基于脈沖神經網絡的手寫體數字識別

馬建宇　孟祥　趙瑩

摘要：針對傳統手寫體數字識別精度不高的問題，本文設計了一種基于脈沖神經神經網絡的手寫體數字識別算法。該算法首先對輸入的手寫體數字進行預處理，然后提取手寫體數字的二值圖像輪廓和筆畫次序等結構特征，最后根據脈沖神經網絡模型分類，預測測試集合樣本。該算法在MNIST字體庫里的數據進行實驗，精度可達98.7%，優于其它識別算法。

關鍵詞：手寫體數字識別;預處理;脈沖神經網絡

中圖分類號：TP391.41;TP183 文獻標識碼：A 文章編號：1007-9416（2019）05-0081-01

0 引言

手寫體數字識別屬于模式識別問題，在金融、財稅和數據識別領域有著廣泛的應用。手寫體數字識中最重要的部分是手寫體數字圖像識別時的特征提取，而脈沖神經網路具有較好的圖像特征提取能力[1-4]，因此應用該算法可以使手寫體數字識別精度得到很大的提高，實驗結果表明，精度可達到98.7%，明顯優于其它算法。

1 手寫體數字識別流程

手寫體數字識別流程如圖1所示。

1.1 脈沖神經網絡

這個模型表示一個神經元的電位[5]，膜電位V（t）由微分方程演化為：

當V（t）≥VT，一個脈沖被發出并傳送到下游的突觸，在脈沖后，膜電位被重置為其靜態值，我們在仿真時設EL=-70mv，VT=20mv，C=300pF，gL=30nS。生物神經元在一個脈沖發出后立即進入一個不應期，在此期間另一個脈沖不能發出。我們通過將膜電位保持在V（t）=EL的短時間內，在產生一個尖峰后，tref=3ms來實現這一點。我們還通過剪切將膜電位限制在[EL，VT]范圍內。到達突觸的脈沖的權值為w，將在其下游神經元產生后突觸電流（Isyn（t）），表達式如下[6]：

這里，ti表示第i個到達的脈沖的時間;*是卷積運算符號;變量 τ1 =5msand，τ2=1.25ms分別表示c（t）的下降和上升時間常數。

1.2 網絡結構

我們建立的脈沖神經網絡模型包括三層[7]，即輸入層、卷積層和輸出層，結構如圖2所示。由于MNIST圖像為28×28像素，我們的網絡輸入層有784個神經元，輸出層有10個神經元，每個神經元對應一個特定的數字。輸入層神經元通過12個事先固定的3×3大小的卷積核與8112個隱層神經元連接。連接這個隱藏層和輸出層的突觸使用NormAD算法[8]進行訓練。

2 結果與分析

本文采用MNIST數據集里的50000張手寫體數字做訓練，選擇5000張做測試實驗，得測試結果如表1所示，從表中數據可以看出，本文提出的算法的手寫體數字的識別精度優于其它三種算法。

3 結語

本文提出了一種用于手寫數字識別的高度緊湊、高效的三層脈沖神經網絡，該神經網絡對MNIST數據集的正確率達到98.7%。網絡中的所有信息都以稀疏的生物峰速率在峰域內編碼和處理。我們的研究表明，與簡單的速率編碼方法相比[4]，使用脈沖精確時間進行分類具有較好的準確性。

參考文獻

[1] 朱書眉.基于卷積神經網絡的手寫體數字識別[J].數字技術與應用，2018，36（11）：44-46.

[2] Shruti R. Kulkarni. Spiking neural networks for handwritten digit recognition—Supervised learning and network optimization[J]. Neural networks，2018（103）：118-127.

[3] 高諾.采用卷積神經網絡的數字手寫體識別的研究[J].齊魯工業大學學報，2018，32（5）45-49.

[4] 馬媛媛.卷積神經網絡及其在手寫體數字識別中的應用[J].湖北工程學院學報，2017，37（6）：66-72.

[5] 辛平.三相電流型PWM整流器的能量成型控制[J].煤礦機械，2016，37（8）：132-134.

[6] 劉德君.基于能量成型的雙足機器人解耦控制[J].控制與決策，2012，27（12）：1890-1892.

[7] 曲萍萍.一種有效的組合電路測試生成算法[J].機床與液壓，2018，46（18）：100-103.

[8] 周振雄.精密六自由度平面懸浮平臺懸浮位置控制[J].機床與液壓，2018，46（24）：125-127.