| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·人工神经网络发展的历史及现状 | 第7-8页 |
| ·人工神经网络的基本特征与功能 | 第8-10页 |
| ·神经网络的基本特征 | 第9页 |
| ·神经网络的基本功能 | 第9-10页 |
| ·人工神经网络的学习方式 | 第10-11页 |
| ·研究动机和创新点 | 第11-13页 |
| 第二章 RBF 神经网络 | 第13-19页 |
| ·RBF 网络结构 | 第13-14页 |
| ·RBF 神经网络的学习算法 | 第14-19页 |
| 第三章 自适应的k-means 聚类算法SA-K-means | 第19-29页 |
| ·聚类方法概述 | 第19-21页 |
| ·基于划分的聚类算法 | 第21-23页 |
| ·k-means 算法的现有改进 | 第23-24页 |
| ·SA-K-means 算法 | 第24-27页 |
| ·实验结果 | 第27-28页 |
| ·小结 | 第28-29页 |
| 第四章 基于聚类的RBF-LBF 串联神经网络 | 第29-38页 |
| ·单层 RBF 网络分类原理 | 第29-30页 |
| ·单层 LBF 网络分类原理 | 第30-31页 |
| ·RBF-LBF 串联神经网络模型 | 第31-33页 |
| ·单层RBF 网络核函数的确定 | 第31-32页 |
| ·单层RBF 网络核函数的分裂合并 | 第32-33页 |
| ·单层 LBF 网络权值的确定 | 第33页 |
| ·基于SA-K-means 聚类算法的RBF-LBF 串联神经网络 | 第33-35页 |
| ·实验结果及讨论 | 第35-37页 |
| ·小结 | 第37-38页 |
| 第五章 CBRBF-LBF 神经网络在印刷体数学公式识别中的应用 | 第38-59页 |
| ·国内外研究现状 | 第38-39页 |
| ·公式识别主要的技术难点 | 第39-40页 |
| ·公式图像的预处理 | 第40-47页 |
| ·图像的灰度化与二值化处理 | 第40-42页 |
| ·图像的平滑去噪 | 第42-43页 |
| ·图像的细化 | 第43-45页 |
| ·图像大小的归一化 | 第45-47页 |
| ·公式字符的分割 | 第47-52页 |
| ·基于基准线的多候选分割算法描述 | 第48-49页 |
| ·区域的合并 | 第49-50页 |
| ·粘连字符的分割方法 | 第50-51页 |
| ·公式字符分割的结果 | 第51-52页 |
| ·基于CBRBF-LBF 神经网络的字符识别 | 第52-54页 |
| ·基于基准线的多候选公式结构分析 | 第54-58页 |
| ·公式的整体结构分析 | 第55-56页 |
| ·公式的局部结构分析 | 第56-58页 |
| ·实验结果 | 第58页 |
| ·小结 | 第58-59页 |
| 第六章 总结和展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第65页 |
