基于深度学习的印刷体数学公式符号识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 印刷体数学公式符号识别研究现状 | 第9-16页 |
| 1.2.1 数学公式识别概述 | 第9-12页 |
| 1.2.2 数学公式识别关键技术 | 第12-15页 |
| 1.2.3 数学公式识别软件系统 | 第15-16页 |
| 1.3 研究目标与主要工作 | 第16页 |
| 1.4 本文结构安排 | 第16-17页 |
| 第2章 深度学习和卷积神经网络 | 第17-25页 |
| 2.1 深度学习 | 第17页 |
| 2.2 稀疏编码 | 第17-18页 |
| 2.3 深信度网络 | 第18-20页 |
| 2.4 卷积神经网络 | 第20-25页 |
| 2.4.1 卷积神经网络的提出 | 第20页 |
| 2.4.2 卷积神经网络的网络结构 | 第20-22页 |
| 2.4.3 训练过程 | 第22-23页 |
| 2.4.4 卷积神经网络的应用 | 第23-25页 |
| 第3章 公式符号识别的CNN模型的构建 | 第25-35页 |
| 3.1 公式符号识别的CNN结构 | 第25-27页 |
| 3.1.1 输入层 | 第25页 |
| 3.1.2 卷积层 | 第25-26页 |
| 3.1.3 采样层 | 第26页 |
| 3.1.4 输出层 | 第26-27页 |
| 3.2 网络参数优化 | 第27-31页 |
| 3.2.1 网络结构参数 | 第27-28页 |
| 3.2.2 激活函数 | 第28-30页 |
| 3.2.3 全连接方式 | 第30页 |
| 3.2.4 调整回归下降方式 | 第30-31页 |
| 3.3 实验结果与讨论 | 第31-35页 |
| 3.3.1 实验设置 | 第31页 |
| 3.3.2 整体测试及对比测试 | 第31-32页 |
| 3.3.3 进一步讨论 | 第32-35页 |
| 第4章 印刷体数学公式识别系统的设计与实现 | 第35-53页 |
| 4.1 软件设计方案 | 第35-40页 |
| 4.1.1 功能描述 | 第35-36页 |
| 4.1.2 开发环境 | 第36-40页 |
| 4.2 主要功能的详细设计 | 第40-53页 |
| 4.2.1 识别相关处理 | 第40-46页 |
| 4.2.2 字符识别 | 第46-53页 |
| 第5章 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 在学研究成果 | 第57-58页 |
| 致谢 | 第58页 |
