| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 选题背景及研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-19页 |
| 1.2.1 联机手写笔迹识别现状 | 第13-15页 |
| 1.2.2 手写文本识别现状 | 第15-18页 |
| 1.2.3 常用数据库 | 第18-19页 |
| 1.3 本文完成的工作 | 第19-20页 |
| 1.4 本文结构 | 第20-21页 |
| 第二章 相关理论与技术概述 | 第21-37页 |
| 2.1 引言 | 第21页 |
| 2.2 PATH-SIGNATURE介绍 | 第21-26页 |
| 2.2.1 Path-signature基础理论介绍 | 第21-25页 |
| 2.2.2 Path-signature在机器学习中的应用 | 第25-26页 |
| 2.3 深度学习方法概述 | 第26-35页 |
| 2.3.1 人工神经网络 | 第26-28页 |
| 2.3.2 卷积神经网络 | 第28-33页 |
| 2.3.3 递归神经网络 | 第33-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第三章 基于深度学习与PATH-SIGNATURE的联机手写汉字笔迹识别 | 第37-59页 |
| 3.1 引言 | 第37页 |
| 3.2 数据增强 | 第37-42页 |
| 3.2.1 基于DropStroke的数据增强算法 | 第38-39页 |
| 3.2.2 基于DropSegment的数据增强算法 | 第39-41页 |
| 3.2.3 其他数据增强技术 | 第41-42页 |
| 3.3 PATH-SIGNATURE特征提取 | 第42-45页 |
| 3.3.1 联机手写笔迹的Path-signature特征提取技术 | 第43-44页 |
| 3.3.2 Path-signature特征的可视化 | 第44-45页 |
| 3.4 基于卷积深度神经网络的联机手写笔迹识别系统 | 第45-50页 |
| 3.4.1 数据预处理与特征提取 | 第46-47页 |
| 3.4.2 基于得分平均的联机手写笔迹识别决策算法 | 第47-48页 |
| 3.4.3 端到端的联机手写笔迹识别系统 | 第48-50页 |
| 3.5 基于递归神经网络的联机手写笔迹识别 | 第50-53页 |
| 3.5.1 数据预处理与特征提取 | 第50-52页 |
| 3.5.2 基于递归神经网络的联机汉字笔迹识别系统 | 第52-53页 |
| 3.6 实验结果及分析 | 第53-58页 |
| 3.6.1 基于CNN的联机手写汉字笔迹识别结果 | 第53-56页 |
| 3.6.2 基于RNN的联机手写汉字笔迹识别结果 | 第56-58页 |
| 3.7 本章小结 | 第58-59页 |
| 第四章 基于递归神经网络的无约束联机手写中文文本识别 | 第59-75页 |
| 4.1 引言 | 第59-60页 |
| 4.2 无约束手写中文文本数据增强技术 | 第60-63页 |
| 4.2.1 无约束手写文本定义 | 第61页 |
| 4.2.2 无约束手写文本合成的数据增强方法 | 第61-63页 |
| 4.3 联机手写文本行识别系统 | 第63-69页 |
| 4.3.1 数据预处理 | 第65-66页 |
| 4.3.2 多层蒸馏门控递归神经网络(MLD-GRU) | 第66-67页 |
| 4.3.3 CTC | 第67-68页 |
| 4.3.4 语言模型 | 第68-69页 |
| 4.4 实验结果及分析 | 第69-74页 |
| 4.4.1 实验数据 | 第69页 |
| 4.4.2 实验设置 | 第69-70页 |
| 4.4.3 蒸馏门控递归神经网络和样本合成技术的影响 | 第70页 |
| 4.4.4 多风格的合成无约束文本行样本实验 | 第70-72页 |
| 4.4.5 与已发表方法结果的对比 | 第72-74页 |
| 4.5 本章小结 | 第74-75页 |
| 总结与展望 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士学位期间取得的研究成果 | 第83-85页 |
| 致谢 | 第85-86页 |
| 附件 | 第86页 |
