| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题背景及意义 | 第9-11页 |
| 1.2 脱机手写体字符识别研究历史和现状 | 第11-12页 |
| 1.3 AOCR 难点和研究趋势 | 第12-15页 |
| 1.3.1 阿拉伯文字的基本特点 | 第12-14页 |
| 1.3.2 AOCR 难点 | 第14页 |
| 1.3.3 阿拉伯手写识别的研究趋势 | 第14-15页 |
| 1.4 文章组织结构及内容 | 第15-17页 |
| 第二章 脱机文字识别中关键技术分析 | 第17-35页 |
| 2.1 脱机文字识别系统简介 | 第17-18页 |
| 2.2 图像预处理技术 | 第18-23页 |
| 2.2.1 图像二值化 | 第18-20页 |
| 2.2.2 图像细化和轮廓化 | 第20页 |
| 2.2.3 噪声处理 | 第20-22页 |
| 2.2.4 倾斜矫正 | 第22-23页 |
| 2.3 图像分割 | 第23-27页 |
| 2.3.1 文档行分割 | 第24-25页 |
| 2.3.2 词分割 | 第25-26页 |
| 2.3.3 字符分割 | 第26-27页 |
| 2.4 特征提取 | 第27-31页 |
| 2.4.1 特征提取方法简介 | 第28页 |
| 2.4.2 结构特征提取 | 第28-30页 |
| 2.4.3 全局特征提取 | 第30页 |
| 2.4.4 局部特征提取 | 第30-31页 |
| 2.5 分类器的设计 | 第31-33页 |
| 2.5.1 距离分类器 | 第31-32页 |
| 2.5.2 人工神经网络分类器 | 第32-33页 |
| 2.5.3 支持向量机分类器 | 第33页 |
| 2.6 后处理 | 第33-34页 |
| 2.7 本章小结 | 第34-35页 |
| 第三章 人工神经网络 | 第35-43页 |
| 3.1 人工神经网络简介 | 第35-36页 |
| 3.2 感知器 | 第36页 |
| 3.3 前馈神经网络 | 第36-37页 |
| 3.4 反向传播算法 | 第37-40页 |
| 3.5 神经网络计算的优点 | 第40-41页 |
| 3.6 神经网络计算的限制 | 第41页 |
| 3.7 神经网络在 OCR 和 AOCR 中的应用 | 第41-43页 |
| 第四章 模式识别分类器的改进 | 第43-59页 |
| 4.1 粒子群优化算法 | 第43-49页 |
| 4.1.1 PSO 基本原理 | 第43-44页 |
| 4.1.2 微粒群算法流程 | 第44-45页 |
| 4.1.3 PSO 算法与遗传算法比较 | 第45-46页 |
| 4.1.4 优化性能测试 | 第46-49页 |
| 4.2 基于 PSO 的 BP 神经网络 | 第49-52页 |
| 4.2.1 PSO 优化 BP 神经网络的难点 | 第49-50页 |
| 4.2.2 PSO-BP 算法流程及仿真 | 第50-52页 |
| 4.3 极限学习训练方法 | 第52-54页 |
| 4.3.1 极限学习算法原理 | 第52-54页 |
| 4.3.2 ELM 网络训练 | 第54页 |
| 4.4 ELM 极限训练方法的性能分析 | 第54-59页 |
| 4.4.1 回归问题 | 第55-56页 |
| 4.4.2 实际回归问题 | 第56-57页 |
| 4.4.3 分类问题 | 第57-59页 |
| 第五章 脱机手写阿拉伯文字识别 | 第59-71页 |
| 5.1 脱机阿拉伯文字识别系统介绍 | 第59-60页 |
| 5.2 阿拉伯文字特征提取 | 第60-65页 |
| 5.2.1 有基线信息的特征提取 | 第60-61页 |
| 5.2.2 无基线信息的特征提取 | 第61-65页 |
| 5.3 AOCR 分类器参数设置 | 第65-66页 |
| 5.3.1 输入层神经元个数 | 第65页 |
| 5.3.2 输出层神经元个数 | 第65-66页 |
| 5.3.3 隐含层神经元个数 | 第66页 |
| 5.4 实验数据获取 | 第66-71页 |
| 5.4.1 IFN/ENIT 数据库 | 第66-68页 |
| 5.4.2 实验结果 | 第68-71页 |
| 第六章 总结展望 | 第71-73页 |
| 6.1 论文研究总结 | 第71页 |
| 6.2 未来研究方向 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士期间完成和录用相关文献列表 | 第78-79页 |
| 致谢 | 第79页 |