基于神经网络的手写数字识别算法研究项目报告！

手写数字识别算法，项目概括简介

一.主要研究内容与目标

1.大数据处理，数据采集，标注，清洗，归一化等。
2.图像处理，平滑去噪，伸缩变换，歪斜矫正，预处理与分割等。
3.算法应用，朴素贝叶斯，决策树，随机森林，SVM，KNN，CNN等算法。
4.算法集成，AdaBoosting集成算法和基于神经网络，模式识别，模糊理论的综合集成算法。
5.算法开发，结合实际应用场景，给出解决方案并实现新算法的设计与开发。

二.创新点与关键技术

1.算法增加了模糊识别的数学应用，加入了基于向量机的识别模式
2.采用统计识别模式作为基础算法，可应对涂点识别等传统的实际应用需求。
3.主要采用人工神经网络识别模式，基于实际应用需求，对手写识别算法进行改革性的创新
4.创新集成了多种算法，混合应用，交叉应用

三.现有基础与实施条件

1.数据基础，多年的智能阅卷实操经验和积累，以及行业内合作基础，积累了大量的手写考号，涂点答题卡等数据
2.算法基础，拥有成熟的传统的模板匹配算法，可熟练应用相关神经网络算法
3.经验基础，研究并创新过相关识别算法。
4.实施条件：有现成的可以应用算法的系统软件和研发人员，可实现C语言，java语言与Python等语言的无缝对接，可实现算法的及时开发训练和应用。

四.预期成果与经济社会效益

预期成果：算法能适应多变的应用场景，且识别正确率非常高。通过算法集成和创新，实现手写考号识别，涂点识别等准确率接近100%
经济效益：本公司内可实现智能阅卷，随堂检测等产品的商业应用。
社会效益：拓展应用，手写识别在电子手写表单，会议记录，智能阅卷，电子书摘要和笔记等方面均有很大的应用价值。

五.考核指标

1.算法识别速度，单个6位及以上的手写考号的识别，耗时100ms以下
2.算法识别准确率，大样本数据测试下，识别准确率达到99%以上。

附：算法流程

是否需要计算欧式距离，需要根据实际应用场景而定，还有相关的很多种距离。

此种计算只是其中的一种，还有相当多的计算处理方式，比如利用贝叶斯公式计算，二叉树计算，SVM计算等，计算方式各不相同。这些都算是机器学习，还不是深度学习。