| 第1章 绪论 | 第1-13页 |
| 1．1 智能交通系统(ITS)介绍 | 第9页 |
| 1．2 车牌字符识别技术的常用方法 | 第9-11页 |
| 1．2．1 传统模式识别技术 | 第10页 |
| 1．2．2 人工神经网络技术技术 | 第10-11页 |
| 1．3 统计学习理论和支持向量机 SVM | 第11-12页 |
| 1．4 作者在本文所作的工作 | 第12-13页 |
| 第2章 SVM原理 | 第13-33页 |
| 2．1 统计模式识别问题 | 第13-17页 |
| 2．1．1 机器学习的数学描述 | 第13-14页 |
| 2．1．2 VC维(Vapnik-Chervonenkis Dimension) | 第14-15页 |
| 2．1．3 推广性的界 | 第15-16页 |
| 2．1．4 结构风险最小(SRM) | 第16-17页 |
| 2．2 线性和广义线性判别函数 | 第17-21页 |
| 2．3 支持向量机 | 第21-32页 |
| 2．3．1 最优分类面(硬间隔) | 第21-25页 |
| 2．3．2 广义最优分类面(软间隔) | 第25-29页 |
| 2．3．3 高维空间中的最优分类面 | 第29-30页 |
| 2．3．4 支持向量机 SVM | 第30-31页 |
| 2．3．5 支持向量机的核函数 | 第31-32页 |
| 2．4 本章小节 | 第32-33页 |
| 第3章 SVM中的参数确定 | 第33-51页 |
| 3．1 推广能力的评价标准 | 第33-35页 |
| 3．2 SVM核函数选择 | 第35-36页 |
| 3．3 径向基函数 SVM的性能分析 | 第36-37页 |
| 3．4 参数C和σ的确定方法 | 第37-40页 |
| 3．5 PSO算法介绍 | 第40-49页 |
| 3．5．1 PSO算法概述 | 第40-45页 |
| 3．5．2 PSO算法实现 | 第45-49页 |
| 3．6 本章小节 | 第49-51页 |
| 第4章 车牌字符识别系统设计及实现 | 第51-79页 |
| 4．1 车牌字符识别系统的结构 | 第51-62页 |
| 4．1．1 特征提取 | 第52-53页 |
| 4．1．2 模型训练 | 第53-56页 |
| 4．1．3 多分类方法选取 | 第56-59页 |
| 4．1．4 存储参数 | 第59-60页 |
| 4．1．5 决策计算和判决 | 第60页 |
| 4．1．6 识别结果分析 | 第60-62页 |
| 4．2 单样本增量训练算法 | 第62-69页 |
| 4．3．1 基于原始训练样本的新增重新训练 | 第63-64页 |
| 4．3．2 基于支持向量 SV的新增重新训练 | 第64页 |
| 4．3．3 基于单个训练样本的新增追加训练 | 第64-66页 |
| 4．3．4 基于单个训练样本的新增重新训练 | 第66-69页 |
| 4．3 调整输出结果为置信度 | 第69-77页 |
| 4．3．1 置信度的定义和用途 | 第69页 |
| 4．3．2 置信度和广义置信度 | 第69-70页 |
| 4．3．3 分类器的广义置信度估计 | 第70页 |
| 4．3．4 广义置信度在 SVM分类器中的应用 | 第70-77页 |
| 4．4 字符识别系统的性能 | 第77页 |
| 4．5 本章小节 | 第77-79页 |
| 总结和展望 | 第79-80页 |
| 参考文献 | 第80-83页 |
| 攻读学位期间发表的论文 | 第83-84页 |
| 四川大学学位论文独创性声明 | 第84页 |
| 四川大学学位论文使用授权声明 | 第84-85页 |
| 致谢 | 第85页 |