基于脉冲神经网络的手写体数字识别

马建宇　孟祥　赵莹

摘要：针对传统手写体数字识别精度不高的问题，本文设计了一种基于脉冲神经神经网络的手写体数字识别算法。该算法首先对输入的手写体数字进行预处理，然后提取手写体数字的二值图像轮廓和笔画次序等结构特征，最后根据脉冲神经网络模型分类，预测测试集合样本。该算法在MNIST字体库里的数据进行实验，精度可达98.7%，优于其它识别算法。

关键词：手写体数字识别;预处理;脉冲神经网络

中图分类号：TP391.41;TP183 文献标识码：A 文章编号：1007-9416（2019）05-0081-01

0 引言

手写体数字识别属于模式识别问题，在金融、财税和数据识别领域有着广泛的应用。手写体数字识中最重要的部分是手写体数字图像识别时的特征提取，而脉冲神经网路具有较好的图像特征提取能力[1-4]，因此应用该算法可以使手写体数字识别精度得到很大的提高，实验结果表明，精度可达到98.7%，明显优于其它算法。

1 手写体数字识别流程

手写体数字识别流程如图1所示。

1.1 脉冲神经网络

这个模型表示一个神经元的电位[5]，膜电位V（t）由微分方程演化为：

当V（t）≥VT，一个脉冲被发出并传送到下游的突触，在脉冲后，膜电位被重置为其静态值，我们在仿真时设EL=-70mv，VT=20mv，C=300pF，gL=30nS。生物神经元在一个脉冲发出后立即进入一个不应期，在此期间另一个脉冲不能发出。我们通过将膜电位保持在V（t）=EL的短时间内，在产生一个尖峰后，tref=3ms来实现这一点。我们还通过剪切将膜电位限制在[EL，VT]范围内。到达突触的脉冲的权值为w，将在其下游神经元产生后突触电流（Isyn（t）），表达式如下[6]：

这里，ti表示第i个到达的脉冲的时间;*是卷积运算符号;变量 τ1 =5msand，τ2=1.25ms分别表示c（t）的下降和上升时间常数。

1.2 网络结构

我们建立的脉冲神经网络模型包括三层[7]，即输入层、卷积层和输出层，结构如图2所示。由于MNIST图像为28×28像素，我们的网络输入层有784个神经元，输出层有10个神经元，每个神经元对应一个特定的数字。输入层神经元通过12个事先固定的3×3大小的卷积核与8112个隐层神经元连接。连接这个隐藏层和输出层的突触使用NormAD算法[8]进行训练。

2 结果与分析

本文采用MNIST数据集里的50000张手写体数字做训练，选择5000张做测试实验，得测试结果如表1所示，从表中数据可以看出，本文提出的算法的手写体数字的识别精度优于其它三种算法。

3 结语

本文提出了一种用于手写数字识别的高度紧凑、高效的三层脉冲神经网络，该神经网络对MNIST数据集的正确率达到98.7%。网络中的所有信息都以稀疏的生物峰速率在峰域内编码和处理。我们的研究表明，与简单的速率编码方法相比[4]，使用脉冲精确时间进行分类具有较好的准确性。

参考文獻

[1] 朱书眉.基于卷积神经网络的手写体数字识别[J].数字技术与应用，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] 高诺.采用卷积神经网络的数字手写体识别的研究[J].齐鲁工业大学学报，2018，32（5）45-49.

[4] 马媛媛.卷积神经网络及其在手写体数字识别中的应用[J].湖北工程学院学报，2017，37（6）：66-72.

[5] 辛平.三相电流型PWM整流器的能量成型控制[J].煤矿机械，2016，37（8）：132-134.

[6] 刘德君.基于能量成型的双足机器人解耦控制[J].控制与决策，2012，27（12）：1890-1892.

[7] 曲萍萍.一种有效的组合电路测试生成算法[J].机床与液压，2018，46（18）：100-103.

[8] 周振雄.精密六自由度平面悬浮平台悬浮位置控制[J].机床与液压，2018，46（24）：125-127.