基于三维加速度传感器的空间手写识别预处理技术研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-9页 |
| 目录 | 第9-12页 |
| 插图与附表清单 | 第12-13页 |
| 1 绪论 | 第13-22页 |
| ·手写识别技术简介 | 第13-16页 |
| ·手写识别技术的应用 | 第13-14页 |
| ·手写识别领域的发展现状 | 第14-16页 |
| ·空间手写识别技术国内外研究现状及发展趋势 | 第16-18页 |
| ·国内外研究现状 | 第16-17页 |
| ·发展趋势 | 第17-18页 |
| ·空间手写识别预处理技术背景 | 第18-19页 |
| ·空间手写识别技术中亟待解决的问题 | 第18-19页 |
| ·基于连笔消除的空间手写识别预处理技术 | 第19页 |
| ·论文的创新点 | 第19-20页 |
| ·论文的主要研究内容与论文结构 | 第20-22页 |
| 2 空间手写字符轨迹研究及其平面化算法 | 第22-29页 |
| ·空间手写字符轨迹特点的研究 | 第22-25页 |
| ·空间手写字符轨迹特点 | 第22-23页 |
| ·空间手写字符的连笔特点 | 第23-25页 |
| ·利用PCA(主元分析)进行空间手写字符平面化 | 第25-27页 |
| ·PCA算法的原理 | 第25-26页 |
| ·基于PCA的空间字符投影方法 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 3 支持向量机(SVM)简介 | 第29-41页 |
| ·支持向量机概述 | 第29页 |
| ·统计学习理论相关知识 | 第29-34页 |
| ·机器学习问题的表述 | 第29-31页 |
| ·经验风险最小化准则 | 第31页 |
| ·学习机的VC维理论 | 第31-32页 |
| ·推广性的界 | 第32页 |
| ·结构风险最小化准则 | 第32-34页 |
| ·SVM支持向量机原理 | 第34-40页 |
| ·最优分类超平面 | 第34-37页 |
| ·非线性支持向量机分类 | 第37-40页 |
| ·本章小结 | 第40-41页 |
| 4 基于SVM的字符分类及连笔消除技术 | 第41-46页 |
| ·系统结构 | 第41-42页 |
| ·基于SVM的字符分类技术 | 第42-45页 |
| ·字符特征向量的构建 | 第42-43页 |
| ·基于支持向量机(SVM)的字符分类 | 第43-45页 |
| ·空间手写字符的连笔消除 | 第45页 |
| ·本章小结 | 第45-46页 |
| 5 空间手写识别预处理算法实现 | 第46-53页 |
| ·空间手写预处理过程的总体框图 | 第46-47页 |
| ·基于PCA的空间字符平面化算法实现 | 第47-49页 |
| ·空间手写字符连笔消除的实现 | 第49-52页 |
| ·基于SVM的字符分类的实现 | 第49-51页 |
| ·字符连笔消除技术的实现 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 6 实验结果与分析 | 第53-65页 |
| ·主元分析法平面化投影效果 | 第54-57页 |
| ·空间字符连笔消除效果 | 第57-62页 |
| ·笔画分段特征提取效果 | 第58-59页 |
| ·基于SVM的字符分类准确率 | 第59页 |
| ·空间字符连笔消除效果 | 第59-62页 |
| ·本文空间手写识别系统的字符识别率 | 第62-63页 |
| ·与其他空间手写识别方法进行对比 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 7 总结与展望 | 第65-67页 |
| 参考文献 | 第67-69页 |
| 作者简介 | 第69-70页 |
| 作者攻读硕士学位期间发表的论文和专利 | 第70页 |
