| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 概述 | 第10-11页 |
| 1.2 研究的背景 | 第11-12页 |
| 1.3 研究的意义 | 第12-13页 |
| 1.4 研究的难点 | 第13-14页 |
| 1.5 本文研究重点及论文内容安排 | 第14-16页 |
| 第2章 手写体汉字图像预处理 | 第16-24页 |
| 2.1 图像数字化处理 | 第16-18页 |
| 2.1.1 图像灰度化 | 第16-17页 |
| 2.1.2 图像二值化 | 第17-18页 |
| 2.2 平滑去噪处理 | 第18-19页 |
| 2.3 归一化处理 | 第19-21页 |
| 2.3.1 汉字切分 | 第19-20页 |
| 2.3.2 归一化模型 | 第20-21页 |
| 2.4 细化处理 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 脱机手写体汉字的特征提取 | 第24-34页 |
| 3.1 汉字特征提取标准 | 第24页 |
| 3.2 汉字特征提取方法 | 第24-28页 |
| 3.2.1 基于结构特征提取方法 | 第24-26页 |
| 3.2.2 基于统计特征提取方法 | 第26-27页 |
| 3.2.3 基于统计与结构相结合的特征提取方法 | 第27-28页 |
| 3.3 基于弹性网格的特征提取算法 | 第28-33页 |
| 3.3.1 弹性网格构造 | 第28-29页 |
| 3.3.2 基于汉字骨架特征的四方向分解算法 | 第29-31页 |
| 3.3.3 基于弹性网格方向像素概率分布特征的提取 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于极限学习机的汉字分类模型 | 第34-48页 |
| 4.1 人工神经网络 | 第34-35页 |
| 4.2 极限学习机 | 第35-39页 |
| 4.2.1 极限学习机理论 | 第35-37页 |
| 4.2.2 极限学习机的优势 | 第37-38页 |
| 4.2.3 基于极限学习机的汉字识别过程 | 第38-39页 |
| 4.3 基于极限学习的优化改进模型 | 第39-46页 |
| 4.3.1 投票机制 | 第39-41页 |
| 4.3.2 基于投票机制的极限学习机算法 | 第41-43页 |
| 4.3.3 最优投票极限学习机 | 第43-45页 |
| 4.3.4 针对混淆类的后处理方法 | 第45-46页 |
| 4.4 本章小结 | 第46-48页 |
| 第5章 脱机手写体汉字识别实验分析 | 第48-60页 |
| 5.1 极限学习机在MATLAB中的实现 | 第48-50页 |
| 5.2 实验环境与实验设计 | 第50-53页 |
| 5.2.1 实验环境 | 第50页 |
| 5.2.2 实验系统设计 | 第50-53页 |
| 5.3 实验结果与分析 | 第53-59页 |
| 5.3.1 训练时间与测试时间分析 | 第53-56页 |
| 5.3.2 ELM与OV-ELM性能对比分析 | 第56-57页 |
| 5.3.3 均匀网格与弹性网格性能对比分析 | 第57页 |
| 5.3.4 OV-ELM加入RCC后处理性能分析 | 第57-58页 |
| 5.3.5 实验结果 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66页 |