Para reduzir o tempo de cálculo de treinamento do modelo de rede neural no conjunto de dados de dígitos manuscritos e o número ideal de treinamentos, garantindo ao mesmo tempo a precisão da classificação das imagens de dígitos manuscritos, foi introduzida a técnica de sensoriamento comprimido, propondo um algoritmo rápido de classificação de imagens de dígitos manuscritos baseado em sensoriamento comprimido e rede neural feedforward com uma única camada oculta (Compressive Sensing and Single Hidden Layer Feedforward Network, CS-SHLNet). Primeiro, utiliza-se uma matriz aleatória gaussiana para realizar observações lineares das imagens de dígitos manuscritos esparsos, projetando o sinal da imagem de alta dimensão em um espaço de baixa dimensão para obter os valores observados; em seguida, por meio do algoritmo de retropropagação de erro (Error BackPropagation, BP), os pesos da rede feedforward de camada oculta única são ajustados continuamente para construir um modelo de rede neural adaptado aos valores observados, incorporando-os na rede para extração de características da imagem; finalmente, o modelo de rede feedforward com uma única camada oculta é utilizado para classificar as imagens de dígitos manuscritos, avaliando quantitativamente o modelo com base em indicadores como tempo de cálculo de treinamento, número ideal de treinamentos e precisão de classificação. Os resultados experimentais mostram que, em comparação com a rede neural de camada oculta única e o aprendizado profundo para classificação de sinais de imagens de alta dimensão do conjunto de dados MNIST de dígitos manuscritos, primeiramente são obtidos os valores observados da imagem por observação linear usando a matriz aleatória gaussiana com número de observações M=235 pela técnica CS, e em seguida utiliza-se a rede feedforward de camada oculta única para classificar a imagem com base nos valores observados, reduzindo o tempo de cálculo de treinamento do modelo da rede para 13,05 s, diminuindo o número ideal de treinamentos para 3 vezes e mantendo a precisão de classificação em 97,5%. A observação linear por sensoriamento comprimido neste algoritmo pode reduzir efetivamente o tempo de cálculo de treinamento e o número ideal de treinamentos para o modelo de rede neural no conjunto de dados de dígitos manuscritos, garantindo ao mesmo tempo a precisão da classificação.

classificação de imagens;números manuscritos;sensoriamento comprimido;redes neurais