| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9-13页 |
| ·数字识别研究的发展及现状 | 第9-10页 |
| ·神经网络在数字识别中的应用 | 第10-11页 |
| ·手写体数字识别的研究现状 | 第11-13页 |
| ·本论文所做的工作 | 第13-14页 |
| 第二章 神经网络与模式识别 | 第14-34页 |
| ·人工神经网络简述 | 第14-17页 |
| ·发展简史 | 第14-16页 |
| ·基本原理 | 第16-17页 |
| ·神经网络的结构和学习规则 | 第17-21页 |
| ·神经网络的联接形式 | 第17-19页 |
| ·神经网络的学习和训练 | 第19-20页 |
| ·神经网络的学习规则 | 第20-21页 |
| ·前向多层网络 | 第21-27页 |
| ·前向多层网络的结构及其BP(Back Propagation)学习算法 | 第21-26页 |
| ·感知器 | 第21页 |
| ·前向多层网络的BP学习算法 | 第21-22页 |
| ·BP网络误差反向传播学习算法的基本思想 | 第22-24页 |
| ·误差反向传播算法计算步骤 | 第24-25页 |
| ·BP算法的计算机实现流程 | 第25-26页 |
| ·BP算法的改进算法 | 第26-27页 |
| ·模式识别简述 | 第27-28页 |
| ·模式识别方法概述 | 第28-31页 |
| ·统计法 | 第28-30页 |
| ·结构法 | 第30-31页 |
| ·神经网络模式识别 | 第31-34页 |
| 第三章 BP神经网络的研究 | 第34-42页 |
| ·人工神经网络概述 | 第34-36页 |
| ·神经网络基本定义及特性 | 第34页 |
| ·学习规则和学习方式 | 第34-35页 |
| ·神经网络处理问题的能力 | 第35-36页 |
| ·BP神经网络原理及性能 | 第36-41页 |
| ·传统BP神经网算法原理 | 第36-39页 |
| ·BP算法的编程步骤 | 第39-40页 |
| ·传统的BP算法流程图 | 第40页 |
| ·BP神经网络的优良性能 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 基于级连的BP神经网络的实现 | 第42-66页 |
| ·预处理工作 | 第42-47页 |
| ·原始样本获取 | 第42-43页 |
| ·定位和切割 | 第43页 |
| ·归一化 | 第43-44页 |
| ·二值化 | 第44-46页 |
| ·平滑化 | 第46页 |
| ·去噪和细化 | 第46-47页 |
| ·特征选择和提取 | 第47-48页 |
| ·神经网络的建立 | 第48-50页 |
| ·神经网络设计要求 | 第48-49页 |
| ·神经网络结构设计 | 第49-50页 |
| ·级连神经网络结构 | 第50-62页 |
| ·级联神经网络的提出 | 第51页 |
| ·识别器体系结构 | 第51-58页 |
| ·训练算法的讨论 | 第58-62页 |
| ·训练 | 第58-60页 |
| ·识别 | 第60-62页 |
| ·系统测试 | 第62-65页 |
| ·本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-67页 |
| 参考文献 | 第67-68页 |
| 致谢 | 第68页 |