| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 1 绪论 | 第7-12页 |
| ·字符识别技术 | 第7-9页 |
| ·研究的对象和意义 | 第7页 |
| ·字符识别研究的历史与现状 | 第7-8页 |
| ·字符识别的难点和所面临的挑战 | 第8-9页 |
| ·支持向量机 | 第9-10页 |
| ·支持向量机简介 | 第9页 |
| ·支持向量机应用于字符识别 | 第9-10页 |
| ·论文的研究内容和组织结构 | 第10-12页 |
| 2 字符识别技术及预处理 | 第12-30页 |
| ·字符识别的原理和方法 | 第12-15页 |
| ·字符识别预处理 | 第15-29页 |
| ·图像灰度化 | 第15-16页 |
| ·基于脉冲点检测的灰度图像滤波 | 第16-19页 |
| ·二值化处理 | 第19-20页 |
| ·去除离散噪声 | 第20-21页 |
| ·倾斜校正 | 第21-24页 |
| ·字符分割 | 第24-25页 |
| ·字符图像的归一化 | 第25-26页 |
| ·字符的特征提取 | 第26-28页 |
| ·字符识别预处理结果 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 3 支持向量机理论 | 第30-44页 |
| ·支持向量机的理论基础 | 第30-34页 |
| ·机器学习理论发展 | 第30-32页 |
| ·VC维 | 第32页 |
| ·结构风险最小原则 | 第32-34页 |
| ·标准支持向量机 | 第34-38页 |
| ·最优分类面 | 第34-35页 |
| ·线性可分的情况 | 第35-36页 |
| ·近似线性可分情况 | 第36-37页 |
| ·非线性可分情况 | 第37-38页 |
| ·支持向量分类机(SVC) | 第38-40页 |
| ·C-支持向量分类机(C-SVC) | 第38-39页 |
| ·v-支持向量分类机(v-SVC) | 第39页 |
| ·v-支持向量分类机(v-SVC)与 C-支持向量分类机(C-SVC)的关系 | 第39-40页 |
| ·SVM中的核函数 | 第40-42页 |
| ·支持向量机常见算法 | 第42-43页 |
| ·Chunking算法 | 第42-43页 |
| ·Osuna算法 | 第43页 |
| ·SMO算法 | 第43页 |
| ·本章小结 | 第43-44页 |
| 4 基于按类分级聚类支持向量机(HCC-SVM)字符识别算法 | 第44-63页 |
| ·引言 | 第44-45页 |
| ·按类分级聚类( Hierarchical Clustering by Category , HCC) | 第45-52页 |
| ·基础定义 | 第45-48页 |
| ·HCC算法描述 | 第48-49页 |
| ·HCC算法分析 | 第49页 |
| ·HCC算法仿真 | 第49-52页 |
| ·按类分级聚类支持向量机(HCC-SVM)字符识别算法 | 第52-57页 |
| ·HCC-SVM描述 | 第52-54页 |
| ·HCC-SVM算法分析 | 第54-55页 |
| ·HCC-SVM算法仿真 | 第55-57页 |
| ·HCC-SVM算法参数的优化 | 第57-62页 |
| ·核函数对 HCC-SVM的影响 | 第58页 |
| ·惩罚因子 C对 HCC-SVM的影响 | 第58-60页 |
| ·参数v对 HCC-SVM的影响 | 第60-62页 |
| ·参数优化结论 | 第62页 |
| ·本章小结 | 第62-63页 |
| 5 总结与展望 | 第63-65页 |
| ·本文工作总结 | 第63-64页 |
| ·今后的研究工作展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-68页 |
