| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 综述 | 第8-19页 |
| 1．1 神经网络概述 | 第8-13页 |
| 1．1．1 引言 | 第8-9页 |
| 1．1．2 神经网络理论 | 第9-12页 |
| 1．1．3 神经网络应用 | 第12-13页 |
| 1．2 模式识别 | 第13-16页 |
| 1．2．1 模式识别的基本过程 | 第13-15页 |
| 1．2．2 模式识别的主要方法 | 第15-16页 |
| 1．3 OCR系统 | 第16-17页 |
| 1．4 数学公式的分割、识别与重组 | 第17-19页 |
| 2 图像预处理与粘连字符分割 | 第19-30页 |
| 2．1 图像的预处理 | 第19-21页 |
| 2．2 文字符号的自动分离 | 第21-22页 |
| 2．2．1 普通符号的分离方法 | 第21页 |
| 2．2．2 重叠符号的分离方法 | 第21-22页 |
| 2．3 粘连字符分割 | 第22-30页 |
| 2．3．1 粘连字符分析和其分割方法 | 第23页 |
| 2．3．2 一个新的SOM权值更新方法和字符分割 | 第23-26页 |
| 2．3．3 实验 | 第26-30页 |
| 3 特征提取和选择 | 第30-43页 |
| 3．1 基于矩的特征提取 | 第31-36页 |
| 3．1．1 规则矩(Regular Moment) | 第31-33页 |
| 3．1．2 Zernike矩(Zernike Moment) | 第33-35页 |
| 3．1．3 小波矩(Wavelet Moment) | 第35-36页 |
| 3．1．4 矩的一般表示形式 | 第36页 |
| 3．2 基于主分量分析的特征选择 | 第36-39页 |
| 3．2．1 网络结构 | 第37页 |
| 3．2．2 学习算法 | 第37-39页 |
| 3．3 模式类别可分性度量 | 第39-43页 |
| 3．3．1 理论基础 | 第40-41页 |
| 3．3．2 实验分析 | 第41-43页 |
| 4 数学符号识别 | 第43-61页 |
| 4．1 SOFM网络 | 第43-47页 |
| 4．1．1 基本原理 | 第43-44页 |
| 4．1．2 基本算法 | 第44-47页 |
| 4．2 BP网络 | 第47-53页 |
| 4．2．1 基本原理 | 第47-48页 |
| 4．2．2 基本算法 | 第48-53页 |
| 4．3 字符识别的置信度分析 | 第53-58页 |
| 4．3．1 置信度与广义置信度定义 | 第53-54页 |
| 4．3．2 置信度分析的应用 | 第54-58页 |
| 4．4 识别实验 | 第58-61页 |
| 4．4．1 数据的获取 | 第58页 |
| 4．4．2 SOFM网络的粗分类 | 第58-59页 |
| 4．4．3 BP神经网络细分类 | 第59-60页 |
| 4．4．4 公式重构 | 第60-61页 |
| 结论 | 第61-62页 |
| 附录A字符集 | 第62-63页 |
| 附录B SOFM分类结果 | 第63-64页 |
| 附录C 公式重组 | 第64-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间发表的学术论文情况 | 第77-78页 |
| 致谢 | 第78-79页 |
| 大连理工大学学位论文版权使用授权书 | 第79页 |
