基于单特征MNIST库手写数字识别实现(matlab).zip

基于C++,OpenCV3以及SVM的MNIST手写数字识别，亲测可运行，关于详细内容可参考博客：https://blog.csdn.net/didi_ya/article/details/114572209

使用卷积神经网络训练模型，具体介绍，参看我写的这篇文章：https://blog.csdn.net/weixin_45954454/article/details/114455209。

使用MNIST数据集训练手写数字识别模型——**附完整代码**和**训练好的模型文件**——直接用. 具体内容可看我的这篇文章：https://blog.csdn.net/weixin_45954454/article/details/114455209

pytorch+AlexNet实现的手写数字识别

识别手写数字识别 带GUI界面

本程序有三个cpp文件，main.cpp为测试文件；prepare.cpp为预处理文件；train_SVM为SVM的训练文件。详情可参考博客：https://blog.csdn.net/didi_ya/article/details/114362904

用训练好的模型实现给图识物（手写数字识别）

手写数字识别项目文件，pytorch工具编写

一、课题题目：基于MATLAB的手写数字识别系统 二、课题介绍 手写数字识别是模式识别领域的一个重要分支，它研究的核心问题是：如何利用计算机自动识别人手写在纸张上的阿拉伯数字。手写体数字识别问题，简而言之就是识别出10个阿拉伯数字，由于数字的清晰程度或者是个人的写字习惯抑或是其他，往往手写体数字的性状、大小、深浅、位置会不大一样。手写体识别一般包括3个阶段：预处理、特征提取、分类识别。  手写数字识别前景广阔，广泛应用于表格中数字的识别、汽车牌照的数字自动识别和成绩单的识别等。实现数字的自动识别能够给人们的工作和生活带来很大的方便。对于该领域的研究具有重要的理论价值：  一方面，阿拉伯数字是唯一的被世界各国通用的符号，对手写数字识别的研究与文化背景无关，这样就为各国、各地区的研究工作者提供了一个自由平等的舞台，大家可以在这一领域施展才智，各抒己见。  另一方面，由于数字识别的类别数较少（只有0到9十个类别），有助于做深入分析及验证一些新的理论。这方面最明显的例子就是人工神经网络，相当一部分的人工神经网络模型都以手写数字识别作为具体的实验平台，验证理论的有效性，评价各种方法的优缺点。  数字识别的算法较多，当前运用较好的主流算法以统计、聚类和分类算法为主，如Bagging算法、支持向量机算法、神经网络等。手写数字识别难度在于：一、数字相似性大，但字形相差不大；二、数字虽然只有10种，但笔划简单，同一个数字写法差别大；三、手写数字存在断笔和毛刺，对识别造成影响。本文选择分类算法中的决策树算法、支持向量机算法、神经网络对MNIST数据集进行数字识别，并对分类效果进行比较分析。