基于组合不变矩和BP神经网络的数学公式符号识别
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 1 绪论 | 第8-14页 |
| ·引言 | 第8-9页 |
| ·数学公式自动识别研究现状 | 第9-11页 |
| ·数学公式符号识别分析 | 第11-13页 |
| ·本文内容安排 | 第13-14页 |
| 2 特征向量提取 | 第14-25页 |
| ·图像预处理 | 第14-16页 |
| ·二值化 | 第14-15页 |
| ·细化处理 | 第15-16页 |
| ·公式符号特征提取 | 第16-25页 |
| ·不变矩的基本理论 | 第17-18页 |
| ·HU不变矩 | 第18页 |
| ·仿射不变矩 | 第18-21页 |
| ·归一化转动惯量 | 第21页 |
| ·二阶矩 | 第21-22页 |
| ·组合不变矩 | 第22-25页 |
| 3 特征选择 | 第25-32页 |
| ·主成分分析 | 第25-27页 |
| ·主成分分析的基本原理 | 第25-26页 |
| ·主成分分析计算步骤 | 第26-27页 |
| ·矩阵的奇异值分解(SVD) | 第27-32页 |
| ·SVD的基本理论 | 第28-29页 |
| ·SVD特征选择阐述 | 第29页 |
| ·主成分分析与奇异值分解选择公式符号特征 | 第29-32页 |
| 4 基于BP神经网络的公式符号识别 | 第32-43页 |
| ·BP神经网络基本理论 | 第32-34页 |
| ·BP神经网络模型设计 | 第34-38页 |
| ·BP神经网络参数的确定 | 第34-37页 |
| ·BP神经网络学习算法选择 | 第37-38页 |
| ·BP神经网络的实验分析 | 第38-43页 |
| 5 实验结果及分析 | 第43-45页 |
| ·基于欧式距离的模板匹配法与神经网络法比较 | 第43页 |
| ·细化和归一化的比较 | 第43-45页 |
| 6 总结与展望 | 第45-46页 |
| ·总结 | 第45页 |
| ·展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 在学研究成果 | 第50-51页 |
| 致谢 | 第51-52页 |
