文摘
近年来,深度学习取得了良好的进展,应用于人脸识别、视频监控、图像处理等领域。在这个大数据背景下,深卷积神经网络也受到越来越多的关注。为了有效提取古汉字,这篇论文将讨论结构模型,池过程和网络训练的卷积神经网络和比较该算法与传统的机器学习算法。结果表明,汉字的准确率和召回率的斑块明代可以达到的高峰,分别为81.38%和81.31%。当训练样本的数量增加到50,MFA的识别率是99.72%,远高于其他算法。这表明该算法基于深卷积神经网络和大数据分析具有良好的性能,可以有效地识别汉字在不同的时期,不同的样本大小,不同的干扰因素,可以提供一个强大的古汉字提取参考。
1。介绍
作为世界上最古老的语言之一,古老的汉字有悠久的文化历史和对其他语言的生产有很大的影响。古老的汉字,深入分析的第一步是提取相关特性。为了有效提取古汉字的特点,我们需要使用相应的算法作为研究手段。李等人提出了一种基于深度的数据预测方法卷积神经网络来解决这个问题,很难获得准确的物理模型对系统预测在大多数情况下,进行了相应的预测实验。结果表明,该方法能有效地确保预测的准确性(1]。Mokhtia et al .,针对特征选择的问题,脊方法,电缆的方法,和弹性网络回归方法,用于探索,模糊关联矩阵被添加到它的目标函数。最后,成功解决了最小冗余的特性,和模糊相关矩阵的有效性验证2]。Alfarraj发现,智能交通系统的核心目标是维护道路安全,道路裂缝的检测是非常重要的。提出了一个基于物联网系统的深度学习方法生物刺激,像素精度,预测精度和召回率的道路裂缝检测是保证(3]。Najafzadeh等人应用人工智能模型探讨冲刷深度稳定电流的作用下,实现有效的冲刷深度和搜索趋势的预测在不同条件下的非线性回归方程通过构造最大平衡冲刷深度(4]。
魏等人提出了一个改进的基于深度的卷积神经网络算法,针对小目标丢失的问题,粗糙的边缘,和糟糕的语义分割的传统算法从高分辨率遥感图像,提取建筑,实现了像素级的端到端语义分割通过模型融合策略5]。氮化镓等人发现,面部美容预测神经网络提供了一种新方法,但存在一些问题,如减少公共数据库和高主体性的面部外观评估。因此,特征提取模型基于照明卷积神经网络构造深度,极大地提高了分类精度的面部美容预测(6]。杨等人认为,裂纹检测的关键是确保安全的桥梁、公路和其他基础设施。因此,转移提出了基于深卷积神经网络学习方法,成功地实现了裂缝的有效检测。该方法具有较高的检测精度和全面性7]。检测的新方法新皇冠肺炎使用深卷积神经网络发达。通过整合深度学习和性能指标(准确性、召回、特异性、准确性,F1分数),总体精度和灵敏度保证(8]。
任等人提出了一个基于深卷积神经网络的恶意软件可视化方法对恶意软件可视化的问题。验证了可视化空间填充曲线映射,马尔可夫点图,和其他方法。该方法显示一个恶意软件检测精度高9]。Nguyenet等人深卷积神经网络应用于文档数字分割,使用粗糙分类器和组合分类器识别每个字符模式,并取得显著的识别和分割效果(10]。沈等人针对高计算复杂度的问题和大量的计算卷积神经网络,结合面向对象的特性表示了数据集和scene-centered数据集,构建了一个新的目标检测框架,并成功地提高了检测的准确性(11]。金等人深卷积神经网络用来实现胸部x光图像的去噪。通过噪声分布的残余学习,有效地网络模型的收敛速度加快,和实现一个良好的去噪效果12]。
总之,深卷积神经网络在各个领域的广泛应用,取得了良好的模型预测效果,预测精度高。在大数据的背景下,深卷积神经网络可以进一步优化。针对这一点,这个实验将探索古代汉字的特征提取基于深卷积神经网络和大数据分析,为了提高模型的特征识别和提取能力。
2。基于深卷积神经网络特征提取算法
2.1。模型结构和池深卷积神经网络的过程
针对古汉字的特征提取的问题,这个课题实验深入探究它结合深卷积神经网络和大数据分析。这个课题实验的研究过程如图1。
根据图1,这个课题实验将专注于深卷积神经网络的分析,探索其网络模型结构,池的过程,和网络训练,并应用到古汉字的提取,从而实现定量分析的检测和提取性能。当提取汉字的特点从不同朝代在这项实验中,需要使用各种图像采集工具,包括传感器。图2显示了传感器应用于实验。
