| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题来源 | 第10页 |
| 1.2 研究背景及意义 | 第10-11页 |
| 1.3 字符识别的国内外研究现状 | 第11-13页 |
| 1.3.1 字符识别技术 | 第11-12页 |
| 1.3.2 字符识别算法研究现状 | 第12-13页 |
| 1.4 本文主要工作及内容结构 | 第13-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 燃气表图像信息采集及特征提取 | 第16-32页 |
| 2.1 图像的前期处理 | 第17-21页 |
| 2.1.1 图像的直方图均衡化增强技术 | 第17-19页 |
| 2.1.2 燃气表图像的滤波去噪 | 第19-20页 |
| 2.1.3 二值化处理 | 第20-21页 |
| 2.2 图像的区域定位 | 第21-22页 |
| 2.3 图像的倾斜校正 | 第22-24页 |
| 2.3.1 校正原理 | 第22-23页 |
| 2.3.2 Hough变换 | 第23-24页 |
| 2.4 图像的边缘检测与字符分割 | 第24-25页 |
| 2.4.1 图像的边缘检测 | 第24-25页 |
| 2.4.2 字符的分割 | 第25页 |
| 2.5 燃气表图像预处理的实验过程 | 第25-26页 |
| 2.6 燃气表图像读数区域特征提取方法研究 | 第26-31页 |
| 2.6.1 字符的特征提取方法 | 第27-30页 |
| 2.6.2 四种特征提取法结合的结果分析 | 第30-31页 |
| 2.7 本章小结 | 第31-32页 |
| 3 燃气表表盘数字字符特征属性约简 | 第32-39页 |
| 3.1 粗糙集理论产生及发展 | 第32页 |
| 3.2 粗糙集理论的基本理论 | 第32-34页 |
| 3.2.1 信息表知识表达系统 | 第32-33页 |
| 3.2.2 粗糙集基本概念 | 第33-34页 |
| 3.3 属性约简及常用算法 | 第34-38页 |
| 3.3.1 属性约简 | 第34-36页 |
| 3.3.2 属性约简的常用算法 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 量子粒子群算法及其改进 | 第39-48页 |
| 4.1 量子粒子群算法描述 | 第39-40页 |
| 4.1.1 量子粒子群算法模型 | 第40页 |
| 4.2 二进制量子粒子群算法 | 第40-42页 |
| 4.3 引入免疫算法和人工蜂群搜索算子改进量子粒子群算法 | 第42-46页 |
| 4.3.1 适应度函数的选取 | 第43-44页 |
| 4.3.2 粒子编码及初始化 | 第44页 |
| 4.3.3 改进量子粒子群约简算法的实现过程 | 第44-46页 |
| 4.4 基于改进量子粒子群约简算法的数据约简结果与分析 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 支持向量机理论及其识别 | 第48-62页 |
| 5.1 数字字符识别与统计学习理论 | 第48-50页 |
| 5.1.1 机器学习的分类问题统计学表述 | 第48-49页 |
| 5.1.2 经验风险最小化及其最小化原则 | 第49页 |
| 5.1.3 VC维和结构风险最小化 | 第49-50页 |
| 5.2 支持向量机 | 第50-55页 |
| 5.2.1 线性最优超平面 | 第50-51页 |
| 5.2.2 线性可分问题的解决方法 | 第51-53页 |
| 5.2.3 非线性分类的解决方法 | 第53页 |
| 5.2.4 C-支持向量机 | 第53-54页 |
| 5.2.5 多分类识别与核函数的选取 | 第54-55页 |
| 5.3 支持向量机参数优化 | 第55-58页 |
| 5.3.1 基于改进量子粒子群算法优化支持向量机参数适应度函数 | 第56页 |
| 5.3.2 基于改进量子粒子群算法优化支持向量机过程 | 第56-58页 |
| 5.4 基于改进的量子粒子群算法优化粗糙集和支持向量机表具识别结果分析与讨论 | 第58-61页 |
| 5.5 本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69-70页 |
| A. 作者在攻读学位期间发表的论文目录 | 第69页 |
| B. 作者在攻读学位期间参与的科研项目 | 第69页 |
| C. 燃气表识别系统实物 | 第69-70页 |
