用于脱机手写体汉字识别的神经网络的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-12页 |
| ·课题研究的背景 | 第9页 |
| ·课题研究的意义 | 第9-11页 |
| ·论文的主要工作 | 第11页 |
| ·本章小结 | 第11-12页 |
| 第二章 脱机手写体汉字识别简介 | 第12-33页 |
| ·汉字识别简介 | 第12-13页 |
| ·汉字识别的研究回顾 | 第12页 |
| ·汉字识别的分类 | 第12-13页 |
| ·手写体汉字识别的困难 | 第13页 |
| ·联机手写体汉字识别与脱机手写体汉字识别 | 第13页 |
| ·脱机手写体汉字识别的流程 | 第13-14页 |
| ·脱机手写体汉字图像的预处理 | 第14-19页 |
| ·规范化处理 | 第14-15页 |
| ·汉字字符的切分 | 第15-16页 |
| ·图像的二值化 | 第16-17页 |
| ·图像的去噪声 | 第17-18页 |
| ·图像的细化 | 第18-19页 |
| ·脱机手写体汉字的特征提取 | 第19-26页 |
| ·基于笔划的特征提取 | 第20-21页 |
| ·基于网格的特征提取 | 第21-22页 |
| ·模糊方向线素法 | 第22-26页 |
| ·其他的特征提取方法 | 第26页 |
| ·脱机手写体汉字的识别方法 | 第26-28页 |
| ·结构模式识别方法 | 第27页 |
| ·统计模式识别方法 | 第27-28页 |
| ·统计与结构相结合的识别方法 | 第28页 |
| ·分类器的设计 | 第28-31页 |
| ·基于距离的分类器 | 第28-29页 |
| ·人工神经网络分类器 | 第29页 |
| ·支持向量机分类器 | 第29-31页 |
| ·分类器的集成 | 第31页 |
| ·后处理 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 用于脱机手写体汉字识别的神经网络模型 | 第33-47页 |
| ·神经网络简介 | 第33-37页 |
| ·神经网络的发展简史 | 第33-34页 |
| ·神经网络的基本特征与功能 | 第34-35页 |
| ·神经网络的应用领域 | 第35-36页 |
| ·神经网络模型 | 第36-37页 |
| ·MP 神经元模型 | 第37-38页 |
| ·BP 神经网络 | 第38-42页 |
| ·BP 神经网络模型 | 第38页 |
| ·BP 学习算法 | 第38-39页 |
| ·BP 网络的数学模型 | 第39页 |
| ·BP 算法的步骤 | 第39-40页 |
| ·BP 算法在手写体汉字识别中的优缺点 | 第40页 |
| ·BP 算法的改进 | 第40-42页 |
| ·RBF 神经网络 | 第42-44页 |
| ·RBF 神经网络模型及其数学表达 | 第42-43页 |
| ·RBF 神经网络在手写体汉字识别中的优缺点 | 第43-44页 |
| ·RBF 神经网络的训练 | 第44页 |
| ·RBF 神经网络的组合 | 第44页 |
| ·神经网络集成 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第四章 基于球领域模型的神经网络算法 | 第47-57页 |
| ·MP 神经元的几何意义 | 第47页 |
| ·基于球领域模型的神经网络算法 | 第47-48页 |
| ·神经网络分界面的分析 | 第48-50页 |
| ·对原球领域模型算法的分析 | 第50页 |
| ·改进的球领域模型算法 | 第50-53页 |
| ·自适应训练算法的基本思想 | 第50-52页 |
| ·自适应训练算法的实现步骤 | 第52页 |
| ·识别算法的改进及实现步骤 | 第52-53页 |
| ·改进算法的神经网络集成 | 第53-54页 |
| ·改进算法及其集成后的实验结果 | 第54-55页 |
| ·本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-58页 |
| ·本文总结 | 第57页 |
| ·今后的工作和展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 成果 | 第62-63页 |
| 致谢 | 第63页 |
