| 第一章 引言 | 第1-10页 |
| ·论文的背景 | 第7-8页 |
| ·本文的工作 | 第8页 |
| ·本文的组织 | 第8-10页 |
| 第二章 模式识别和机器学习理论基础 | 第10-29页 |
| ·模式和模式识别 | 第10-11页 |
| ·统计模式识别 | 第11-15页 |
| ·概念 | 第11-13页 |
| ·神经网络 | 第13-15页 |
| ·机器学习 | 第15-17页 |
| ·统计机器学习理论 | 第17-21页 |
| ·感知机 | 第17-19页 |
| ·有限样本的统计理论 | 第19页 |
| ·SVM | 第19-20页 |
| ·核函数 | 第20-21页 |
| ·集成机器学习方法 | 第21-29页 |
| ·弱分类器 | 第21-22页 |
| ·集成方法 | 第22-24页 |
| ·泛化错误分析 | 第24-27页 |
| ·统计视点 | 第27-29页 |
| 第三章 手写体数字识别技术 | 第29-35页 |
| ·基准数据库 | 第29-31页 |
| ·邮政编码数据库 | 第29-30页 |
| ·NIST数据库 | 第30页 |
| ·MNIST数据库 | 第30-31页 |
| ·主要技术 | 第31-33页 |
| ·LeNetl | 第31页 |
| ·LeNet4和LeNet5 | 第31-32页 |
| ·Boosted LeNet4 | 第32-33页 |
| ·性能分析 | 第33-35页 |
| 第四章 基于Adaoobst的数字识别算法的研究与应用 | 第35-57页 |
| ·Adaboost算法 | 第35-37页 |
| ·Adaboost算法的特征提取 | 第37-42页 |
| ·特征类型 | 第37-39页 |
| ·积分图像 | 第39-41页 |
| ·特征的选取 | 第41-42页 |
| ·Adaboost的分类器设计 | 第42-49页 |
| ·弱分类器与强分类器 | 第42-43页 |
| ·弱分类器的训练方法 | 第43-46页 |
| ·多分类问题的分类器结构 | 第46-49页 |
| ·基于Adaboost的数字识别系统的实现 | 第49-57页 |
| ·流程介绍 | 第49页 |
| ·训练过程 | 第49-55页 |
| ·结果 | 第55-57页 |
| 第五章 基于数字识别的医院病案评审系统 | 第57-67页 |
| ·项目背景 | 第57-58页 |
| ·系统架构和模块划分 | 第58-60页 |
| ·模板提取模块 | 第60-62页 |
| ·图像识别模块 | 第62-66页 |
| ·小结 | 第66-67页 |
| 第六章 总结 | 第67-69页 |
| 参考文献 | 第69-71页 |
| 致谢 | 第71页 |
| 读硕期间发表论文 | 第71页 |