| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第10-17页 |
| ·研究背景 | 第10-11页 |
| ·手写数字识别技术的含义 | 第10页 |
| ·手写数字识别技术的理论价值 | 第10页 |
| ·手写数字识别技术的难点 | 第10-11页 |
| ·手写数字识别的一般方法 | 第11-13页 |
| ·识别流程 | 第11页 |
| ·识别方法 | 第11-13页 |
| ·支持向量机在手写数字识别中的应用 | 第13-15页 |
| ·SVM 简介 | 第13-14页 |
| ·SVM 的优点 | 第14页 |
| ·SVM 在手写数字识别中的应用 | 第14-15页 |
| ·本文的研究目的及内容 | 第15-17页 |
| ·研究目的 | 第15页 |
| ·本文内容安排 | 第15-17页 |
| 第二章 统计学习理论与支持向量机 | 第17-33页 |
| ·统计学习理论与支持向量机的关系 | 第17页 |
| ·机器学习的基本问题和方法 | 第17-19页 |
| ·机器学习问题的表示 | 第17-18页 |
| ·经验风险最小化 | 第18页 |
| ·复杂性与推广能力 | 第18-19页 |
| ·统计学习理论的核心内容 | 第19-21页 |
| ·VC 维 | 第19-20页 |
| ·推广性的界 | 第20页 |
| ·结构风险最小化 | 第20-21页 |
| ·支持向量机 | 第21-26页 |
| ·线性可分问题的线性分划 | 第21-23页 |
| ·近似线性可分问题的线性分划 | 第23-25页 |
| ·非线性分划 | 第25-26页 |
| ·支持向量机的训练算法 | 第26-33页 |
| ·选块算法 | 第27-28页 |
| ·分解算法 | 第28-29页 |
| ·序列最小最优化算法 | 第29-33页 |
| 第三章 脱机手写数字识别 | 第33-42页 |
| ·脱机手写数字识别的研究重点 | 第33页 |
| ·预处理 | 第33-35页 |
| ·图像增强 | 第33-34页 |
| ·二值化 | 第34-35页 |
| ·细化 | 第35页 |
| ·归一化 | 第35页 |
| ·多类分类方法 | 第35-41页 |
| ·一类对余类法 | 第36-38页 |
| ·成对分类法 | 第38-39页 |
| ·纠错输出编码法 | 第39页 |
| ·有向无环图法 | 第39-40页 |
| ·层次分类法 | 第40页 |
| ·确定多类目标函数法 | 第40-41页 |
| ·先验知识 | 第41-42页 |
| 第四章 基于SVM 的脱机手写数字识别系统的设计与实现 | 第42-62页 |
| ·SVM-HDR 设计说明 | 第42-44页 |
| ·设计目标 | 第42页 |
| ·开发步骤 | 第42-43页 |
| ·数据库的选定与设计 | 第43页 |
| ·开发平台与工具 | 第43-44页 |
| ·多类分类方法的选择 | 第44-48页 |
| ·环境与数据 | 第44页 |
| ·性能标准与停止准则 | 第44-45页 |
| ·准确率比较 | 第45-46页 |
| ·训练时间、测试时间和单独支持向量个数比较 | 第46-47页 |
| ·结论 | 第47-48页 |
| ·训练算法的选择 | 第48-49页 |
| ·备选训练算法 | 第48页 |
| ·算法比较 | 第48-49页 |
| ·比较结果 | 第49页 |
| ·SVM-HDR 软件系统要点 | 第49-60页 |
| ·技术路线 | 第49-50页 |
| ·虚拟样本法思想 | 第50-51页 |
| ·验证SVM 分类法有效性 | 第51-55页 |
| ·引入虚拟样本法 | 第55-60页 |
| ·程序结果分析 | 第60-62页 |
| 结束语 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间参与的项目和发表的论文 | 第68-69页 |
| 致谢 | 第69页 |