基于神经网络的图像识别技术的研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 引言 | 第11-13页 |
| 第1章 图像识别简介 | 第13-21页 |
| ·图像识别系统 | 第13-14页 |
| ·图像识别中的预处理和特征提取 | 第14-17页 |
| ·图像的灰度转换 | 第14页 |
| ·图像的平滑 | 第14-15页 |
| ·图像的分割 | 第15-16页 |
| ·图像的特征提取 | 第16-17页 |
| ·基于图像的模式识别方法 | 第17-19页 |
| ·统计模式识别法 | 第17页 |
| ·句法模式识别法 | 第17-18页 |
| ·模糊模式识别法 | 第18页 |
| ·人工神经网络模式识别法 | 第18-19页 |
| ·神经网络与传统方法分类的比较 | 第19-20页 |
| ·小结 | 第20-21页 |
| 第2章 人工神经网络 | 第21-31页 |
| ·人工神经网络基本概念 | 第21-23页 |
| ·人工神经网络的结构 | 第23-24页 |
| ·人工神经网络的学习 | 第24-26页 |
| ·学习方式 | 第24页 |
| ·学习规则 | 第24-26页 |
| ·人工神经网络的特点及应用 | 第26-27页 |
| ·人工神经网络图像识别分类原理 | 第27-30页 |
| ·单层感知器 | 第28页 |
| ·多层感知器 | 第28-29页 |
| ·前馈神经网络的分类功能分析 | 第29-30页 |
| ·小结 | 第30-31页 |
| 第3章 基于 BP 神经网络的图像识别 | 第31-45页 |
| ·BP 神经网络 | 第31-36页 |
| ·网络概述 | 第31-32页 |
| ·双隐层BP 网络算法 | 第32-34页 |
| ·BP 网络存在缺点及改进 | 第34-36页 |
| ·遗传算法 | 第36-38页 |
| ·遗传算法简介 | 第36页 |
| ·基本思想 | 第36-38页 |
| ·遗传算法的特点 | 第38页 |
| ·遗传-BP 神经网络 | 第38-41页 |
| ·概述 | 第38-39页 |
| ·基于遗传算法的神经网络权值学习 | 第39-40页 |
| ·遗传-BP 结合算法 | 第40-41页 |
| ·遗传 BP 网络分类器的构建 | 第41-43页 |
| ·仿真实验 | 第43-44页 |
| ·小结 | 第44-45页 |
| 第4章 基于支持向量机的图像识别 | 第45-55页 |
| ·支持向量机概述 | 第45-47页 |
| ·支持向量机的模式识别 | 第47-49页 |
| ·线性可分最优面 | 第47-48页 |
| ·非线性可分最优面 | 第48-49页 |
| ·基于支持向量机三种核函数的分析 | 第49-51页 |
| ·基于支持向量机的多类判别策略 | 第51-53页 |
| ·“一对一”策略 | 第51页 |
| ·“一对多”策略 | 第51-52页 |
| ·“M-ary”分类策略 | 第52-53页 |
| ·类别增加算法 | 第53-54页 |
| ·仿真实验 | 第54页 |
| ·小结 | 第54-55页 |
| 第5章 神经网络在图像识别中的应用 | 第55-61页 |
| ·BP 神经网络在车牌文字识别中的应用 | 第55-57页 |
| ·系统构成图及系统开发环境 | 第55页 |
| ·车牌定位 | 第55-56页 |
| ·BP 神经网络字符分类器构建 | 第56-57页 |
| ·实验结果 | 第57页 |
| ·支持向量机在人脸识别中的应用 | 第57-61页 |
| ·系统构成及系统开发环境 | 第58-59页 |
| ·人脸识别特征提取 | 第59-60页 |
| ·SVM 分类器的构建 | 第60页 |
| ·实验结果 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 发表文章目录 | 第64-65页 |
| 致谢 | 第65-66页 |
| 详细摘要 | 第66-69页 |
