Abstract：
深度卷积神经网络(DCNN)是人工智能研究领域前沿方向。DCNN结构复杂、参数非常多、可解释性与鲁棒性不强,对图像数据集的清晰度要求很高,而目前关于DCNN抗噪性能研究还较欠缺。通过给手写体数据集DigitDataset的测试集添加4种不同幅度噪声,深入研究DCNN在手写体识别上的抗噪性能。研究结果表明:(1)噪声对DCNN性能影响很大,噪声幅度越大,精度下降越快;(2)指数噪声对精度影响最大,伽马噪声、瑞利噪声次之,高斯白噪声影响最小;(3)随着噪声参数a和参数b的增大,识别精度大幅度下降。该结果对DCNN的改进和高鲁棒性的深度学习系统(如深度模糊系统等)研究具有一定参考价值。
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
软件导刊
ISSN： 1672-7800
CN： 42-1671/TP
Year： 2021
Issue： 05
Volume： 20
Page： 1-6
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 5
Affiliated Colleges：
