신경망 모델이 손글씨 숫자 데이터셋에 대해 학습하는 데 소요되는 계산 시간과 최적 학습 횟수를 줄이면서 손글씨 숫자 이미지 분류 정확도를 보장하기 위해, 압축 감지 기술이 도입되었으며, 압축 감지와 단일 은닉층 순방향 신경망(Compressive Sensing and Single Hidden Layer Feedforward Network, CS-SHLNet)을 기반으로 한 손글씨 숫자 이미지 빠른 분류 알고리즘이 제안되었다. 먼저, 가우스 랜덤 행렬을 이용해 희소성을 갖는 손글씨 숫자 이미지에 대해 선형 관측을 수행하여 고차원 이미지 신호를 저차원 공간으로 투영하여 관측값을 얻는다; 다음으로, 오차 역전파(Error BackPropagation, BP) 알고리즘을 통해 단일 은닉층 순방향 신경망 가중치를 지속적으로 조정하여 관측값에 적합한 신경망 모델을 구축하고, 관측값을 신경망에 내장하여 이미지 특징을 추출한다; 마지막으로, 단일 은닉층 순방향 신경망 모델을 사용해 손글씨 숫자를 이미지로 분류하며, 학습 계산 시간, 최적 학습 횟수 및 분류 정확도 등의 지표로 모델을 정량 평가한다. 실험 결과, MNIST 손글씨 숫자 데이터셋의 고차원 이미지 신호 분류에 대해 단일 은닉층 신경망 및 딥러닝과 비교할 때, CS 기술을 이용해 관측 수 M=235의 가우스 랜덤 행렬로 선형 관측해 이미지 관측값을 얻고, 이를 단일 은닉층 순방향 신경망으로 분류할 경우 네트워크 모델 학습 계산 시간이 13.05초로 단축되고, 최적 학습 횟수가 3회로 감소하며, 분류 정확도는 97.5%를 유지한다. 본 알고리즘의 압축 감지 선형 관측은 신경망 모델이 손글씨 숫자 데이터셋에 대해 학습하는 데 소요되는 계산 시간과 최적 학습 횟수를 효과적으로 줄일 수 있고, 분류 정확도를 보장할 수 있다.

이미지 분류;손글씨 숫자;압축 감지;신경망