在深神经网络(款),与当地接受域卷积神经网络(CNN),将采样结构是应用最广泛的一个13]。与其它款相比,CNN可以显著提高网络训练的速度,减少网络结构参数,减少计算资源的使用。深卷积神经网络(DCNN)可以通过两个网络模型的有机结合,进一步优化的性能特征识别和提取(14]。DCNN包括卷积层和池层,和每个网络层交替叠加。其网络模型如图3。
在图3,代表卷积层,代表低抽样层,是网络层的序列号。因此,DCNN卷积有三层网络模型,即 , ,和 ,两个池层,和 ,分别和一个完全连接层(15]。黑白平面代表了特征映射网络模型,提取和特征图中有一些差异。卷积在任何层,卷积内核将产生滑动卷积与前一层的输出结果,然后生成所有功能特性中包含的像素值映射。计算公式如下所示: 在哪里卷积核,的抵消吗特征图的层,和和和变量,前者代表了垂直和水平特征像素,分别,而后者代表的垂直和水平步长 ,分别 , 和代表的长度和宽度在层,分别的激活函数吗层,是训练样本。在汇聚层,池窗口执行滑动抽样特性图上一层的输出,因此产生的所有特性的像素值在网络层功能图: 在哪里 和和表示层将采样窗口的长度和宽度 ,分别。常见的池操作分为平均池操作和最大池操作。前者是添加池窗口中的所有特征的像素值,然后把他们像素的数量获得池层的平均价值。后者是指所有特征像素值的对比分析,在池窗口中,抽样的最大价值,最后把它作为特征像素值的最大池处理16]。两个不同的池流程如图4。
图4(一个)显示平均池操作。的四个颜色上慷慨的盒子代表四个不同的池区域,分别和较低的颜色代表相应的采样值平均合用治疗后。带图的蓝色区域4(a)作为一个例子,池的四个特征像素区域3,4,4和5,分别和像素的数量是4;然后,下面的示例值可以获得4。图4(b)是最大池操作,类似于图4(a)上大盒子的四种颜色代表不同的池区域,分别。最大池处理后,采样值对应下面的小盒子可以获得。以绿色区域为例,在最大池处理之前,这四个特征像素在该地区是7日,8日3和8位。如果选择的最大窗口值,最大池处理后的采样像素值是8。的特征值值最大池操作可以由以下公式计算:
2.2。培训深卷积神经网络基础上的损失
深卷积神经网络可分为两种类型,即神经网络与损失函数和神经网络没有损失函数。前者有更广泛的适用性17- - - - - -19]。的深度和损失函数卷积神经网络,核心思想是由梯度下降训练卷积核(10,20.- - - - - -22]。主要方法包括自动编码人员培训、限制玻耳兹曼机培训,和整体模型训练基于负反馈。由于有限的空间,这个实验只专注于自动编码器的训练方法。这种方法是一种有效的卷积内核训练方法,可以深入学习的抽象特性没有监督。其基本结构如图5。
根据图5,自动编码器的基本结构包括三个部分:输入层、隐藏层和输出层。通过输入层、隐层的相关数据传输,即编码过程。数据传输阶段从隐层到输出层称为解码过程。让培训向量和 。隐藏层表示为 。表示为输出层 。编码过程的映射公式所示以下方程: 在哪里是激活函数,是权重矩阵编码过程中,是偏移向量输入层。编码后,输入原始数据映射到相应的特征向量,可以解码。所示的映射公式如下方程: 在哪里代表权重矩阵解码过程和它的值是符合的转置和隐藏层中包含的是偏移向量。自从自动编码器是一种无监督学习神经网络训练模型,其网络培训的目的是使目标价值初始输入值一致;然后,所示的总体损失函数,方程(6),可以得到: 在哪里损失函数,所有培训向量的集合,错误的培训。损失函数的主要功能是显示输入和输出的近似程度,为了获得最大的价值,我们通常需要使用梯度下降法优化;看到方程(7),详情:
方程(7)可以更新相关参数,步长和吗参数的梯度值。因为是有区别的概率分类器模型及其相应的标签,会有一个梯度在网络培训,根据输出层的误差公式,见方程(8),可以得到: 在哪里代表网络的输出层的误差,误差的隐藏层可以获得:
同样的,表示错误隐藏层;然后,权重矩阵可以通过计算
3所示。汉字的特征检测和提取基于卷积神经网络
3.1。目标检测参数和评价指标
在汉字的目标特性的检测,测量参数需要用于准确评估检测性能(23- - - - - -25]。 ,作为一个参数,可以预测之间的亲密预测对象的地区和真正的地区,起着重要的作用。首先,您需要定义4个值,如表所示1。
根据表1,可以定义,其计算公式如下所示:
