基于LVQ神经网络的脱机手写数字识别研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| ·引言 | 第10页 |
| ·手写数字字符识别的背景 | 第10-11页 |
| ·手写数字字符识别的应用场合 | 第11-12页 |
| ·手写数字识别在商业市场中的应用 | 第11-12页 |
| ·手写数字识别数据统计方面的应用 | 第12页 |
| ·手写数字识别在分拣邮件中的应用 | 第12页 |
| ·手写数字字符识别的研究现状 | 第12-15页 |
| ·模板匹配法 | 第13页 |
| ·统计模式法 | 第13页 |
| ·句法结构法 | 第13-14页 |
| ·模糊识别法 | 第14页 |
| ·逻辑推理法 | 第14页 |
| ·神经网络模式识别法 | 第14-15页 |
| ·手写数字字符识别的发展前景 | 第15页 |
| ·本文的研究工作及内容安排 | 第15-17页 |
| ·选题意义 | 第15-16页 |
| ·论文主要研究内容 | 第16页 |
| ·论文章节安排 | 第16-17页 |
| 第二章 数字识别的预处理与特征提取 | 第17-26页 |
| ·字符识别概述 | 第17-18页 |
| ·图像预处理 | 第18-21页 |
| ·灰度化 | 第18页 |
| ·二值化 | 第18-19页 |
| ·平滑去噪 | 第19-21页 |
| ·图像的归一化 | 第21页 |
| ·字符细化 | 第21页 |
| ·特征提取的方法及实现 | 第21-24页 |
| ·手写体特征的征集 | 第22页 |
| ·统计特征提取 | 第22-23页 |
| ·结构特征提取 | 第23-24页 |
| ·本文采用的特征提取方法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 人工神经网络基本原理与模型 | 第26-36页 |
| ·人工神经网络的生物学启示 | 第26-27页 |
| ·神经元模型与网络结构 | 第27-31页 |
| ·神经元模型 | 第27-28页 |
| ·神经元网络结构 | 第28-31页 |
| ·人工神经网络 | 第31-34页 |
| ·人工神经网络发展史 | 第31-32页 |
| ·三种典型的人工神经网络拓扑结构 | 第32-34页 |
| ·人工神经网络在模式识别方面的应用 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于 LVQ 神经网络的手写数字识别设计 | 第36-47页 |
| ·LVQ 神经网络概述 | 第36-41页 |
| ·联想学习规则与竞争网络 | 第36-38页 |
| ·LVQ 神经网络结构模型 | 第38-39页 |
| ·LVQ 神经网络学习算法 | 第39-41页 |
| ·基于 LVQ 神经网络的手写数字识别系统流程 | 第41-42页 |
| ·基于 LVQ 神经网络手写数字识别实现 | 第42-44页 |
| ·LVQ 神经网络设计 | 第43-44页 |
| ·LVQ 神经网络训练 | 第44页 |
| ·传统 BP 神经网络算法设计 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 实验结果与分析 | 第47-52页 |
| ·实验结果 | 第47-50页 |
| ·测试系统性能的评价标准 | 第47页 |
| ·识别精度测试与比较 | 第47-50页 |
| ·实验结果分析 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| ·全文总结 | 第52-53页 |
| ·本文的创新 | 第53页 |
| ·展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 附录 A （攻读硕士学位期间发表论文目录） | 第59-60页 |
| 附录 B （攻读硕士学位期间参与项目） | 第60页 |
