本ZIP文件包含了经典的手写数字的bmp数据，共{0,1,2，……，9}10个类，每个类包含500个数据；然后对图片进行二值化处理，采用patch来对每张image提出特征，最后设计神经网络对特征进行训练，并用得到的net来测试TestingSet，经过调解参数，测试精度可以达到95%左右。整个实现过程是基于matlab语言的，code清晰，明了，简单易懂，绝对值得算法爱好者探究。

手写数字识别的几种算法 c 源码 手写数字识别的几种算法 c 源码

利用matlab制作的手写数字识别系统、代码可读性强，结构清晰、GUI运行界面、在Matlab R2014b下编辑完成，有手写版，也可导入图片识别。

多特征 MNIST库 手写数字识别实现（matlab），采用粗网格特征和切割线划分进行学习识别，首先提取MNIST数据库60000个训练样本分别提取出两个特征，然后对10000个测试样本进行测试，计算和两个特征的距离进行判别，matlab 实现

lmdb格式的手写数字识别mnist数据集，已经转换成了lmdb格式，直接使用即可。注意：此数据集不是原始格式，是已经转化为lmdb格式的数据集，主要用来进行caffe网络的训练。

研究深度学习和卷积神经网络的同学都知道Mnist这个数据库，它是一个手写数字的图像数据集，可以用来作为网络训练的基准测试数据库。原版数据集是以特定格式存储的四个文件，包括乱序排列的60000个训练样本与10000个测试样本，以及它们对应的标签向量。现将其中的图片从原文件中读取出来，重新转化为png格式，并将测试集和训练集分别按0~9进行分类，并存放在各自的子文件夹中，以便各位同学进行科研与实验之用。 原数据集下载地址为：http://yann.lecun.com/exdb/mnist/

利用贝叶斯最小错误率决策算法，对手写数字进行识别

R语言 svm 手写数字识别 运行程序需要下载R包（e1071），在控制窗口输入install.packages("e1071")即可。

含有三份代码，都是用matlab实现，分别是基于贝叶斯，基于朴素贝叶斯，基于最小错误率贝叶斯的手写数字识别代码。其中朴素贝叶斯用到了PCA，准确率达到95%

使用神经网络对美国邮政署（USPS)的手写数字数据集进行训练和识别的matlab代码。改编自机器学习ex4