| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-20页 |
| ·神经网络概述 | 第8-11页 |
| ·神经网络的发展历程及特点 | 第8-10页 |
| ·BP网络模型及算法 | 第10-11页 |
| ·神经网络集成的研究及其应用 | 第11-14页 |
| ·两种最常用的个体生成方法 | 第12-13页 |
| ·结果的集成方法 | 第13页 |
| ·神经网络集成的应用 | 第13-14页 |
| ·用神经网络处理含噪声样本的几种方法简介 | 第14-17页 |
| ·处理不完整样本的方法 | 第14-15页 |
| ·处理含错误样本的方法 | 第15页 |
| ·处理动态变化的含错样本 | 第15-17页 |
| ·OCR中数学公式识别简介 | 第17-19页 |
| ·数学公式识别的发展概况 | 第17-18页 |
| ·数学公式识别的方法 | 第18-19页 |
| ·本文的主要工作 | 第19-20页 |
| 2 基于bagging算法的神经网络集成的抗噪声和噪声过滤能力分析 | 第20-32页 |
| ·bagging算法的具体实现 | 第20-21页 |
| ·bagging的具体算法描述 | 第20页 |
| ·bagging算法的特点 | 第20-21页 |
| ·基于bagging算法的神经网络集成的具体实现及其特点 | 第21-22页 |
| ·基于bagging算法的神经网络集成的具体实现 | 第21-22页 |
| ·基于bagging算法的神经网络集成的特点 | 第22页 |
| ·数值实验 | 第22-29页 |
| ·11组UCI数据的属性描述 | 第22-23页 |
| ·数据的预处理 | 第23页 |
| ·神经网络集成的参数设置 | 第23页 |
| ·实验结果 | 第23-29页 |
| ·实验结果分析 | 第29-30页 |
| ·BBP的抗噪声能力 | 第29页 |
| ·BBP的噪声过滤能力 | 第29页 |
| ·对一种假设的解释 | 第29-30页 |
| ·本章小结 | 第30-32页 |
| 3 基于bagging算法的神经网络集成在数学公式识别中的应用 | 第32-42页 |
| ·数学公式图像的预处理 | 第32-37页 |
| ·倾斜矫正 | 第33页 |
| ·二值化 | 第33-34页 |
| ·符号分离 | 第34页 |
| ·粘连字符的分割 | 第34-35页 |
| ·特征提取 | 第35-37页 |
| ·特征选择 | 第37页 |
| ·字符识别器 | 第37-40页 |
| ·SOFM神经网络设计 | 第37-39页 |
| ·识别实验 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 结论 | 第42-44页 |
| 参考文献 | 第44-48页 |
| 附录A 数学符号集 | 第48-49页 |
| 附录B 测试样本 | 第49-50页 |
| 攻读硕士学位期间发表学术论文情况 | 第50-52页 |
| 致谢 | 第52-53页 |