它可以看到从方程(11)分数是衡量基于计数,深卷积神经网络的输出是一个概率值,可以用来表明该地区实际上是一个检测对象的一部分。因此,有一个偏差的计算利用神经网络的输出,和概率值通常是用来近似得分。然后,可以定义精确率和召回率,和前显示如下:
的准确率的比例是所有的目标判断为阳性样品,召回率的公式如下所示:
召回率在方程(13)代表的比例TP阳性样本真实值。如果汉字样本数据预测都是负样本,然后根据公式(12)和(13),和都是0。因此,在这种情况下,唯一的依靠和不能实现汉字目标探测的有效性的评价。是非常必要维持两者之间的平衡。不同的和可以通过设置不同的阈值,生成和公关曲线可以得到。参见图6的细节。
对任何目标检测算法模型,当它和高,其检测精度也能达到一个更高的价值。然而,和通常显示相反的状态。如果高,相对较低,反之亦然。公关曲线包围的面积可以表示的性能预测模型(26- - - - - -28]。当目标被检测到,边境回归的方法通常是使用。目标的大小和位置可以有效地通过修改调整候选区域的边界,如图7。
在图7,表示目标边界目标检测算法输出的模型,代表真正的边界标志和决定,回归的边界可以实现功能转换,这样边境和后回归处理更近。首先,一个窗口需要翻译的中心坐标变化的窗口 来 ,和 和 有公式 在哪里和分别代表窗口的宽度和高度。然后,执行缩放:
在本质上,输入框边境的回归是一个卷积特性向量对应的边境。平移和缩放后,生成一个转换和预测价值汉字可以获得。
3.2。汉字的特征检测和提取
常用的目标检测算法通常难以实现高效特性表达式,虽然深度学习可以满足目标探测的需求在许多情况下(29日- - - - - -31日]。两步检测算法通常用于检测目标。基于生成候选区域,检测结果通过回归处理。该算法结构如图8。
图8表明,基于CNN, ROI池层添加到两步检测算法基于深度学习,可应用多任务损失函数完成有效的分类和位置。它不仅保留了更多的特征信息尽可能多的但也简化了计算量。该算法分为三个步骤:特征提取、候选人地区一代,和目标的位置。特征提取的过程是一致的,传统的CNN,这将不是这里描述。候选人地区一代指的是初步的一些候选区域,并将其区分和法官,该地区的前景或背景如果是前台,然后储备。相反,它将被忽略。汉字目标特征地图,九个窗格将生成任何像素,每个面板都有不同的尺度。因此,任何地图包含的特性 窗格;和代表的深度和宽度特征地图,分别。毕竟窗格已经标记,汉字的前景目标的近似位置特性可以通过边境回归处理,这表明初步候选人地区已经生成。在网络训练基于深度学习的两步检测算法,及其分类模块和边境回归模块需要共同处理;的损失函数,两个模块应该共同训练,和损失函数可以表示为训练网络 在哪里代表传输通道的大小,它的价值是256, 的对数损失值是目标前景和背景,的概率是窗格预测作为目标,然后呢是1。平均传输通道的所有损失值可以计算得到的损失培训网络。窗格中包含的总数,的平衡比两个损失,边境回归模块的输出结果,然后呢是任何面板之间的抵消和真正的价值在网络培训。
4所示。实验结果和分析
4.1。古汉字的特征提取基于卷积神经网络
在这个实验中,四古汉字的唐朝,宋朝、元朝和明朝选择进行特征提取实验。每个王朝的汉字信息作为输入内容,包括四个不同位置的汉字,竹简,石碑,斑块。四生成相应的向量进行网络训练和特征提取。结果如图所示9。
图9表明,古老的汉字特征提取的性能基于深卷积神经网络不同的识别和提取字符的不同的朝代。根据图9方法的准确性和召回率,提出了实验很高,可以保持在80%左右,和准确率和召回率可以达到的最高价值,81.38%和81.31%,分别识别斑块中的人物。其次,元代汉字的识别精度高于75%,最高价值是79.54%承认斑块上的字符。竹简上认识汉字时,召回率可以达到78.44%。汉字的平均准确率和召回率识别唐代排名第三,约70%。算法的精度和召回率在这个实验中低于70%,最小值是67.78%。后者的最小值是70.33%。比较的网络模型训练的速度和精度,这个实验将古代汉字在斑块的识别为例,和的变化结果如图所示10。
从图可以看出10网络培训的进展,准确率、召回率,调和平均准确率和召回率的模型显示趋势先增加,然后压扁。当训练的数量小于10倍,三个显示指数增长的趋势。然后,增长率逐渐下降。当网络模型训练有素的40倍,模型的精度几乎是稳定的,和模型的收敛速度非常快。这表明古代汉字的特征提取算法基于深卷积神经网络具有更高的性能,可以实现有效的古汉字的识别和提取。
