基于人工神经网络的光学字符识别系统及硬件实现
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-14页 |
| 第一章 人工神经网络和光学字符识别 | 第14-23页 |
| ·人工神经网络 | 第14-20页 |
| ·历史回顾 | 第14页 |
| ·人工神经元模型 | 第14-17页 |
| ·网络的结构 | 第17-19页 |
| ·BP神经网络 | 第19-20页 |
| ·光学字符识别 | 第20-23页 |
| ·历史和现状 | 第20页 |
| ·字符识别方法简介 | 第20-22页 |
| ·神经网络在字符识别中的应用 | 第22-23页 |
| 第二章 基于ARM的硬件实现 | 第23-34页 |
| ·硬件功能及硬件选型 | 第23-26页 |
| ·硬件的基本功能 | 第23-24页 |
| ·ARM微处理器简介 | 第24-25页 |
| ·微处理器选型 | 第25-26页 |
| ·硬件的设计 | 第26-34页 |
| ·电源部分 | 第26-27页 |
| ·微处理器及复位电路 | 第27-28页 |
| ·SDRAM部分 | 第28-29页 |
| ·FLASH部分 | 第29-30页 |
| ·USB部分 | 第30-31页 |
| ·UART部分 | 第31-32页 |
| ·JTAG接口 | 第32-34页 |
| 第三章 系统的软件设计与原理 | 第34-50页 |
| ·软件的原理 | 第34-36页 |
| ·工作原理概述 | 第34-35页 |
| ·K-L变换 | 第35-36页 |
| ·图像的采集和图像处理 | 第36-41页 |
| ·简述 | 第36页 |
| ·图像的采集 | 第36-37页 |
| ·图像的灰度化 | 第37页 |
| ·图像的二值化 | 第37-38页 |
| ·图像亮度效正 | 第38页 |
| ·字符图像的倾斜效正 | 第38-41页 |
| ·图像的分割与字符提取 | 第41-42页 |
| ·图像分割简介 | 第41-42页 |
| ·算法基本思想 | 第42页 |
| ·字符特征抽取 | 第42-46页 |
| ·简述 | 第42-43页 |
| ·准备K-L变换矩阵 | 第43-45页 |
| ·字符图像标准化处理 | 第45-46页 |
| ·计算字符图像特征 | 第46页 |
| ·基于反向传播神经网络的分类器 | 第46-49页 |
| ·分类器的设计 | 第46页 |
| ·BP神经网络的设计 | 第46-47页 |
| ·分类失败和扩展神经网络 | 第47-48页 |
| ·可能的改进 | 第48-49页 |
| ·基于近邻法的分类器 | 第49-50页 |
| ·近邻法分类器 | 第49页 |
| ·同BP神经网络分类器的比较 | 第49-50页 |
| 第四章 系统的训练及讨论 | 第50-60页 |
| ·样本的准备与生成 | 第50-52页 |
| ·USPS数据库的读取 | 第50-51页 |
| ·生成自己的样本 | 第51-52页 |
| ·利用Matlab的神经网络工具 | 第52-57页 |
| ·Matlab的神经网络工具简介 | 第52-53页 |
| ·Matlab在本课题中的作用 | 第53-54页 |
| ·将数据在Matlab中读取 | 第54-55页 |
| ·利用Matlab训练神经网络 | 第55-56页 |
| ·将Matlab中的训练结果导出 | 第56-57页 |
| ·几种分类方法的比较 | 第57-60页 |
| ·基于近邻法的分类器 | 第57-58页 |
| ·基于向量长度比较的分类器 | 第58-59页 |
| ·基于 BP神经网络的分类器 | 第59-60页 |
| 第五章 系统的应用实例 | 第60-65页 |
| ·信件自动分拣机 | 第60-63页 |
| ·信件自动分拣机简介 | 第60页 |
| ·邮政编码图像定位原理 | 第60-61页 |
| ·边缘检测 | 第61-62页 |
| ·直线检测 | 第62-63页 |
| ·定位和识别 | 第63页 |
| ·其他可能的应用 | 第63-65页 |
| ·汽车牌号识别 | 第63-64页 |
| ·可能的方法 | 第64-65页 |
| 文中的图表索引 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-68页 |
| 附录 | 第68页 |
| 作者在学习其间的主要工作 | 第68页 |
| 发表论文 | 第68页 |
| 参与项目 | 第68页 |
