基于多种上下文信息的联机手写中文文本识别方法及系统实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11-12页 |
| 1.1.1 智能手机的普及 | 第11-12页 |
| 1.1.2 手写文本识别技术的重要性 | 第12页 |
| 1.2 手写文本识别技术的研究问题 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 本文结构 | 第14-16页 |
| 第二章 联机手写中文文本识别相关技术概述 | 第16-26页 |
| 2.1 中文文本识别技术总述 | 第16-18页 |
| 2.2 单字识别技术 | 第18-20页 |
| 2.2.1 传统识别方法 | 第18-19页 |
| 2.2.2 基于深度学习的识别方法 | 第19-20页 |
| 2.3 切分算法 | 第20-21页 |
| 2.4 自然语言模型 | 第21-22页 |
| 2.5 几何上下文信息 | 第22-23页 |
| 2.6 路径评价、搜索算法 | 第23-25页 |
| 2.6.1 路径评价算法 | 第23-24页 |
| 2.6.2 路径搜索算法 | 第24-25页 |
| 2.7 本章小结 | 第25-26页 |
| 第三章 基于二元类别无关几何模型的单字识别率改善 | 第26-49页 |
| 3.1 本文联机手写中文文本识别系统框架 | 第26-31页 |
| 3.1.1 置信度转化 | 第27-28页 |
| 3.1.2 路径评价函数 | 第28-30页 |
| 3.1.3 路径搜索策略 | 第30-31页 |
| 3.2 二元类别无关几何模型概述 | 第31-33页 |
| 3.3 二元类别无关几何模型特征提取 | 第33-36页 |
| 3.4 二元类别无关几何模型训练 | 第36-37页 |
| 3.4.1 支持向量机 | 第36页 |
| 3.4.2 多层感知器 | 第36-37页 |
| 3.5 实验 | 第37-48页 |
| 3.5.1 实验数据集说明 | 第37-41页 |
| 3.5.2 实验相关设置 | 第41页 |
| 3.5.3 实验结果与分析 | 第41-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 基于LSTM的语言模型 | 第49-61页 |
| 4.1 自然语言模型概述 | 第49-50页 |
| 4.2 LSTM语言模型 | 第50-55页 |
| 4.2.1 RNN简介 | 第50-51页 |
| 4.2.2 LSTM简介 | 第51-53页 |
| 4.2.3 模型构建及训练 | 第53-55页 |
| 4.3 实验 | 第55-60页 |
| 4.3.1 实验数据集说明 | 第55-56页 |
| 4.3.2 实验相关设置 | 第56页 |
| 4.3.3 实验结果与分析 | 第56-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 无约束联机手写中文文本识别 | 第61-74页 |
| 5.1 无约束联机手写中文文本识别概述 | 第61页 |
| 5.2 切分模块 | 第61-66页 |
| 5.2.1 非实时系统 | 第62-64页 |
| 5.2.2 实时系统 | 第64-66页 |
| 5.3 实验 | 第66-71页 |
| 5.3.1 实验数据集说明 | 第66页 |
| 5.3.2 实验相关设置 | 第66-67页 |
| 5.3.3 实验结果与分析 | 第67-71页 |
| 5.4 系统效果展示 | 第71-73页 |
| 5.5 本章小结 | 第73-74页 |
| 总结与展望 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-83页 |
| 致谢 | 第83-84页 |
| 答辩委员会对论文的评定意见 | 第84页 |
