一种改进的支持向量机在手写体汉字识别中的研究与应用
| 目录 | 第1-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9-11页 |
| 插图索引 | 第11-12页 |
| 附表索引 | 第12-13页 |
| 第1章 绪论 | 第13-23页 |
| ·论文研究的背景和意义 | 第13-15页 |
| ·国内外研究现状 | 第15-20页 |
| ·光学字符识别的研究历史 | 第15-16页 |
| ·汉字识别的研究现状 | 第16-17页 |
| ·汉字识别技术的新阶段和新进展 | 第17-19页 |
| ·支持向量机研究现状 | 第19-20页 |
| ·汉字识别的问题和困难 | 第20-21页 |
| ·论文的主要工作 | 第21-22页 |
| ·论文的结构 | 第22-23页 |
| 第2章 手写汉字识别技术综述 | 第23-36页 |
| ·OCR识别的一般步骤 | 第23页 |
| ·预处理技术 | 第23-26页 |
| ·二值化 | 第23-25页 |
| ·平滑 | 第25页 |
| ·细化 | 第25-26页 |
| ·特征提取 | 第26-30页 |
| ·特征提取的意义 | 第26-27页 |
| ·常用的特征提取方法 | 第27-30页 |
| ·分类识别 | 第30-34页 |
| ·常用分类器 | 第30-34页 |
| ·多分类器的集成 | 第34页 |
| ·后处理 | 第34-35页 |
| ·基于词典的方法 | 第34页 |
| ·基于概率统计的方法 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第3章 支持向量机理论 | 第36-46页 |
| ·机器学习的基本方法 | 第36-38页 |
| ·学习问题的一般表示 | 第36-37页 |
| ·经验风险最小化原则 | 第37-38页 |
| ·模型复杂度与推广能力 | 第38页 |
| ·统计学习理论的基本思想 | 第38-40页 |
| ·VC维 | 第38-39页 |
| ·泛化误差的边界 | 第39-40页 |
| ·结构风险最小化原理 | 第40页 |
| ·支持向量机 | 第40-44页 |
| ·线性可分问题 | 第41-42页 |
| ·近似线性可分问题 | 第42-43页 |
| ·非线性可分问题 | 第43-44页 |
| ·算法实现 | 第44-45页 |
| ·选块算法(Chunking) | 第44页 |
| ·分解算法(Decomposing) | 第44-45页 |
| ·序贯最小优化算法(SMO) | 第45页 |
| ·本章小结 | 第45-46页 |
| 第4章 基于 GA-SVMs的手写体汉字识别 | 第46-59页 |
| ·遗传算法 | 第46-52页 |
| ·基本遗传算法的思想 | 第46-47页 |
| ·基本遗传算法的结构 | 第47页 |
| ·遗传算法的实现 | 第47-51页 |
| ·遗传算法的特点 | 第51-52页 |
| ·基于 GA-SVMs的手写体汉字识别 | 第52-57页 |
| ·利用遗传算法进化搜索SVM最优参数 | 第52-55页 |
| ·遗传算法的结构 | 第53-54页 |
| ·遗传算法的实现 | 第54-55页 |
| ·用正态树形层次集成 SVM | 第55-57页 |
| ·GA-SVMs与其他已有方法的比较分析 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第5章 手写体汉字识别系统的设计与实现 | 第59-66页 |
| ·系统模型 | 第59页 |
| ·系统实现 | 第59-63页 |
| ·预处理 | 第59-61页 |
| ·去噪及平滑 | 第60页 |
| ·二值化 | 第60页 |
| ·版面分析 | 第60页 |
| ·规范化 | 第60-61页 |
| ·细化 | 第61页 |
| ·特征提取 | 第61-62页 |
| ·分类器 | 第62-63页 |
| ·开发平台及系统界面 | 第63-64页 |
| ·系统开发平台 | 第63页 |
| ·系统界面 | 第63-64页 |
| ·实验结果 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 1. 主要工作 | 第66页 |
| 2. 进一步研究的方向 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 附录A 攻读学位期间发表的学术论文 | 第72页 |
