| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-8页 |
| 第一章 绪论 | 第8-15页 |
| 1．1 作为映射的模式识别 | 第8-9页 |
| 1．1．1 预处理 | 第9页 |
| 1．1．2 特征提取 | 第9页 |
| 1．1．3 分类决策 | 第9页 |
| 1．2 模式识别研究现状 | 第9-13页 |
| 1．2．1 神经网络模式识别研究 | 第9-11页 |
| 1．2．2 模糊模式识别研究 | 第11页 |
| 1．2．3 其他一些数学理论在模式识别中的应用研究 | 第11-12页 |
| 1．2．4 多种智能方法融合识别研究 | 第12-13页 |
| 1．2．5 集成性模式识别系统研究 | 第13页 |
| 1．3 本文的主要工作和论文组织 | 第13-15页 |
| 第二章 模糊前馈网络 | 第15-28页 |
| 2．1 多层前馈神经网络 | 第15-19页 |
| 2．1．1 多层前馈神经网络及其监督算法 | 第15-16页 |
| 2．1．2 基于多层前馈网络的模式识别 | 第16-17页 |
| 2．1．3 对多层前馈神经网络模式识别的讨论和分析 | 第17-19页 |
| 2．2 模糊前馈网络 | 第19-24页 |
| 2．2．1 模糊集合基本操作 | 第19-20页 |
| 2．2．2 基于模糊逻辑的神经网络结构 | 第20-21页 |
| 2．2．3 模糊极小极大神经网络的学习算法 | 第21-22页 |
| 2．2．4 模糊极小极大神经网络和BP前馈网络比较 | 第22-23页 |
| 2．2．5 模糊极小极大神经网络参数对网络性能的影响 | 第23-24页 |
| 2．3 基于遗传算法的模糊极小极大神经网络 | 第24-28页 |
| 2．3．1 遗传算法的基本原理 | 第24-26页 |
| 2．3．2 使用遗传算法优化模糊前馈网络 | 第26-28页 |
| 第三章 多分类器集成 | 第28-43页 |
| 3．1 多分类器集成研究的产生和现状 | 第28页 |
| 3．2 分类器输出信息 | 第28-29页 |
| 3．3 多分类器集成类型 | 第29-31页 |
| 3．3．1 级联分类器 | 第29-30页 |
| 3．3．2 并联分类器 | 第30-31页 |
| 3．4 基于抽象级信息的集成 | 第31-41页 |
| 3．4．1 基于投票规则的集成 | 第31-32页 |
| 3．4．2 基于贝叶斯理论的集成 | 第32-35页 |
| 3．4．3 基于证据理论的集成 | 第35-39页 |
| 3．4．4 基于BKS空间的集成 | 第39-41页 |
| 3．5 对分类器集成的进一步讨论 | 第41-43页 |
| 第四章 基于模糊积分的多分类器集成 | 第43-51页 |
| 4．1 模糊测度与模糊积分的产生及研究现状 | 第43-44页 |
| 4．2 模糊测度和模糊积分的基本理论 | 第44-46页 |
| 4．2．1 模糊测度和g_λ—模糊测度 | 第44页 |
| 4．2．2 g_λ—模糊测度的性质 | 第44-45页 |
| 4．2．3 模糊积分 | 第45-46页 |
| 4．3 用于综合评判的模糊积分 | 第46-47页 |
| 4．4 基于模糊积分的多分类器集成建模 | 第47-48页 |
| 4．5 模糊积分密度的确定 | 第48-51页 |
| 4．5．1 遗传算法方法 | 第49页 |
| 4．5．2 贝叶斯方法 | 第49-51页 |
| 第五章 系统仿真和结论 | 第51-60页 |
| 5．1 手写体识别问题 | 第51页 |
| 5．2 手写体图像的预处理 | 第51-54页 |
| 5．2．1 归一化处理 | 第51-52页 |
| 5．2．2 平滑处理 | 第52-53页 |
| 5．2．3 细化处理 | 第53-54页 |
| 5．3 特征提取 | 第54-55页 |
| 5．3．1 统计特征 | 第54页 |
| 5．3．2 轮廓特征 | 第54页 |
| 5．3．3 方向象素特征 | 第54-55页 |
| 5．4 单一分类器的识别性能 | 第55-56页 |
| 5．4．1 BP前馈网络 | 第55-56页 |
| 5．4．2 模糊极小极大神经网络 | 第56页 |
| 5．5 基于模糊极小极大网络的集成性能比较 | 第56-58页 |
| 5．6 模糊方向线素特征 | 第58-60页 |
| 结束语 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 附录1 | 第66-68页 |
| 致谢 | 第68-69页 |
| 作者在攻读硕士学位期间参加的科研工作与发表的论文 | 第69页 |
