| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-13页 |
| ·相关背景 | 第10-11页 |
| ·粒子群优化算法 | 第10页 |
| ·隐马尔可夫模型 | 第10-11页 |
| ·数字图像识别 | 第11页 |
| ·本文的研究目的、意义 | 第11-12页 |
| ·本文的组织方式 | 第12-13页 |
| 第二章 粒子群优化算法 | 第13-28页 |
| ·标准粒子群优化算法 | 第13-20页 |
| ·算法原理 | 第13-14页 |
| ·算法流程 | 第14-15页 |
| ·算法主要参数的作用 | 第15-16页 |
| ·粒子群的拓扑结构 | 第16-17页 |
| ·算法收敛性分析 | 第17-20页 |
| ·粒子群优化算法的优点与缺点 | 第20-21页 |
| ·粒子群优化算法的改进 | 第21-25页 |
| ·增加速度的惯性权重 | 第21-22页 |
| ·增加收敛因子 | 第22页 |
| ·离散二进制粒子群优化算法 | 第22页 |
| ·提高种群多样性 | 第22-24页 |
| ·与其它优化算法结合 | 第24页 |
| ·全信息粒子群 | 第24-25页 |
| ·粒子群优化算法的应用 | 第25-26页 |
| ·函数优化 | 第25-26页 |
| ·神经网络训练 | 第26页 |
| ·参数优化 | 第26页 |
| ·工程领域优化 | 第26页 |
| ·粒子群优化算法的发展展望 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 带极值扰动的自适应粒子群优化算法 | 第28-43页 |
| ·自适应粒子群优化算法的引入 | 第28页 |
| ·极值扰动 | 第28-29页 |
| ·自适应调整加速系数 | 第29-31页 |
| ·自适应调整惯性权重 | 第31页 |
| ·算法流程 | 第31-32页 |
| ·仿真实验与结果分析 | 第32-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 隐马尔可夫模型 | 第43-54页 |
| ·马尔可夫过程 | 第43页 |
| ·隐马尔可夫模型 | 第43-44页 |
| ·隐马尔可夫模型的基本元素 | 第44-45页 |
| ·隐马尔可夫模型的三个基本问题 | 第45-52页 |
| ·评价问题的解决:前向—后向(Forward-Backward Procedure)算法 | 第46-47页 |
| ·解码问题的解决:维特比(Viterbi)算法 | 第47-49页 |
| ·训练问题的解决:鲍姆—韦尔奇(Baum-Welch)算法 | 第49-51页 |
| ·多个观察值序列训练 | 第51-52页 |
| ·HMM的在模式识别领域的应用 | 第52-53页 |
| ·HMM用于语音识别 | 第52-53页 |
| ·HMM用于图像处理 | 第53页 |
| ·本章小结 | 第53-54页 |
| 第五章 基于粒子群优化算法的隐马尔可夫模型优化 | 第54-65页 |
| ·基于粒子群优化算法的隐马尔可夫模型优化的引入 | 第54页 |
| ·adPSO-HMM算法对HMM状态数的优化 | 第54-56页 |
| ·adPSO-HMM算法对HMM参数的优化 | 第56-57页 |
| ·adPSO-HMM算法的仿真实验 | 第57-64页 |
| ·本章小结 | 第64-65页 |
| 第六章 基于adPSO-HMM算法优化的HMM在识别MINST手写数字库的应用 | 第65-83页 |
| ·手写字符与手写体阿拉伯数字识别的发展和研究现状 | 第65-68页 |
| ·手写阿拉伯数字识别的意义 | 第66页 |
| ·手写阿拉伯数字识别的难点 | 第66-67页 |
| ·手写阿拉伯数字识别的一般方法 | 第67-68页 |
| ·基于HMM的手写数字识别方法 | 第68-79页 |
| ·学习和测试样本库的选择 | 第69-70页 |
| ·图像预处理——图像二值化 | 第70-72页 |
| ·图像预处理——基于数学形态学的提取骨架 | 第72-75页 |
| ·基于2D DCT的图像特征提取 | 第75-77页 |
| ·基于adPSO-HMM算法的HMM训练 | 第77-78页 |
| ·手写数字的识别 | 第78-79页 |
| ·实验结果与分析 | 第79-82页 |
| ·大样本识别实验 | 第79-80页 |
| ·小样本识别实验 | 第80-82页 |
| ·本章小结 | 第82-83页 |
| 第七章 全文总结 | 第83-85页 |
| 参考文献 | 第85-88页 |
| 攻读学位期间发表论文 | 第88-89页 |
| 致谢 | 第89页 |
