| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 字符识别研究背景与意义 | 第14-15页 |
| 1.2 字符识别研究发展现状 | 第15-17页 |
| 1.2.1 字符识别技术的发展历程 | 第15页 |
| 1.2.2 传统字符识别过程 | 第15-16页 |
| 1.2.3 字符识别的研究难点 | 第16-17页 |
| 1.3 深度学习和浅层学习 | 第17-19页 |
| 1.4 基于卷积神经网字符识别技术的现状 | 第19-20页 |
| 1.5 本文主要工作及结构安排 | 第20-22页 |
| 1.5.1 主要工作 | 第20页 |
| 1.5.2 本文结构安排 | 第20-22页 |
| 第二章 卷积神经网理论 | 第22-37页 |
| 2.1 人工神经网络理论 | 第22-30页 |
| 2.1.1 人工神经网络基本结构 | 第22-24页 |
| 2.1.2 神经网络delta学习规则 | 第24-26页 |
| 2.1.3 BP反向传播算法 | 第26-30页 |
| 2.2 卷积神经网理论 | 第30-36页 |
| 2.2.1 卷积神经网字符识别模型结构 | 第30-31页 |
| 2.2.2 局部连接和权值共享 | 第31-34页 |
| 2.2.3 下采样池化 | 第34-35页 |
| 2.2.4 卷积神经网的训练 | 第35-36页 |
| 2.3 本章小结 | 第36-37页 |
| 第三章 基于MNIST和LeNet-5 的卷积神经网性能分析 | 第37-49页 |
| 3.1 MNIST数据集 | 第37-38页 |
| 3.2 LeNet-5 经典CNN结构 | 第38-40页 |
| 3.3 卷积神经网识别性能分析 | 第40-48页 |
| 3.3.1 滤波器组数目对比分析 | 第40-42页 |
| 3.3.2 滑动窗口尺度对比分析 | 第42-43页 |
| 3.3.3 池化方式对比实验分析 | 第43-45页 |
| 3.3.4 非线性激活函数逼近分析 | 第45-46页 |
| 3.3.5 正则化方法对比实验分析 | 第46-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于CNN的脱机手写汉字多级特征提取特征分析 | 第49-64页 |
| 4.1 实验数据 | 第49-52页 |
| 4.1.1 CASIA-HWDB1.1 数据集 | 第49-50页 |
| 4.1.2 实验数据预处理 | 第50-52页 |
| 4.1.2.1 直方图均衡 | 第50-51页 |
| 4.1.2.2 尺度线性归整化 | 第51-52页 |
| 4.1.2.3 样本扩展 | 第52页 |
| 4.2 实验平台-caffe开源框架 | 第52-53页 |
| 4.3 单级特征提取结构 | 第53-55页 |
| 4.4 多级特征提取 | 第55-63页 |
| 4.4.1 卷积层多级特征提取 | 第55-58页 |
| 4.4.2 池化层多级特征提取 | 第58-61页 |
| 4.4.3 深层和浅层特征提取 | 第61-63页 |
| 4.5 多级特征提取模型 | 第63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 基于支持向量机的多特征融合卷积神经网识别 | 第64-84页 |
| 5.1 相似手写汉字数据 | 第64-65页 |
| 5.2 手写汉字CNN特征提取 | 第65-67页 |
| 5.3 手写汉字统计学习特征提取 | 第67-73页 |
| 5.3.1 二维多尺度Gabor特征 | 第67-70页 |
| 5.3.2 Gradient特征 | 第70-73页 |
| 5.4 基于支持向量机的相似汉字分类 | 第73-78页 |
| 5.4.1 SVM分类器 | 第74-76页 |
| 5.4.2 基于统计特征与SVM的汉字分类 | 第76页 |
| 5.4.3 基于CNN-SVM的汉字分类 | 第76-78页 |
| 5.5 基于支持向量机的相似汉字分类 | 第78-82页 |
| 5.5.1 多特征串行融合 | 第78-79页 |
| 5.5.2 PCA降维 | 第79-80页 |
| 5.5.3 多特征与SVM相结合 | 第80-82页 |
| 5.6 本章小结 | 第82-84页 |
| 第六章 总结和展望 | 第84-86页 |
| 6.1 工作总结 | 第84页 |
| 6.2 展望 | 第84-86页 |
| 致谢 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 攻读硕士学位期间取得的成果 | 第91-92页 |