| 论文摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究表格自动识别、还原与生成技术目的及意义 | 第8-9页 |
| 1.2 研究内容 | 第9-10页 |
| 1.3 计表格自动识别、还原与生成技术的发展概况概况 | 第10-14页 |
| 1.4 本文所做的工作 | 第14-16页 |
| 第二章 神经网络模型及学习算法的分析 | 第16-29页 |
| 2.1 引言 | 第16-20页 |
| 2.2 生物神经元模型 | 第20-21页 |
| 2.2.1 大脑的生物模型 | 第20-21页 |
| 2.2.2 大脑的活动模型及与传统计算机的区别 | 第21页 |
| 2.3 人工神经元模型 | 第21-22页 |
| 2.4 人工神经网络模型 | 第22-25页 |
| 2.5 BP网络结构 | 第25-28页 |
| 2.6 小结 | 第28-29页 |
| 第三章 表格与字符特征分析 | 第29-45页 |
| 3.1 概述 | 第29页 |
| 3.2 版面分析 | 第29-30页 |
| 3.3 预处理 | 第30-33页 |
| 3.3.1 图象平滑及字符分割 | 第30-31页 |
| 3.3.2 细化 | 第31-32页 |
| 3.3.3 规范化 | 第32-33页 |
| 3.4 特征提取 | 第33-44页 |
| 3.4.1 字符宽度特征 | 第33-34页 |
| 3.4.2 交叉点特征 | 第34页 |
| 3.4.3 基于链码方法的结构特征 | 第34-40页 |
| 3.4.4 基于凸凹分布的图形特征 | 第40-44页 |
| 3.5 小结 | 第44-45页 |
| 第四章 基于神经网络的字符识别及实现 | 第45-56页 |
| 4.1 概述 | 第45页 |
| 4.2 特征编码 | 第45-46页 |
| 4.3 算法实现 | 第46-54页 |
| 4.3.1 用面向对象的方法OOP构造神经网络 | 第46-49页 |
| 4.3.2 BP算法的实现 | 第49-51页 |
| 4.3.3 学习样本库的收集 | 第51页 |
| 4.3.4 网络参数选择 | 第51-52页 |
| 4.3.5 算法改进 | 第52-54页 |
| 4.3.6 奇异学习样本特征库 | 第54页 |
| 4.4 小结 | 第54-56页 |
| 第五章 智能型表格自动识别、还原与生成算法 | 第56-66页 |
| 5.1 引言 | 第56页 |
| 5.2 表格结构提取的算法研究 | 第56-62页 |
| 5.3 算法性能分析与测试 | 第62-63页 |
| 5.3.1 强鲁棒性与强去噪性 | 第62-63页 |
| 5.3.2 快速性与高识别率 | 第63页 |
| 5.4 应用举例 | 第63-66页 |
| 第六章 结论 | 第66-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-72页 |