衡量分类
器效果。
衡量一个分类器的优劣主要有两个标准:分类准确率与泛化能力。以支持向
量机(Support Vector Machine,SVM)为代表的分类器是典型的传统分类器方法,
在人像识别、手写字符识别等分类识别任务中使用最早。而该类方法在进行识别
时需要繁琐的特征构造,且手工的特征提取往往会削弱模型的泛化能力,很大程
度限制了这些分类器的发展。与此同时,由于大数据和硬件计算能力的驱动,目
前基于卷积神经网络的分类器方法受到更多关注。
卷积神经网络(Convolutional Neural Networks,CNN)是一种包含卷积计算
且具有深度结构的前馈神经网络,是一种通过对样本数据底层特征的抽象组合来
表达其内在规律的机器学习方法。CNN 使用卷积运算代替一般矩阵乘法来实现
特征提取,同时 CNN 具有局部感知与参数共享两大特点,这两点与图像的特征
的局部性和重复性完美贴合,使 CNN 在图像分类识别领域有出色表现。
因此本文将选择卷积神经网络作为分类器设计方法,通过对手写数字图像进
行分类识别来实现分类器。
二、实验方法
1、卷积神经网络分类器结构
图 1 为卷积神经网络一般结构,CNN 在 LeNet-5 模型提出后,其组成结构
被基本确定,网络一般由输入层、卷积层、池化层、全连接层、输出层组成。
输入层
池化层P1
卷积层C1 卷积层C2
池化层P2
全连接层
F1、F2
输出层
图 1 卷积神经网络一般结构
输入层、输出层作为首尾用于图像数据输入与结果输出表示,中间部分通常
采用多组卷积层和池化层交替结构进行特征提取,在输出层前的几级网络通常设