| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 插图索引 | 第11-12页 |
| 附表索引 | 第12-13页 |
| 第1章 引言 | 第13-20页 |
| ·手写体识别概述 | 第13-14页 |
| ·手写体识别的研究现状 | 第14-16页 |
| ·手写体识别的难点 | 第16-17页 |
| ·不同类型的手写体分类存在难度 | 第16-17页 |
| ·特征提取存在难度 | 第17页 |
| ·识别正确率与识别速度很难兼顾 | 第17页 |
| ·手写体识别的应用前景 | 第17-18页 |
| ·大规模的数据统计处理 | 第17-18页 |
| ·财务、税务、金融等领域 | 第18页 |
| ·在邮件分拣中 | 第18页 |
| ·论文研究的主要内容 | 第18-20页 |
| 第2章 手写体识别的预处理 | 第20-32页 |
| ·预处理概述 | 第20页 |
| ·平滑去噪处理 | 第20-23页 |
| ·中值滤波去噪 | 第21-22页 |
| ·邻域平均法去噪 | 第22-23页 |
| ·二值化处理 | 第23-27页 |
| ·整体阈值二值化 | 第24-25页 |
| ·局部阈值二值化 | 第25页 |
| ·动态阈值二值化 | 第25页 |
| ·利用空间信息进行阈值选取 | 第25-27页 |
| ·图像细化处理 | 第27-30页 |
| ·细化概述 | 第27页 |
| ·常见细化算法 | 第27-30页 |
| ·图像归一化处理 | 第30-31页 |
| ·位置归一化 | 第30页 |
| ·大小归一化 | 第30-31页 |
| ·小结 | 第31-32页 |
| 第3章 手写体识别的特征提取 | 第32-45页 |
| ·特征提取方法概述 | 第32-33页 |
| ·粗网格特征提取法 | 第33页 |
| ·笔划密度特征提取法 | 第33-34页 |
| ·投影信号特征提取法 | 第34-35页 |
| ·小波变换特征提取法 | 第35-44页 |
| ·小波分析研究背景 | 第35页 |
| ·小波分析基本理论 | 第35-39页 |
| ·常见小波函数介绍与选择 | 第39-43页 |
| ·小波变换 Mallat 算法 | 第43-44页 |
| ·小结 | 第44-45页 |
| 第4章 量子神经网络 | 第45-62页 |
| ·量子神经网络的发展历程 | 第45-46页 |
| ·量子理论的基本原理 | 第46-49页 |
| ·态叠加原理 | 第46-47页 |
| ·相干与消相干 | 第47页 |
| ·纠缠态 | 第47-48页 |
| ·算子 | 第48页 |
| ·量子逻辑门及量子计算网络 | 第48页 |
| ·量子算法 | 第48-49页 |
| ·量子神经计算 | 第49-50页 |
| ·神经计算 | 第49页 |
| ·量子计算与神经计算的结合 | 第49-50页 |
| ·量子学习 | 第50-51页 |
| ·量子神经网络与传统人工神经网络比较 | 第51-53页 |
| ·ANN 有关概念的量子类比 | 第51-52页 |
| ·QNN 相较于 ANN 的优势 | 第52-53页 |
| ·量子神经元 | 第53-59页 |
| ·量子神经元模型 | 第53页 |
| ·量子逻辑门 | 第53-54页 |
| ·量子逻辑运算特性 | 第54-57页 |
| ·量子神经元学习算法 | 第57-59页 |
| ·量子衍生神经网络 | 第59-60页 |
| ·量子神经网络的建立 | 第60-62页 |
| ·小结 | 第62页 |
| 第5章 基于两种新特征提取法及量子神经网络的手写字符识别法 | 第62-78页 |
| ·基于两特征结合特征提取法及 QNN 的手写字符识别法 | 第62-68页 |
| ·两特征结合特征提取法 | 第62-63页 |
| ·两特征结合特征提取法与 QNN 的组合 | 第63-68页 |
| ·基于投影信号的小波变换特征提取法及 QNN 的手写字符识别法 | 第68-76页 |
| ·基于投影信号的小波变换特征提取法 | 第68-71页 |
| ·基于投影信号的小波变换特征提取法与 QNN 的组合 | 第71-76页 |
| ·两方法的比较 | 第76-78页 |
| ·特征提取方法比较 | 第76-77页 |
| ·采用的分类识别方式比较 | 第77页 |
| ·识别性能比较 | 第77-78页 |
| ·小结 | 第78页 |
| 总结与展望 | 第78-81页 |
| 参考文献 | 第81-89页 |
| 致谢 | 第89页 |
| 附录 A 攻读硕士学位期间发表的论文 | 第89-90页 |
| 附录 B 部分手写体字符样本 | 第90页 |
