典型文献
基于分解极限学习机的手写字符识别方法
文献摘要：
手写字符识别是图像识别的一个重要分支,是基于数据挖掘和机器学习技术对数字、字母和文字等的手写体进行识别.当前手写字符识别方法主要集中在对不同深度学习模型的完善和改进上,其中多层极限学习机由于其快于深度信念网络和深度玻尔兹曼机的训练速度以及更高的识别精度引起了学术界和工业界的广泛关注.但是,多层极限学习机的预测表现极易受随机权重的影响,层数越多影响就越明显.文中在深入分析浅层极限学习机训练模式的基础上,提出了一种基于隐含层输出矩阵分解的浅层极限学习机模型,并将其应用于对手写字符的识别.分解极限学习机不需要对手写字符图像进行特征提取,而是通过对大规模隐含层输出矩阵的分解来获得极限学习机的输出层权重.相比深层极限学习机,分解极限学习机降低了基于极限学习机的手写字符识别模型训练的随机性.同时,在MNIST类数据集(即MNIST,EMNIST,KMNIST和K49-MNIST)上的比较结果表明,在相同的训练时间下,分解极限学习机能够获得优于多层极限学习机的识别精度;在相同的识别精度下,分解极限学习机的训练时间明显短于多层极限学习机.实验结果证实了分解极限学习的可行性以及在处理手写字符识别问题上的有效性.
文献关键词：
手写字符识别;极限学习机;多层极限学习机;深度学习;特征提取
中图分类号：
作者姓名：
何玉林;李旭;金一;黄哲学
作者机构：
深圳大学计算机与软件学院 广东 深圳 518060;人工智能与数字经济广东省实验室(深圳) 广东 深圳 518107;中国刑事警察学院痕迹检验技术系 沈阳 110854
文献出处：
引用格式：
[1]何玉林;李旭;金一;黄哲学-.基于分解极限学习机的手写字符识别方法)[J].计算机科学,2022(11):148-155
A类：
EMNIST,KMNIST,K49
B类：
基于分解,手写字符识别,图像识别,机器学习技术,字母,手写体,不同深度,深度学习模型,多层极限学习机,快于,深度信念网络,玻尔兹曼,训练速度,识别精度,工业界,随机权重,层数,就越,训练模式,隐含层,矩阵分解,极限学习机模型,出层,机降,识别模型,模型训练,随机性,训练时间
AB值：
0.161218
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
