基于神经网络算法的小类别字符组的识别及FPGA实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 背景知识 | 第9-12页 |
| 1.1.1 人工神经网络 | 第9-10页 |
| 1.1.2 模式识别 | 第10-11页 |
| 1.1.3 人工神经网络在识别技术中的应用 | 第11-12页 |
| 1.2 选题的意义 | 第12-13页 |
| 1.2.1 小类别字符组的特点 | 第12页 |
| 1.2.2 神经网络实现小类别字符组识别的优势 | 第12-13页 |
| 1.2.3 FPGA 实现神经网络算法的优势 | 第13页 |
| 1.3 本文工作和结构安排 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 第二章 人工神经网络及其识别应用技术 | 第15-30页 |
| 2.1 人工神经网络技术 | 第15-22页 |
| 2.2 模式识别技术 | 第22页 |
| 2.3 现场可编程门阵列 | 第22-29页 |
| 2.3.1 FPGA 简介 | 第22-23页 |
| 2.3.2 芯片结构 | 第23-28页 |
| 2.3.3 神经网络在 FPGA 上的可实现性 | 第28-29页 |
| 2.4 神经网络实现图像识别的流程 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 神经网络实现小类别字符组识别 | 第30-40页 |
| 3.1 图像信息采集 | 第30-35页 |
| 3.1.1 彩色图像灰度化 | 第31-32页 |
| 3.1.2 边缘检测 | 第32-34页 |
| 3.1.3 数字形态学处理——腐蚀和去小块 | 第34页 |
| 3.1.4 灰度纹理分析及定位 | 第34-35页 |
| 3.2 神经网络的选定 | 第35-38页 |
| 3.2.1 网络类型及拓扑结构 | 第35-37页 |
| 3.2.2 训练函数的选择 | 第37-38页 |
| 3.3 神经网络的学习 | 第38-39页 |
| 3.4 识别实现 | 第39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 FPGA 的图像识别实现 | 第40-52页 |
| 4.1 总体设计 | 第40-41页 |
| 4.2 隐藏层 S 函数模块 | 第41-45页 |
| 4.2.1 设计分析 | 第41-43页 |
| 4.2.2 构造与硬件实现 | 第43-44页 |
| 4.2.3 仿真与验证 | 第44-45页 |
| 4.3 f（S）函数模块 | 第45-47页 |
| 4.3.1 设计分析 | 第45-46页 |
| 4.3.2 构造与硬件实现 | 第46-47页 |
| 4.3.3 仿真与验证 | 第47页 |
| 4.4 输出层 S 函数模块 | 第47-50页 |
| 4.4.1 设计分析 | 第47-48页 |
| 4.4.2 构造与硬件实现 | 第48-50页 |
| 4.4.3 仿真与验证 | 第50页 |
| 4.5 检测试验 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 总结和展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表的论文及成果 | 第57-58页 |
| 致谢 | 第58-59页 |
| 附件 | 第59页 |
