毕业设计（论文）任务书
基于机器学习的手写数字识别研究与应用
主要内容和要求
1. 主要内容：
(1)了解手写数字识别的背景、意义和研究现状，熟悉手写数字的识别过程；
(2)研究机器学习的算法结构及实现方法；
(3)通过Python语言编程实现手写数字识别；
(4)采用或改进不同算法，提高手写数字识别的识别率。
2. 要求：
通过机器学习对手写数字进行识别，掌握机器学习的经典算法和简单应用，实现0-9共10个数字的手写识别任务。
（以周为单位，每个阶段不超过2周，共17周）
第1周（2.17-2.23）：完成开题材料提交，查找毕设所需材料；
第2周（2.24-3.1）：了解手写数字识别的背景，熟悉手写数字的识别过程；
第3周（3.2-3.8）：搭建软件平台，安装Python编译环境并熟悉Python基本的语法；
第4周（3.9-3.15）：学习Python基础教程并熟悉机器学习；
第5周（3.16-3.22）：熟悉机器学习，通过Tensorflow搭建自己的神经网络；
第6周（3.23-3.29）：熟悉并下载MNIST数据集，建立一个TensorFlow session；
第7周（3.30-4.5）：载入MNIST数据，使用TensorFlow自带的函数来下载和处理MNIST数据集；
第8周（4.6-4.12）：开始初步建立模型；
第9周（4.13-4.19）：对模型进行完善和扩展；
第10周（4.20-4.26）：中期检查，基本完成手写数字识别模型的建立；
第11周（4.27-5.3）：预测结果并分析识别成功率，尝试减少模型对于数据预测时的损失；
第12周（5.4-5.10）：训练模型，利用Tensor Flow对模型进行训练；
第13周（5.11-5.17）：对识别的算法进行改进，提升识别率；
第14周（5.18-5.24）：优化整体装置，完善不足之处；
第15周（5.25-5.31）：开始论文撰写；
第16周（6.1-6.7）：修改论文，进行答辩；
第17周（6.8-6.14）：整理并提交各类材料。
主要参考资料
[1] 刘威. 基于动态随机卷积神经网络的手写数字识别方法[D]. 吉林大学. 2017
[2] 陈玄, 朱荣, 王中元. 基于融合卷积神经网络模型的手写数字识别[J]. 计算机工程. 2017, 43(11): 187-192
[3] 白天毅. 基于神经网络的手写体数字识别关键技术研究[D]. 西安工业大学, 2014.
[4] 黄献通. 基于深度学习的手写数字识别研究及应用[D]. 曲阜师范大学, 2018.
[5] 李诗语, 王峰, 曹彬, 梅琪, 肖飞. 基于KNN算法的手写数字识别[J].电脑知识与技术, 2017, 13(25): 175-177.
[6] 仲会娟, 谢朝和, 刘文武, 刘大茂. 基于CNN的多尺度特征在手写数字识别中的应用[J]. 绵阳师范学院学报, 2019, 38(11): 22-26.
[7] 张哲,张根耀,王珂.基于TensorFlow手写数字识别模型改进[J].延安大学学报(自然科学版),2018,37(04):24-27.
[8] 刘威. 基于动态随机卷积神经网络的手写数字识别方法[D]. 吉林大学, 2017.
[9] 林仁耀, 邓浩伟, 兰红. 卷积神经网络结合SVM的手写数字识别算法[J]. 通信技术, 2019, 52(10) : 2389-2394.
[10] 范铭豪. TensorFlow中不同神经网络模型对MNIST数据集影响研究[J]. 现代信息科技, 2018, 2(11): 75-77.
[11] Yan Wen, Yi Shao and Dabo Zheng. A Novel Deep Convolutional Neural Network Structure for Off-line Handwritten Digit Recognition[C]. Proceedings of the 2nd International Conference on Big Data Technologies, 2019: 216-220.
[12] Liu C L, Nakashima K, Sako H, et al. Handwritten digit recognition: benchmarking of state-of-the-art techniques[J]. Pattern Recognition, 2003, 36(10): 2271-2285.
[13] Liu C L, Nakashima K, Sako H, et al. Handwritten digit recognition: investigation of normalization and feature extraction techniques[J]. Pattern Recognition, 2004, 37(2): 265-279.
[14] Dan Claudiu Cireşan, Ueli Meier, Luca Maria Gambardella, et al. Deep, Big, Simple Neural Nets for Handwritten Digit Recognition[J]. Neural Computation, 2010, 22(12): 3207-3220.
[15] Majumder S, Malsburg C V D, Richhariya A, et al. Handwritten Digit Recognition by Elastic Matching[J]. Journal of Computers, 2018, 13(9): 1067.
ww.biyezuopin.cc/onews.asp?id=13124
