首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于多算法集成和神经网络的汉字识别系统的研究

中文摘要第1-3页
英文摘要第3-8页
第一章 绪论第8-13页
 1.1 引言第8页
 1.2 汉字识别研究的发展历程第8-10页
 1.3 汉字识别技术研究现状及发展趋势第10-12页
 1.4 论文背景及研究的主要内容第12-13页
第二章 汉字识别系统总体结构的设计第13-25页
 2.1 系统硬件部分的设计第13-21页
  2.1.1 图像传感器第13-16页
  2.1.2 数据传输接口第16-20页
  2.1.3 图像压缩算法第20-21页
 2.2 系统软件部分的总体设计第21-25页
  2.2.1 汉字识别的基本方法第21-22页
  2.2.2 汉字识别(手写体)中存在的问题及困难第22页
  2.2.3 汉字识别系统软件部分的方案设计第22-25页
第三章 汉字识别中的图像预处理第25-37页
 3.1 概述第25-26页
 3.2 平滑去噪处理第26-27页
  3.2.1 模板操作第26-27页
  3.2.2 邻域平均法去噪处理第27页
 3.3 图像二值化第27-30页
  3.3.1 阀值法的基本原理第28页
  3.3.2 最大方差阀值设定法算法第28-30页
  3.3.3 最大方差阀值设定法的计算框图第30页
 3.4 汉字图像的倾斜校正第30-33页
  3.4.1 汉字图像自动倾斜校正的理论基础第30-32页
  3.4.2 汉字图像的自动倾斜校正算法第32-33页
 3.5 汉字图像的行字切分第33-35页
  3.5.1 行切分第33-34页
  3.5.2 字切分第34-35页
 3.6 汉字图像的归一化第35-36页
 3.7 二次平滑去噪处理第36-37页
第四章 汉字识别的粗分类算法第37-41页
 4.1 概述第37-38页
 4.2 粗分类算法的特征提取第38页
 4.3 粗分类的识别算法第38-40页
 4.4 粗分类中的学习过程第40-41页
第五章 汉字识别的细分类算法第41-72页
 5.1 概述第41-42页
 5.2 基于笔划密度特征的细分类算法第42-44页
  5.2.1 特征提取第42页
  5.2.2 基于笔划密度特征细分类器的识别算法第42-44页
  5.2.3 两分类器集成的独立性分析第44页
 5.3 基于神经网络的细分类算法第44-72页
  5.3.1 人工神经网络及BP网第44-47页
  5.3.2 特征提取第47-52页
   5.3.2.1 汉字的四方向分解第48-49页
   5.3.2.2 弹性网格的构造第49页
   5.3.2.3 弹性网格像素概率分布特征的提取第49-50页
   5.3.2.4 弹性网格像素概率分布特征提取实验第50-52页
  5.3.3 神经网络BP学习算法的实现第52-54页
  5.3.4 BP神经网络结构的设计第54-57页
  5.3.5 神经网络BP算法的改进第57-62页
   5.3.5.1 附加动量项法第58页
   5.3.5.2 自适应学习速率法第58-59页
   5.3.5.3 综合法第59-60页
   5.3.5.4 改进网络误差函数第60-62页
  5.3.6 神经网络的学习和训练第62-72页
   5.3.6.1 网络学习训练的准备工作第62-66页
   5.3.6.2 提高BP网络收敛速度的方法第66页
   5.3.6.3 BP神经网络在Matlab中的实现第66-69页
   5.3.6.4 仿真训练程序的编制第69-72页
第六章 汉字识别系统的后处理第72-75页
 6.1 引言第72-73页
 6.2 基于词匹配的后处理系统的基础工作第73-74页
  6.2.1 汉语词汇的统计特征第73-74页
  6.2.2 后处理系统中汉语词条库的设计第74页
 6.3 基于词匹配的后处理系统的实现第74-75页
第七章 实验结果与分析第75-80页
 7.1 汉字识别系统总体构成分析第75-76页
 7.2 实验结果及分析第76-80页
结束语第80-81页
致谢第81-82页
参考文献第82-84页

论文共84页,点击 下载论文
上一篇:中国林蛙卵油的抗惊厥作用
下一篇:部分多值逻辑中Sheffer函数的判定