一、基于细识别的脱机手写体汉字识别的集成（论文文献综述）
王建平,王光新,李帷韬,宋程楠[1]（2019）在《基于仿反馈机制的脱机手写体汉字认知模型》文中研究说明针对已有认知模型面对不同样本采用相同认知需求和固定双树复小波变换（Dual-Tree Complex Wavelet Transform,DTCWT）特征空间的缺陷,仿人面对不同认知需求时自适应调节特征空间反复推敲比对的认知特点,探索一种具有仿反馈调节机制的脱机手写体汉字智能认知模型。首先,提出了一种具有仿反馈调节机制的智能认知模型;第二,分析脱机手写体汉字样本的认知需求,构建不同认知需求下的优化DTCWT特征子空间与分类认知准则;第三,定义认知结果评价准则,通过分析未认知样本的认知需求,自适应调节新认知需求下优化特征子空间和分类认知准则,集成多认知需求下的优化特征子空间构建优化压缩DTCWT特征空间。对GB2312-80手写体汉字样本库进行仿真实验,实验结果表明该方法的优越性。
刘雪景[2]（2018）在《基于变精度反馈结构的脱机手写体汉字智能认知方法研究》文中研究指明脱机手写体汉字图像认知由于其汉字字形种类繁多、相似字的存在、书写习惯因人而异等特点,是模式识别方向的热点,也是难题之一。本文基于变精度粗糙集模型,构建了脱机手写体汉字认知决策信息系统,研究了该模型中认知精度与分类效果之间的关系,提出了一种变精度反馈智能认知机制,以降低脱机手写体汉字认知系统的复杂度并提高认知准确率。本文的主要工作如下:1.探索了一种脱机手写体汉字认知决策信息系统的构建方法。分析汉字各种特征模式,基于变精度粗糙集理论,建立了有限论域以及有监督学习方式的脱机手写体汉字认知决策信息系统,给出了多特征信息组合时认知知识充分性判据,构建了有限论域下认知信息充分性表征的脱机手写体汉字认知决策信息系统。2.建立了一种基于变精度粗糙集的脱机手写体汉字特征属性约简方法。定义了基于信息量重要度和近似依赖度重要加权的特征分类能力性能指标,并给出了基于该特征分类能力的汉字特征属性约简算法,获取不同认知精度下的简约特征集合。3.提出了一种脱机手写体汉字变精度反馈认知机制。建立了基于熵测度的汉字认知结果评价指标,定义了汉字认知结果误差熵,并给出了基于结果评价的认知精度变换规则,获取脱机手写体汉字认知过程中最优简约特征集,从而降低认知系统复杂度及提高认知准确率。4.探索了一种脱机手写体汉字认知规则融合方法。针对脱机手写体汉字认知过程中的不确定性,对于没有规则完全匹配的样本拒识问题,设计了一种具有两层分类器的分类器组对认知规则进行融合,获取汉字真实属性,降低拒识率。为了验证提出方法的可行性和有效性,采用了 GB23122-80中文字符库中的手写体汉字图像样本数据库进行验证,采用Matlab仿真表明,该方法有效地提高了脱机手写体汉字认知准确率。
宋程楠[3]（2017）在《不确定结果性能指标约束的脱机手写体汉字图像反馈智能认知模型及其运行机制研究》文中指出脱机手写体汉字图像识别是人工智能领域的研究热点,具有广泛的理论研究价值和应用前景。由于脱机手写体汉字图像存在的书写风格因人而异、书写变形等特点,针对传统单层单向开环认知模式性能难以令人满意的问题,本文模拟人类从全局到局部反复推敲比对交互的认知模式,探索了一种具有反馈调整机制的多认知方法融合的脱机手写体汉字图像智能认知模型,以期提高脱机手写体汉字图像的识别率。本文的主要工作如下:（1）脱机手写体汉字图像的智能认知决策信息系统模型研究。针对脱机手写体汉字图像的决策信息系统尚无统一描述的问题,基于粗糙集理论,引入脱机手写体汉字图像的真实决策属性信息,从信息论的角度建立多层面特征表征的脱机手写体汉字图像的认知智能决策信息系统模型。（2）脱机手写体汉字图像智能认知系统架构研究。基于结构和统计特征提取方法、集成随机权向量函数连接网络和模糊积分,获取脱机手写体汉字图像的多层面特征空间数据结构、具有集成结构的分类认知准则和融合认知方法,克服了传统认知系统基于单一方法构建固定片面特征空间和分类认知准则的缺陷。（3）不确定认知结果评价体系的定义及其计算模型研究。针对目前后验概率评价认知结果可信度的方法无法在线实时测评认知结果的问题,基于广义误差理论和广义熵理论,模拟人类认知事物时先粗比对后细比对的过程,定义了一种广义认知结果相似度熵测度指标,为反馈认知智能运行机制提供了可量化的依据。