| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-16页 |
| ·引言 | 第12页 |
| ·课题研究现状 | 第12-14页 |
| ·本论文的主要工作 | 第14-15页 |
| ·特征提取 | 第14页 |
| ·集成神经网络算法 AdaBoosting | 第14页 |
| ·SVM 折半分类 | 第14页 |
| ·二级分类器 | 第14-15页 |
| ·论文结构与内容 | 第15-16页 |
| 第二章 手写数字识别的特征提取 | 第16-24页 |
| ·图像特征提取 | 第16-21页 |
| ·首个黑点位置 | 第16页 |
| ·图像的方向特征 | 第16-17页 |
| ·图像的黑白点变化次数 | 第17页 |
| ·图像的重心以及重心矩 | 第17页 |
| ·投影特征 | 第17-18页 |
| ·轮廓特征 | 第18-20页 |
| ·Kirsch 算子 | 第20页 |
| ·像素分布特征 | 第20页 |
| ·二维离散傅里叶变换特征 | 第20-21页 |
| ·特征选择与压缩 | 第21-23页 |
| ·主成分分析提取特征 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 基于 AdaBoosting 算法集成优化概率神经网络 | 第24-34页 |
| ·集成神经网络算法 | 第24-25页 |
| ·优化个体方法 | 第24-25页 |
| ·结论生成方法 | 第25页 |
| ·图像主成分特征分析 | 第25-27页 |
| ·二维主成分特征提取 | 第25-26页 |
| ·优化2DPCA | 第26-27页 |
| ·AdaBoosting 集成算法 | 第27-28页 |
| ·优化 AdaBoosting 集成神经网络分类器 | 第28-32页 |
| ·网格扫描提取向量 | 第28-29页 |
| ·优化的 AdaBoosting 集成算法 | 第29-30页 |
| ·优化 AdaBoosting 算法实现 | 第30-31页 |
| ·算法测试 | 第31-32页 |
| ·实验结果与分析 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于支持向量机的手写数字识别 | 第34-56页 |
| ·手写数字识别中的支持向量机算法 | 第34-37页 |
| ·成对分类 | 第34-35页 |
| ·一类对余类 | 第35页 |
| ·基于折半查找的 SVM | 第35-36页 |
| ·三种分类算法的性能比较 | 第36-37页 |
| ·基于改进的主成分分析提取样本特征 | 第37-42页 |
| ·增量主成分分析算法 | 第37-41页 |
| ·基于核变换的主成分分析 | 第41-42页 |
| ·建立HAH 决策分类树 | 第42-47页 |
| ·K 均值算法 | 第42-43页 |
| ·粒子群优化聚类算法 | 第43-46页 |
| ·核聚类算法 | 第46-47页 |
| ·HAH 算法实现 | 第47-51页 |
| ·增量核主成份分析法 | 第47-49页 |
| ·基于粒子群优化的核聚类算法 | 第49-51页 |
| ·验证折半分类 SVM 分类器性能 | 第51-52页 |
| ·OVO 算法实现 | 第51-52页 |
| ·OVA 算法实现 | 第52页 |
| ·算法性能测试 | 第52-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 基于神经网络与支持向量机的二级手写数字识别算法 | 第56-62页 |
| ·引言 | 第56页 |
| ·二级手写数字识别系统设计实现 | 第56-58页 |
| ·训练样本以及测试样本的获得 | 第58页 |
| ·集成神经网络分类器 | 第58-59页 |
| ·集成神经网络分类器构造 | 第58页 |
| ·优化 AdaBoosting 算法搭建集成神经网络 | 第58-59页 |
| ·折半分类SVM 分类器 | 第59页 |
| ·生成 SVM 分类器 | 第59页 |
| ·训练 SVM 分类器 | 第59页 |
| ·系统测试验证 | 第59-62页 |
| 总结与展望 | 第62-64页 |
| 全文工作总结 | 第62-63页 |
| 未来工作展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68页 |
