极限学习机在手写体数字识别中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-10页 |
| 图和附表清单 | 第10-12页 |
| 1 绪论 | 第12-19页 |
| 1.1 手写体数字识别概述 | 第12-13页 |
| 1.2 研究背景与研究意义 | 第13-14页 |
| 1.3 研究现状 | 第14-17页 |
| 1.4 目前研究的难点 | 第17-18页 |
| 1.5 本文的主要工作 | 第18-19页 |
| 2 手写体数字预处理 | 第19-27页 |
| 2.1 灰度化处理 | 第19-22页 |
| 2.1.1 加权平均法 | 第20页 |
| 2.1.2 平均值法 | 第20-21页 |
| 2.1.3 最大值法 | 第21-22页 |
| 2.2 二值化 | 第22-23页 |
| 2.3 膨胀腐蚀 | 第23-24页 |
| 2.3.1 膨胀 | 第23页 |
| 2.3.2 腐蚀 | 第23-24页 |
| 2.4 细化 | 第24-25页 |
| 2.5 图像校准与归一化 | 第25-27页 |
| 2.5.1 图像校准 | 第25-26页 |
| 2.5.2 图像归一化 | 第26-27页 |
| 3 特征提取及特征选择 | 第27-43页 |
| 3.1 特征提取 | 第27-37页 |
| 3.1.1 轮廓特征 | 第28-29页 |
| 3.1.2 傅立叶变换特征 | 第29-32页 |
| 3.1.3 十三点网格特征 | 第32-33页 |
| 3.1.4 hu 不变矩特征 | 第33-35页 |
| 3.1.5 粗网格特征与投影特征 | 第35-37页 |
| 3.2 特征选择 | 第37-42页 |
| 3.2.1 主成分分析的原理 | 第39-40页 |
| 3.2.2 主成分分析的计算步骤 | 第40-41页 |
| 3.2.3 主成分分析应用于手写体数字特征选择 | 第41-42页 |
| 3.3 本章小结 | 第42-43页 |
| 4 粒子群极限学习机 | 第43-51页 |
| 4.1 单隐含层前馈神经网络 | 第43-47页 |
| 4.1.1 单隐含层前馈神经网络的网络结构 | 第43-45页 |
| 4.1.2 单隐含层前馈神经网络的函数逼近 | 第45-46页 |
| 4.1.3 基于梯度的学习算法 | 第46-47页 |
| 4.2 极限学习机 | 第47-48页 |
| 4.3 粒子群极限学习机 | 第48-50页 |
| 4.3.1 粒子群算法 | 第48-49页 |
| 4.3.2 粒子群极限学习机算法 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 5 仿真实验 | 第51-65页 |
| 5.1 样本处理 | 第51-53页 |
| 5.2 分类器训练 | 第53-57页 |
| 5.2.1 极限学习机分类器 | 第53-55页 |
| 5.2.2 粒子群极限学习机分类器 | 第55-57页 |
| 5.3 仿真平台建立 | 第57-64页 |
| 5.3.1 系统实现环境 | 第58页 |
| 5.3.2 Maltlab GUI 简述 | 第58-60页 |
| 5.3.3 手写体数字识别处理流程 | 第60-64页 |
| 5.4 本章小结 | 第64-65页 |
| 6 总结与展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第70-71页 |
| 致谢 | 第71页 |