4.2。之间的特征提取速度比较深卷积神经网络和其他算法
为了客观地评价中国古代字符特征提取算法的性能基于卷积神经网络,这个实验中应用该算法和其他算法训练样本有不同的样本大小。实验中涉及到的算法包括三个传统的机器学习算法,即财务管理硕士、PCA和LDA。汉字的识别率特性如图11。
图11清楚地表明,与传统的机器学习算法相比,基于深度学习的深层卷积神经网络算法具有更高的识别率的汉字。训练样本数量的增加,识别率的四个算法改进。当训练样本的数量是5,DCNN的识别率为81.35%,显著高于MFA, PCA, LDA。这三种算法的识别率是66.06%,60.61%,和67.31%,分别。当训练样本的数量达到50,MFA的识别率,PCA,与乔治是97.21%,94.32%,和97.49%,分别,而深卷积神经网络算法的识别率高达99.72%。在添加某些阻塞或噪声干扰的情况下,四个算法的比较结果如图所示12。
从图可以看出12闭塞率的持续增长,所有算法的识别效果显示了不同程度的下降。主成分分析算法的下行趋势是非常重要的。MFA算法和LDA算法的下降率略低于PCA算法,但仍显著高于深卷积神经网络算法。闭塞率增加到70%时,深卷积神经网络算法的识别率仍能达到50%以上,而且其值为58.87%。盐和胡椒和高斯噪声的情况下,该算法的识别率是10.32%和8.74%,分别高于MFA, PCA, LDA。这表明尽管闭塞率的持续改进和噪声会降低算法的识别率在这个实验中,与其他传统机器算法相比,古代汉字特征识别算法基于深卷积神经网络还有更好的萃取性能,表现出更高的识别率和准确性。
5。结论
深度学习的不断发展,越来越多的特征提取算法以深度学习为核心技术。以其独特的结构优势,深卷积神经网络已经成为最广泛使用的特征提取方法。为了提取古汉字的特点准确的说,这个实验需要深卷积神经网络算法为研究重点,深入探讨了其模型结构,池的过程,和网络培训,它适用于古代汉字的提取。此外,深卷积神经网络算法与其他算法相比,探索的影响特征识别和提取各种不同影响因素下的算法。结果表明,这个算法的识别率高于其他算法在识别汉字的唐、宋、元、明时期,和最高的精度和召回率可达81.38%和81.31%,分别。古老的汉字特征提取算法的识别率基于深卷积神经网络与样本量的增加,可以提高和增加显著大于其他传统的机器学习算法。当训练样本大小是50,识别率高达99.72%。当越来越多的干扰因素,古代汉字的特征提取算法基于深卷积神经网络仍然可以保持高识别率。这个课题实验的方法可以提供强有力的技术支持古汉字的特征提取,促进社会进一步探索古代文明,同时也提供一定的参考特征提取在其他领域。这个研究的新颖性是深卷积神经网络应用于古代汉字的特征提取,首次提供了一定的参考古代汉字的识别和提取。 Compared with the traditional feature extraction methods, the algorithm is more novel and efficient. Although we have obtained some research results in this experiment, when we analyze the training model of deep convolution neural network, we do not analyze the situation of no loss function in detail. We hope to improve it in the future. The training model of deep convolution neural network without loss function is further explored.
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有利益冲突或者人际关系可能出现影响工作报告。
确认
这项工作是支持中国的国家社会科学基金:研究物理Object-Referring的铭文在商、周青铜器铭文王朝(19 byy157)。