基于PSO-BP神经网络的脱机手写体数字识别
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-13页 |
| ·论文选题的目的意义 | 第8-9页 |
| ·数字识别系统的发展历史 | 第9-10页 |
| ·近年来的发展和发展趋势展望 | 第10-12页 |
| ·手写体数字识别近年来的发展 | 第10-11页 |
| ·手写体数字识别的发展趋势展望 | 第11-12页 |
| ·本文研究的主要内容 | 第12-13页 |
| 2 神经网络概述 | 第13-23页 |
| ·神经网络概述 | 第13-17页 |
| ·人工神经网络发展经历 | 第13-14页 |
| ·神经网络的基本原理 | 第14页 |
| ·人工神经网络的结构 | 第14-16页 |
| ·神经网络的应用 | 第16-17页 |
| ·BP神经网络 | 第17-21页 |
| ·BP神经网络的网络模型 | 第17-18页 |
| ·BP神经网络的基本原理 | 第18-21页 |
| ·BP学习算法的流程图 | 第21页 |
| ·神经网络在模式识别问题上的优势 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 3 手写体数字识别常规的预处理和特征提取方法 | 第23-31页 |
| ·手写体数字识别的识别过程 | 第23-24页 |
| ·手写体数字识别的常规预处理方法 | 第24-28页 |
| ·图像的灰度化 | 第24-25页 |
| ·二值化 | 第25页 |
| ·平滑去噪 | 第25-26页 |
| ·书写的倾斜矫正 | 第26页 |
| ·字符切分 | 第26-27页 |
| ·图像的归一化处理 | 第27-28页 |
| ·图像的细化 | 第28页 |
| ·特征提取 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 4 基于 BP算法的手写体数字识别的实现 | 第31-42页 |
| ·基于 BP算法的数字手写体识别过程 | 第31页 |
| ·样本准备 | 第31页 |
| ·预处理 | 第31-35页 |
| ·灰度化 | 第32页 |
| ·二值化 | 第32页 |
| ·平滑和去噪 | 第32-33页 |
| ·倾斜调整 | 第33-34页 |
| ·字符分割 | 第34页 |
| ·大小归一化 | 第34-35页 |
| ·位置归一化 | 第35页 |
| ·细化 | 第35页 |
| ·特征提取 | 第35-38页 |
| ·神经网络结构参数的选择与确定 | 第38-39页 |
| ·输入层神经元个数和输出层神经元个数的确定 | 第38页 |
| ·隐层数 | 第38页 |
| ·隐层节点数 | 第38-39页 |
| ·仿真结果 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 5 基于PSO-BP算法的手写体数字识别 | 第42-51页 |
| ·粒子群算法概述 | 第42-47页 |
| ·粒子群算法的基本原理 | 第42-44页 |
| ·粒子群算法的特点 | 第44-46页 |
| ·粒子群算法的优化流程 | 第46-47页 |
| ·粒子群算法优化 BP算法基本原理 | 第47-48页 |
| ·基于 PSO-BP算法的非线性函数逼近仿真 | 第48-49页 |
| ·基于 PSO-BP算法的手写体数字识别仿真 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读学位期间发表的学术论文 | 第56-57页 |
| 致谢 | 第57-58页 |
