| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-12页 |
| 1.2 数学公式识别的研究难点 | 第12-13页 |
| 1.3 本文研究内容及完成工作 | 第13-14页 |
| 1.4 本文结构 | 第14-16页 |
| 第二章 联机手写数学公式的符号识别 | 第16-25页 |
| 2.1 联机手写数学公式识别流程及相关方法 | 第16-19页 |
| 2.2 显性分割模型与隐性分割模型 | 第19-23页 |
| 2.2.1 显性分割模型 | 第20-21页 |
| 2.2.2 隐性分割模型 | 第21-23页 |
| 2.3 本文联机手写数学公式符号识别的流程及范围 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 递归神经网络 | 第25-45页 |
| 3.1 从多层感知器到递归神经网络 | 第25-30页 |
| 3.1.1 多层感知器（Multilayer Perceptron） | 第26-28页 |
| 3.1.2 递归神经网络（Recurrent Neural Network, RNN） | 第28-30页 |
| 3.2 长短时记忆模型（Long Short Term Memory） | 第30-37页 |
| 3.2.1 LSTM的拓扑结构 | 第30-31页 |
| 3.2.2 记忆单元控制门：输入门、输出门和遗忘门 | 第31-36页 |
| 3.2.3 双向网络结构 | 第36-37页 |
| 3.3 时域连接模型（Connectionist Temporal Classification, CTC） | 第37-42页 |
| 3.3.1 从神经网络的输出到序列的标签 | 第38-41页 |
| 3.3.2 最大似然求解 | 第41-42页 |
| 3.4 基于编辑距离的标签错误率 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 联机手写数学公式字符识别系统的设计 | 第45-53页 |
| 4.1 数据集描述 | 第46-48页 |
| 4.2 预处理与特征提取 | 第48-49页 |
| 4.3 基于BLSTM的符号识别模块 | 第49-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 实验结果与分析 | 第53-62页 |
| 5.1 系统性能测量指标 | 第53-54页 |
| 5.2 整体识别对比实验 | 第54-56页 |
| 5.3 改进的标签错误率评价实验 | 第56-57页 |
| 5.4 数学公式字符识别效果测试 | 第57-59页 |
| 5.5 双向结构的收敛效果对比 | 第59-61页 |
| 5.6 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71-73页 |
| 附件 | 第73页 |
