基于支持向量机的脱机手写字符识别研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-10页 |
| 1 绪论 | 第10-15页 |
| ·问题的背景以及研究意义 | 第10-11页 |
| ·问题的背景 | 第10-11页 |
| ·研究的意义 | 第11页 |
| ·国内外研究状况 | 第11-12页 |
| ·国内研究状况 | 第11页 |
| ·国外研究状况 | 第11-12页 |
| ·印刷体数字与手写体数字的特点 | 第12-13页 |
| ·联机手写体数字识别与脱机手写体数字识别的区别 | 第13页 |
| ·本文所做的工作 | 第13-14页 |
| ·论文的组织 | 第14-15页 |
| 2 字符识别技术基本原理 | 第15-24页 |
| ·引言 | 第15页 |
| ·字符的输入和预处理 | 第15-17页 |
| ·输入 | 第15-16页 |
| ·预处理 | 第16-17页 |
| ·特征提取 | 第17-21页 |
| ·结构特征 | 第18-19页 |
| ·统计特征 | 第19-20页 |
| ·两种特征的融合 | 第20-21页 |
| ·分类和输出 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 3 支持向量机理论 | 第24-39页 |
| ·引言 | 第24页 |
| ·机器学习概述 | 第24-26页 |
| ·线性学习器 | 第26-28页 |
| ·核函数 | 第28页 |
| ·统计学习理论 | 第28-31页 |
| ·机器学习的基本问题和方法 | 第28-29页 |
| ·VC维 | 第29-30页 |
| ·结构风险最小化思想 | 第30-31页 |
| ·支持向量机 | 第31-36页 |
| ·最优分类面 | 第31-32页 |
| ·线性可分 | 第32-34页 |
| ·近似线性可分 | 第34-35页 |
| ·非线性可分 | 第35-36页 |
| ·SVM 中核函数与参数的选取 | 第36-38页 |
| ·核函数的选取 | 第36页 |
| ·参数的选取 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 4 基于支持向量机的脱机手写字符识别 | 第39-64页 |
| ·引言 | 第39-40页 |
| ·系统界面 | 第40页 |
| ·输入 | 第40-41页 |
| ·预处理 | 第41-44页 |
| ·平滑 | 第41页 |
| ·锐化 | 第41-42页 |
| ·细化 | 第42-44页 |
| ·特征提取 | 第44-47页 |
| ·分类和输出 | 第47-48页 |
| ·核函数与参数的确定 | 第48-63页 |
| ·不同核函数及参数建立的SVM 对结果的影响 | 第48-61页 |
| ·与其它识别方法的比较 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 5 结论和展望 | 第64-65页 |
| ·主要结论 | 第64页 |
| ·后续研究工作展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 硕士期间发表的论文 | 第69页 |
