手書き数字データセットに対するニューラルネットワークモデルの訓練計算時間および最適訓練回数を削減しつつ、手書き数字画像の分類精度を保証するために、圧縮センシング技術を導入し、圧縮センシングと単一隠れ層前方フィードフォワードネットワーク（Compressive Sensing and Single Hidden Layer Feedforward Network、CS-SHLNet）に基づく手書き数字画像の高速分類アルゴリズムを提案した。まず、ガウスランダム行列を用いてスパース性を持つ手書き数字画像に線形観測を行い、高次元画像信号を低次元空間に射影して観測値を得る。次に、誤差逆伝播法（Error BackPropagation、BP）アルゴリズムにより単一隠れ層前方フィードフォワードネットワークの重みを継続的に調整して観測値に適合するニューラルネットワークモデルを構築し、観測値をネットワークに埋め込んで画像の特徴を抽出する。最後に、単一隠れ層前方フィードフォワードネットワークモデルを用いて手書き数字を画像分類し、訓練計算時間、最適訓練回数、分類精度などの指標でモデルを定量的に評価する。実験結果は、MNIST手書き数字データセットの高次元画像信号画像分類に対して単一隠れ層ニューラルネットワークと深層学習と比較して、まずCS技術を用いて観測数M=235のガウスランダム行列による線形観測で画像の観測値を取得し、その後単一隠れ層前方フィードフォワードネットワークで観測値を用いた画像分類を行うことで、ネットワークモデルの訓練計算時間が13.05秒に短縮され、最適訓練回数が3回に減少し、分類精度が97.5%を維持することを示した。本アルゴリズムの圧縮センシングによる線形観測は、手書き数字データセットに対するニューラルネットワークモデルの訓練計算時間および最適訓練回数を効果的に削減し、分類精度を保証できる。

画像分類;手書き数字;圧縮センシング;ニューラルネットワーク