手写体数字识别技术研究
| 中文摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-13页 |
| ·课题研究背景 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·论文研究内容 | 第11-12页 |
| ·论文组织结构 | 第12-13页 |
| 第2章 神经网络 | 第13-21页 |
| ·人工神经元模型 | 第13-15页 |
| ·神经网络的结构和工作方式 | 第15-18页 |
| ·神经网络的结构 | 第15-16页 |
| ·神经网络的学习模式 | 第16-17页 |
| ·神经网络的学习规则 | 第17-18页 |
| ·感知器 | 第18-21页 |
| ·单层感知器 | 第19页 |
| ·多层感知器 | 第19-21页 |
| 第3章 用于手写数字识别的神经网络实现 | 第21-39页 |
| ·手写数字样本库说明 | 第21页 |
| ·样本库图片读取 | 第21-22页 |
| ·样本图像预处理 | 第22-23页 |
| ·二值化 | 第22页 |
| ·扩边 | 第22-23页 |
| ·反色 | 第23页 |
| ·特征输入量的选择 | 第23-24页 |
| ·以块方式输入 | 第24页 |
| ·以单个像素方式输入 | 第24页 |
| ·神经网络设计 | 第24-29页 |
| ·卷积核的大小 | 第26页 |
| ·卷积神经网络输入层 | 第26页 |
| ·卷积网络中间层 | 第26-28页 |
| ·卷积网络输出层 | 第28-29页 |
| ·网络的训练 | 第29-33页 |
| ·正向传播 | 第29-30页 |
| ·反向传播 | 第30-33页 |
| ·训练的几点优化 | 第33-36页 |
| ·激励函数的选择 | 第33页 |
| ·随机输入样本 | 第33-34页 |
| ·二阶方法 | 第34-36页 |
| ·忽略某些反向传播步骤 | 第36页 |
| ·网络的初始化 | 第36-37页 |
| ·训练流程 | 第37-39页 |
| 第4章 手写数字的识别 | 第39-48页 |
| ·待识图片的预处理 | 第39-46页 |
| ·待处理图片说明 | 第39-40页 |
| ·输入图像的灰度转化 | 第40页 |
| ·图像二值化分割 | 第40页 |
| ·Hough变换法去边框 | 第40-42页 |
| ·形态学处理 | 第42-43页 |
| ·中值滤波 | 第43-44页 |
| ·字符分割 | 第44-46页 |
| ·单个字符的处理 | 第46-47页 |
| ·输入值的归一化 | 第47页 |
| ·数字识别 | 第47-48页 |
| 第5章 实验结果与分析 | 第48-52页 |
| ·像素灰度特征和其他特征的比较 | 第48页 |
| ·不同的输入方式的结果比较 | 第48-49页 |
| ·样本数量对卷积网络性能的影响 | 第49页 |
| ·卷积网络训练数据与分析 | 第49-52页 |
| 第6章 总结与展望 | 第52-54页 |
| ·本文工作总结 | 第52页 |
| ·进一步展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表的论文 | 第58页 |
