基于粗糙集理论和神经网络的图像识别系统
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·选题意义及研究背景 | 第9页 |
| ·图象识别的应用领域 | 第9-10页 |
| ·图象识别及分类技术的研究现状 | 第10-11页 |
| ·发展趋势 | 第11页 |
| ·论文研究的主要内容 | 第11-13页 |
| 第二章 图像识别原理介绍 | 第13-22页 |
| ·图像识别的概念 | 第13-14页 |
| ·图像识别的主要方法 | 第14-21页 |
| ·统计模式的识别方法 | 第14-15页 |
| ·基于结构语句的识别方法 | 第15-17页 |
| ·基于模糊集理论的识别方法 | 第17-19页 |
| ·模糊集模式识别方法 | 第18-19页 |
| ·神经网络识别法 | 第19-21页 |
| ·小结 | 第21-22页 |
| 第三章 粗糙集理论在图像识别中的应用 | 第22-34页 |
| ·粗糙集理论的研究现状和内容 | 第22-23页 |
| ·粗糙集理论的基本概念 | 第23-25页 |
| ·数据表知识表达系统 | 第23页 |
| ·可分辨矩阵 | 第23-24页 |
| ·粗糙集的上下近似 | 第24-25页 |
| ·知识系统的简化 | 第25-30页 |
| ·知识的简化 | 第25-26页 |
| ·知识的相对简化 | 第26页 |
| ·范畴的简化 | 第26-27页 |
| ·范畴的相对简化 | 第27页 |
| ·知识的依赖性 | 第27-28页 |
| ·知识表达系统属性的简化 | 第28-29页 |
| ·知识表达系统决策规则的简化 | 第29-30页 |
| ·粗糙集理论在图像识别中的研究 | 第30页 |
| ·实例分析 | 第30-32页 |
| ·小结 | 第32-34页 |
| 第四章 神经网络在图像识别中的应用 | 第34-49页 |
| ·人工神经网络的历史背景 | 第34-37页 |
| ·神经网络的研究现状 | 第34-35页 |
| ·基于神经网络的图像识别的特点 | 第35-36页 |
| ·神经网络应用于图像识别技术的现状 | 第36-37页 |
| ·常见的神经网络 | 第37-38页 |
| ·BP 神经网络的算法研究 | 第38-43页 |
| ·反向传播算法 | 第38-41页 |
| ·BP 网络性能分析 | 第41-42页 |
| ·改进的BP 算法 | 第42-43页 |
| ·BP 神经网络设计 | 第43-45页 |
| ·网络信息容量与训练样本数 | 第43页 |
| ·网络层数的确定 | 第43-44页 |
| ·设计隐层节点数 | 第44页 |
| ·选取初始权值 | 第44-45页 |
| ·学习速率 | 第45页 |
| ·选择期望误差 | 第45页 |
| ·神经网络在图像识别中的基本思想 | 第45-48页 |
| ·神经网络图像识别技术实现 | 第46页 |
| ·实例分析与Matlab 仿真 | 第46-48页 |
| ·小结 | 第48-49页 |
| 第五章 基于粗糙集理论和神经网络的图像识别 | 第49-67页 |
| ·粗糙集和神经网络结合的可能性 | 第49-50页 |
| ·粗糙集和神经网络结合的研究现状 | 第50-53页 |
| ·粗糙集-神经网络图像识别系统模型 | 第53-54页 |
| ·基于粗糙集-神经网络的手写体数字识别系统 | 第54-63页 |
| ·图像预处理 | 第56-58页 |
| ·图像特征提取及本文特征提取 | 第58-59页 |
| ·特征值的离散化 | 第59页 |
| ·属性约简 | 第59-60页 |
| ·神经网络的设计 | 第60-61页 |
| ·学习算法 | 第61-62页 |
| ·试验数据分析和Matlab 仿真 | 第62-63页 |
| ·集神经网络训练结果分析 | 第63-66页 |
| ·小结 | 第66-67页 |
| 第六章 结论与展望 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间发表的学术论文及研究成果 | 第75-76页 |
