基于遗传-BP神经网络的手写数字的识别方法
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-6页 |
| 1 绪论 | 第6-11页 |
| ·手写数字识别的意义和应用前景 | 第6-7页 |
| ·手写数字识别技术的发展和现状 | 第7-8页 |
| ·手写数字识别的难点 | 第8页 |
| ·论文结构 | 第8-11页 |
| ·研究内容 | 第8-9页 |
| ·章节安排 | 第9-11页 |
| 2 人工神经网络 | 第11-24页 |
| ·人工神经网络的发展 | 第11-13页 |
| ·人工神经在手写数字识别方面的应用 | 第13-14页 |
| ·人工神经网络的模型 | 第14-16页 |
| ·生物神经元模型 | 第14-15页 |
| ·人工神经元模型 | 第15-16页 |
| ·神经网络模型 | 第16页 |
| ·BP 神经网络的研究 | 第16-19页 |
| ·BP 神经网络的介绍 | 第16-18页 |
| ·BP 网络的建立 | 第18页 |
| ·BP 神经网络的学习训练 | 第18-19页 |
| ·BP 算法的局限性 | 第19页 |
| ·BP 算法的改进方法 | 第19-23页 |
| ·BP 算法的启发式改进 | 第20-21页 |
| ·数值优化技术 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 3 图像预处理 | 第24-32页 |
| ·图像采集 | 第24页 |
| ·数字图象的预处理 | 第24-31页 |
| ·图像灰度化 | 第24-25页 |
| ·图像的二值化 | 第25-27页 |
| ·平滑去噪 | 第27-28页 |
| ·字符分割 | 第28-29页 |
| ·图像归一化 | 第29-30页 |
| ·图像的细化 | 第30-31页 |
| ·本章小节 | 第31-32页 |
| 4 特征提取的方法及实现 | 第32-38页 |
| ·统计特征提取 | 第32-34页 |
| ·复杂指数特征 | 第32-33页 |
| ·四周边特征 | 第33页 |
| ·投影特征 | 第33-34页 |
| ·弹性网格特征 | 第34页 |
| ·结构特征提取 | 第34-36页 |
| ·笔道密度函数 | 第35页 |
| ·字符特殊节点数 | 第35页 |
| ·空洞和缺口 | 第35页 |
| ·字符链码 | 第35-36页 |
| ·本文的特征提取 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 5 遗传神经网络的算法 | 第38-46页 |
| ·遗传算法的思想 | 第38页 |
| ·遗传算法的特点 | 第38页 |
| ·遗传算法和传统算法的比较 | 第38-40页 |
| ·遗产算法的步骤 | 第40-41页 |
| ·自适应的遗传算法 | 第41页 |
| ·遗传神经网络的算法 | 第41-43页 |
| ·实验结果及分析 | 第43-46页 |
| 6 全文总结以及展望 | 第46-47页 |
| ·全文总结 | 第46页 |
| ·展望 | 第46-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-49页 |
