BP神经网络改进及其在手写数字识别中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·研究背景及实际意义 | 第9-13页 |
| ·人工神经网络的历史及展望 | 第9-10页 |
| ·手写数字的应用 | 第10-11页 |
| ·手写体数字识别的研究现状 | 第11-13页 |
| ·本论文所做的工作 | 第13-15页 |
| 第2章 BP神经网络概述 | 第15-22页 |
| ·人工神经网络概述 | 第15-16页 |
| ·神经网络基本定义及特性 | 第15页 |
| ·学习规则和学习方式 | 第15-16页 |
| ·神经网络处理问题的能力 | 第16页 |
| ·BP神经网络原理及性能 | 第16-21页 |
| ·传统BP神经网算法原理 | 第17-19页 |
| ·BP算法的编程步骤 | 第19-20页 |
| ·传统的BP算法流程图 | 第20页 |
| ·BP 神经网络的优良性能 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第3章 BP神经网络的改进 | 第22-45页 |
| ·传统BP神经网络的缺陷 | 第22-23页 |
| ·结构内网络参数确定及改进 | 第23-30页 |
| ·初始权值选取 | 第23页 |
| ·隐层及隐节点选取 | 第23-26页 |
| ·目标误差界值 | 第26页 |
| ·学习速率确定 | 第26-28页 |
| ·激励函数改进 | 第28-29页 |
| ·性能函数确定 | 第29-30页 |
| ·基于梯度方法上的改进 | 第30-35页 |
| ·批处理方法 | 第30-32页 |
| ·采用动量项法 | 第32-33页 |
| ·模拟退火和柯西算法 | 第33-34页 |
| ·BI算法 | 第34-35页 |
| ·基于数值最优化的BP算法 | 第35-40页 |
| ·共轭梯度BP算法 | 第36页 |
| ·拟牛顿BP算法 | 第36-37页 |
| ·LM-BP算法 | 第37-40页 |
| ·几种BP改进算法的仿真结果比较 | 第40-44页 |
| ·识别问题描述 | 第40-42页 |
| ·网络训练部分 | 第42-43页 |
| ·网络测试部分 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第4章 数字识别部分 | 第45-66页 |
| ·神经网路模式识别概述 | 第45-47页 |
| ·预处理工作 | 第47-55页 |
| ·原始样本获取 | 第47-48页 |
| ·定位和切割 | 第48-49页 |
| ·归一化 | 第49-50页 |
| ·二值化 | 第50-51页 |
| ·平滑化 | 第51-52页 |
| ·去噪和细化 | 第52-55页 |
| ·特征选择和提取 | 第55-60页 |
| ·笔画动态特征 | 第56页 |
| ·有效行特征 | 第56-57页 |
| ·结构特征 | 第57-60页 |
| ·手写体数字的识别过程 | 第60-65页 |
| ·样本获取及处理 | 第60-61页 |
| ·网络建立 | 第61页 |
| ·训练和测试的性能比较 | 第61-65页 |
| ·本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读学位期间发表的学术论文 | 第70-72页 |
| 致谢 | 第72页 |
