基于概率神经网络的手写体数字识别matlab

手写体数字识别是一个跨学科的复杂问题，综合了图像处理、模式识别、机器学习等多个领域的知识，其识别过程一般包含图像预处理、特征提取、分类器的设定及其后处理等组成

基于粗网格特征提取再和Hopfield神经网络相结合的识别方法:首先用粗网格提取特征向量组,再将向量组分为8个分向量,然后再作为Hopfield的输入向量,进行识别,经过对样本的仿真、测试,有着良好的

为pdf文档，有fisher相关原理介绍

神经网络大作业，使用PCA和改进的神经网络对UCI机器学习数据库的手写数字进行识别，训练样本3823，测试样本1797

采用基础的BP神经网络，对数据集中的手写数字进行识别，可以很好的得到识别结果 通过学习可以很好的理解BP神经网络，为后面的学习打下基础，可以更好的学习其他网络。

深度学习、机器学习领域的优质资源集合，涵盖神经网络算法实现、案例演示。

该案例主要是实现手写数字识别，也就是给出手写数字的图片，识别出所写数字是多少。该文件中包含了数据以及处理数据的代码，适合初学者学习。代码中包含读入数据，数据格式化，分为训练集和测试集，预测结果等代码。

该项目在开发过程中没有用到F6层，主要包括2个卷积层、2个池化层、1个全连接层，外加输入及输出，共7层网络。实际训练时采用最大值池化、双曲正切激活函数，经过8轮迭代训练，手写数字识别准确率即达到99%

NIST提供的是28 * 28的图片，因此输入层是754维的向量。隐层输出层为10维向量 公式定义： 输出层：01 ... 01 隐层：Y1 ... YN 输入层：X1 ... XM 输入层与隐层间的

卷积神经网络实现手写数字识别训练模型及可视化,支持向量机实现手写数字识别 训练模型,贝叶斯分类器实现手写数字识别训练模型,mnist数据集提取成28*28的图片形式,包含代码及25页作业报告