摘  要

    近年来，随着科学技术的不断发展，手写体数字识别技术在各行各业的发展中得到了愈加广泛的应用。财税、大数据、邮政编码、笔迹鉴定等领域都可以通过手写体数字识别技术进行数字识别，很大程度上提高了工作效率，避免了大量的人力和物力的资源浪费。

目前识别手写体数字的方法主要有人工神经网络、决策树和支持向量机（Support Vector Machines）。支持向量机作为一种具有严密理论基础的计算机学习的新方法，具有很强的学习能力和泛化能力，它已经成为计算机学习、模式识别、人工智能等领域的热点技术，在国内外受到广泛关注。

本文将支持向量机应用于手写体数字识别中，通过对MNIST数据集进行训练，分析比较四种核函数（线性核函数、多层感知机核函数、径向基核函数、多项式核函数）及一对一（OVO）、一对多（OVA）解决多分类问题的方式对识别精度、训练时长的影响。实验结果表明，多项式核函数最不适用于手写体数字识别，而径向基核函数的模型识别精度最高，识别率可达到93.2%。从训练速度方面来看，线性核函数速率快于其他三种核函数，且利用OVO、OVA解决多分类问题的方法效果相近。

 

 

 

 

关键词：支持向量机；手写体数字识别；多类分类；核函数

 

目  录

 

摘  要 1

Abstract 2

目  录 3

1. 绪论 5

1.1. 手写体数字识别研究背景 5

1.2. 手写体数字识别研究现状 5

1.3. 手写体数字识别应用前景 5

1.4. 手写体数字识别难点 6

1.5. 手写体数字识别的一般方法 6

1.5.1. 手写体数字识别流程 6

1.5.2. 识别方法 7

2. SVM（支持向量机）的相关研究 8

2.1. SVM概述 8

2.1.1. SVM简介 8

2.1.2. SVM优点 8

2.2. SVM原理 8

2.2.1. 分类问题与机器学习 8

2.2.2. 线性支持向量机 9

2.2.3. 非线性支持向量机 11

2.2.4. 内积核函数 11

3. 数字识别预处理过程 12

3.1. 二值化 12

3.2. 平滑去燥 12

3.3. 归一化 13

4. 基于SVM手写体数字识别过程 14

4.1. SVM分类算法 14

4.1.1. 一对一（OVO）算法 14

4.1.2. 一对多（OVA）算法 15

4.2. 实验与结果分析 16

4.2.1. 实验设计 16

4.2.2. 实验过程 16

4.2.3. 实验结果分析 21

5. 结论与展望 23

5.1. 结论 23

5.2. 展望 23

参考文献 24

致谢 25

附录 26

附录一：Python提取MNIST数据集 26

附录二：Python实现基于SVM手写体数字识别 28