本文介绍了手写数字识别技术，特别是使用受限玻尔兹曼机（RBM）的原理和概率分布。通过MATLAB实现了一个小型的手写数字识别系统，包括RBM模型结构、概率分布、损失函数与优化方法。同时提供了部分MATLAB源代码，适用于GUI界面。案例使用2014a版本的MATLAB，并引用了多本MATLAB图像处理相关书籍作为参考。
⛄一、手写数字识别技术简介
1 案例背景
手写体数字识别是图像识别学科下的一个分支，是图像处理和模式识别研究领域的重要应用之一，并且具有很强的通用性。由于手写体数字的随意性很大，如笔画粗细、字体大小、倾斜角度等因素都有可能直接影响到字符的识别准确率，所以手写体数字识别是一个很有挑战性的课题。在过去的数十年中，研究者们提出了许多识别方法，并取得了一定的成果。手写体数字识别的实用性很强，在大规模数据统计如例行年检、人口普查、财务、税务、邮件分拣等应用领域都有广阔的应用前景"。
本案例讲述了图像中手写阿拉伯数字的识别过程，对手写数字识别的基于统计的方法进行了简要介绍和分析，并通过开发一个小型的手写体数字识别系统来进行实验。
2 RBM神经网络
2.1 RBM模型结构
玻尔兹曼机是一大类的神经网络模型，但是在实际应用中使用最多的则是RBM。RBM本身模型很简单，只是一个两层的神经网络，因此严格意义上不能算深度学习的范畴。不过深度玻尔兹曼机（Deep Boltzmann Machine，以下简称DBM）可以
订阅专栏 解锁全文
2022
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
