一种基于形变方法进行数据扩展的脱机手写汉字识别方法与流程

技术特征：

1.一种基于形变方法进行数据扩展的脱机手写汉字识别方法，其特征在于包括如下步骤：

在linux系统上搭建卷积神经网络的caffe深度学习框架平台；

准备数据集：数据集通过弹性形变，错切变换，小角度范围旋转方法扩展后得训练数据集；测试集为带有标签的脱机手写汉字；

利用训练数据集在caffe平台上训练卷积神经网络模型，得到测试结果，实现对脱机手写汉字的识别。

2.根据权利要求1所述的一种基于形变方法进行数据扩展的脱机手写汉字识别方法，其特征在于：在步骤2）中，训练数据集从HCL2000一级手写汉字数据集中处理后所得，处理方法为分类通过弹性形变，错切，小角度范围旋转获得设定数量的样本，将样本输入到模型中，在训练过程中，通过弹性形变模型学习到更多的字体笔画、骨架特征；通过错切，小角度范围旋转模仿出人写字偏斜的情况，从而学习到一些歪斜、旋转的汉字特征；测试集为随机从HCL2000数据集中取出的未使用过的样本，并带有标签。

3.根据权利要求1所述的一种基于形变方法进行数据扩展的脱机手写汉字识别方法，其特征在于：步骤3）卷积神经网络模型的卷积神经网络由输入层、隐含层和输出层组成，隐含层包括卷积层、最大化池采样层和全连接层；在网络训练参数调整上，为提高网络的鲁棒性和加快网络收敛，设定以下网络参数：

（1）学习率；学习率将随着迭代次数的增加逐渐减小，采用以下更新策略：

其中，为基础学习速率，、为设定的参数，iter为迭代次数，取，，；

（2）神经网络激活函数；采用RELU非线性激励函数代替以往的sigmoid函数；

（3）误差函数增加了动量项和规则化项；动量项是基于物理学中的牛顿定律，当误差曲面进入了“平坦区”后，网络可以更快地收敛；正则项则是为避免网络过拟合而引进的一个正则化系数，也称为权重衰减系数；

网络的最后一层，即全连接层，其与网络的分类任务相关联；输出层的神经元数量被设为所需分类的类别数目。