| 论文摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章绪论 | 第6-14页 |
| 1.1 课题来源及其实际意义 | 第6页 |
| 1.1.1 课题来源 | 第6页 |
| 1.1.2 实际意义 | 第6页 |
| 1.2 数学表达式分析 | 第6-10页 |
| 1.2.1 数学表达式识别的分类 | 第6-7页 |
| 1.2.2 OCR 系统中的数学表达式识别及研究现状 | 第7-9页 |
| 1.2.3 数学表达式的特点分析 | 第9-10页 |
| 1.2.4 数学表达式的技术特色 | 第10页 |
| 1,符号识别 | 第10页 |
| 2,结构分析 | 第10页 |
| 1.3 统计学习理论概述 | 第10-13页 |
| 1.3.1 VC 维 | 第11页 |
| 1.3.2 推广性的界 | 第11-12页 |
| 1.3.3 结构风险最小化原理 | 第12-13页 |
| 1.4 本文内容安排 | 第13-14页 |
| 第二章图象预处理 | 第14-22页 |
| 2.1 倾斜矫正 | 第14页 |
| 2.2 二值化 | 第14-15页 |
| 2.3 平滑 | 第15页 |
| 2.4 去噪 | 第15页 |
| 2.5 图像分割 | 第15-16页 |
| 2.6 归一化 | 第16-20页 |
| 2.6.1 常用方法 | 第16-18页 |
| 2.6.2 新方法 | 第18-19页 |
| 2.6.3 本文方法 | 第19-20页 |
| 2.7 细化 | 第20-21页 |
| 2.8 本章小结 | 第21-22页 |
| 第三章特征提取与选择 | 第22-30页 |
| 3.1 数学符号的特点分析 | 第22-24页 |
| 3.2 基于数学符号特点的特征提取 | 第24-26页 |
| 3.2.1 数学符号的特征选择 | 第24-25页 |
| 3.2.2 数学符号的特征提取 | 第25-26页 |
| 3.3 基于K-L 变换的特征提取 | 第26-29页 |
| 3.3.1 K-L 变换的定义及其优点 | 第26-28页 |
| 3.3.2 K-L 变换的算法描述 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章符号识别 | 第30-40页 |
| 4.1 支持向量机 | 第30-35页 |
| 4.1.1 最优分类面 | 第30-32页 |
| 1, 最优分类面 | 第31页 |
| 2, 广义最优分类面 | 第31-32页 |
| 4.1.2 支持向量机 | 第32-35页 |
| 1, 推广能力的控制 | 第32-33页 |
| 2, 非线性问题 | 第33-34页 |
| 3, 常用核函数 | 第34页 |
| 4, 训练算法 | 第34-35页 |
| 4.2 多类支持向量机的合成 | 第35-37页 |
| 4.3 参数及符号或基元的识别结果 | 第37页 |
| 4.4 本章小结 | 第37-40页 |
| 第五章结构识别及其后处理 | 第40-48页 |
| 5.1 结构识别方法简介 | 第40-42页 |
| 5.2 结构分析预处理 | 第42页 |
| 5.3 基于基线的结构分析 | 第42-46页 |
| 5.3.1 概念描述 | 第42-43页 |
| 5.3.2 符号分类及相关属性 | 第43-44页 |
| 5.3.3 结构分析算法 | 第44-46页 |
| 5.4 实验结果 | 第46页 |
| 5.5 本章小结 | 第46-48页 |
| 第六章总结与展望 | 第48-50页 |
| 6.1 论文总结 | 第48页 |
| 6.2 论文进一步研究的展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 附录1: 符号统计结果 | 第51-52页 |
| 附录2: 可识别的数学符号集 | 第52-53页 |
| 附录3: 攻读硕士期间发表的论文 | 第53页 |