| 提要 | 第1-8页 |
| 第1章 绪论 | 第8-14页 |
| ·引言 | 第8-9页 |
| ·数学符号识别系统的国内外发展状况 | 第9-10页 |
| ·智能信息处理技术在符号识别系统中的应用 | 第10-11页 |
| ·本文的主要研究内容 | 第11-14页 |
| ·图像的预处理 | 第11页 |
| ·图像的特征提取 | 第11-12页 |
| ·运用遗传算法和人工神经网络相结合的方法识别 | 第12-14页 |
| 第2章 图像预处理 | 第14-24页 |
| ·字符归一化 | 第14-16页 |
| ·字符大小归一化 | 第14-15页 |
| ·字符位置归一化 | 第15-16页 |
| ·字符二值化 | 第16-17页 |
| ·整体阈值二值化 | 第16-17页 |
| ·局部阈值二值化 | 第17页 |
| ·字符平滑滤波 | 第17-20页 |
| ·图像细化 | 第20-23页 |
| ·细化方法简介 | 第20-21页 |
| ·常用细化算法 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 人工神经网络原理 | 第24-31页 |
| ·人工神经网络 | 第24-26页 |
| ·人工神经元模型 | 第24-25页 |
| ·神经网络的特点 | 第25页 |
| ·激活函数 | 第25-26页 |
| ·人工神经网络的拓扑结构与学习规则 | 第26-27页 |
| ·人工神经网络的拓扑结构 | 第26-27页 |
| ·人工神经网络的学习规则 | 第27页 |
| ·BP神经网络模型及其学习算法 | 第27-30页 |
| ·BP网络的模型 | 第27-28页 |
| ·BP网络的学习方式 | 第28-29页 |
| ·BP网络学习算法 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第4章 遗传算法基本原理 | 第31-45页 |
| ·遗传算法的基本原理 | 第31页 |
| ·遗传算法的特点 | 第31-32页 |
| ·遗传算法的优化设计 | 第32-37页 |
| ·染色体编码方法 | 第32页 |
| ·个体适应度评价 | 第32-33页 |
| ·遗传算子 | 第33-36页 |
| ·控制参数的选择 | 第36-37页 |
| ·应用遗传算法进行问题求解的过程 | 第37-38页 |
| ·基本遗传算法的改进算法 | 第38-43页 |
| ·小生境遗传算法的基本原理 | 第39页 |
| ·小生境技术的实现方法 | 第39-40页 |
| ·小生境遗传算法的淘汰操作机制 | 第40-43页 |
| ·遗传算法在神经网络中的应用 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第5章 字符特征提取 | 第45-52页 |
| ·字符特征提取 | 第45-46页 |
| ·基本的特征提取技术 | 第46-48页 |
| ·基于模板匹配的特征提取技术 | 第46页 |
| ·基于不变矩的特征提取技术 | 第46-47页 |
| ·基于投影的特征提取技术 | 第47页 |
| ·基于整体图像变换的特征提取技术 | 第47-48页 |
| ·特征提取 | 第48-51页 |
| ·交截特征 | 第48-49页 |
| ·投影特征 | 第49-50页 |
| ·结构特征提取 | 第50页 |
| ·粗网格特征提取 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第6章 基于小生境遗传算法的数学符号识别 | 第52-64页 |
| ·引言 | 第52页 |
| ·基于小生境遗传算法的数学符号识别系统模型的建立 | 第52-55页 |
| ·BP网络模型的构造 | 第52-53页 |
| ·BP网络学习速率与学习算法的选择 | 第53页 |
| ·激活函数的选择 | 第53-54页 |
| ·隐含层数目及隐含层节点数目的选定 | 第54-55页 |
| ·小生境遗传算法优化 BP网络的NGA-BP混合算法的实现 | 第55-59页 |
| ·网络模型的训练与识别 | 第59-62页 |
| ·本章小结 | 第62-64页 |
| 第7章 全文总结 | 第64-66页 |
| ·本文的主要结论 | 第64-65页 |
| ·今后待研究的问题 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 摘要 | 第71-73页 |
| ABSTRACT | 第73-76页 |
| 导师及作者简介 | 第76页 |