基于人工智能机器学习的文字识别方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-14页 |
| ·文字识别算法国内外研究发展现状 | 第11-12页 |
| ·本文主要内容及结构安排 | 第12-14页 |
| 第二章 文字识别系统方案设计 | 第14-20页 |
| ·字形结构识别 | 第14页 |
| ·统计决策识别 | 第14-16页 |
| ·基于机器学习的文字识别方法 | 第16-18页 |
| ·本文方案 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 预处理及字符分割 | 第20-34页 |
| ·字符图像预处理 | 第20-28页 |
| ·滤波 | 第20-23页 |
| ·倾斜校正 | 第23-28页 |
| ·字符分割 | 第28-32页 |
| ·字符图像归一化 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 特征提取 | 第34-49页 |
| ·特征设计 | 第34-35页 |
| ·空间分布特征 | 第35-37页 |
| ·笔画密度特征 | 第37-39页 |
| ·小波能量分布特征 | 第39-48页 |
| ·小波变换定义 | 第39-40页 |
| ·小波变换特点 | 第40-42页 |
| ·二维离散小波变换 | 第42-43页 |
| ·几种常用小波基 | 第43-45页 |
| ·字符图像小波特征提取 | 第45-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 分类器训练与识别 | 第49-67页 |
| ·机器学习理论概述 | 第49-51页 |
| ·机器学习的分类 | 第50-51页 |
| ·学习器与分类器 | 第51页 |
| ·BP 神经网络 | 第51-56页 |
| ·BP 神经网络算法原理 | 第52-54页 |
| ·BP 神经网络优缺点 | 第54-56页 |
| ·支持向量机 | 第56-61页 |
| ·结构风险最小原则 | 第57-59页 |
| ·支持向量机原理 | 第59-61页 |
| ·多类支持向量机 | 第61-62页 |
| ·文字识别系统分类器构建与实现 | 第62-65页 |
| ·文字识别性能分析 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-70页 |
| ·本文工作总结 | 第67-68页 |
| ·展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 攻读硕士期间取得的研究成果 | 第74-75页 |