（4）不确定认知结果测度指标约束的反馈认知智能运行机制研究。针对传统认知系统单向开环方式与人类认知事物时从全局到局部反复推敲比对的信息交互过程存在着显着差异的问题,构建具有反馈模式的脱机手写体汉字图像不确定认知结果性能测度指标约束的认知智能运行机制,基于广义认知结果相似度建立了多层面特征空间层间调节与层内寻优的调整机制。为了验证所提出的智能认知模型的优越性,本文选用GB23122-80标准简体手写中文字符库,采用MATLAB仿真对本文方法的可行性和有效性进行了验证。实验结果表明,平均认知正确率达到了93.78%,较传统开环认知方法和基于固定认知方法的闭环认知方法性能更优,为实现脱机手写体汉字图像的“机器识字”奠定了基础。
陈克琼[4]（2017）在《不确定信息认知对象的仿反馈认知智能机制与计算模型研究》文中认为模拟人的意识、思维过程是一门极富挑战性的科学。本文针对传统认知系统单向开环方式与人类认知事物反复推敲比对的信息交互过程存在显着差异问题,面对认知系统中可识别率与正确率不可在线实时测评的工程难题,探讨了不确定信息认知对象建模、广义认知误差度量和仿反馈调节机制三位一体的仿人认知智能新研究方法。基于粗糙集理论,探索建立不确定信息认知对象的模式化结构模型和运行机制。基于广义误差理论与熵理论,探索建立广义认知误差的多层次变粒度熵函数形式测度指标评价体系。基于反馈控制思想和认知知识粒度计算工具,探索建立具有仿反馈模式的认知智能运行机制。力图对一类不确定信息认知对象和不确定认知过程效果与认知结果的认知智能系统建立仿人反复推敲比对思维信息交互模式的认知智能机制与计算模型,这对于人工智能学科的发展具有拓展意义。本文取得的主要研究成果如下:（1）不确定信息认知对象仿反馈认知智能系统的结构与运行机制研究。构建一种仿人认知事物粗推敲细比对反复交互模式的三层三段互耦合仿反馈认知智能系统的结构模式与运行机制,给出了仿反馈认知智能系统的构建目标,规范了功能要求和运行机制,为建立不确定信息认知对象的仿反馈认知智能系统提供了模式化结构的构建方法。（2）不确定信息认知对象的认知智能决策信息系统模型研究。针对目前学术界普遍认为不存在能够适应于各种数据的通用知识获取方法问题,构建了基于粗糙集的不确定信息认知对象的多信息融合有监督学习认知智能决策信息系统,给出了基于特征简约的认知知识融合充分性和可分类性熵函数形式测度指标,在有限论域的不确定信息条件下,为不确定信息认知对象的认知知识优化表征提供了普适性的认知智能决策信息系统模型。（3）不确定认知过程效果与认知结果的广义认知误差评价体系研究。针对目前学术界普遍采用后验评价认知结果可信度方法不能满足认知系统中可识别率与正确率的在线实时测评问题,构建了不确定信息认知对象和不确定认知过程效果与认知结果的认知误差信息系统,定义了基于熵函数形式测度指标的不确定认知过程效果与认知结果误差熵、不确定认知过程效果与认知结果误差熵序列相似度和认知知识粒度误差三种广义认知误差,建立了不确定认知过程效果与认知结果可信度在线实时测评体系,为仿反馈认知智能调节机制提供了量化标准。（4）不确定信息认知对象的仿反馈认知智能机制研究。针对传统认知系统单向开环方式与人类认知事物反复推敲比对的信息交互过程存在显着差异问题,构建了基于广义认知误差在线实时度量的仿反馈认知智能调节机制,定义了仿反馈认知知识粒度调节规则与计算方法,建立了多层次变知识粒度的层间调节与层内寻优模式,实现对不确定信息认知对象的变知识粒度的仿反馈认知智能调节机制,为模仿人类认知事物反复推敲比对的信息交互过程提供了一种智能认知机制。（5）单目标完全状态的脱机手写体汉字图像的机器认知应用验证研究。针对手写体汉字数量大,字体字型繁多,相似字多,书写风格各异等识别难题,基于本文提出的仿反馈认知智能方法,研究了具有认知知识粒度智能调节机制的脱机手写体汉字图像仿反馈认知智能系统。选用SCUT-IRAC HCCLIB手写体汉字图像样本库的多类汉字样本图像作为认知对象,进行了仿真实验以验证本方法的可行性与有效性。实验结果表明,本文方法较传统单向开环方法具有明显优势,为实现对脱机手写体汉字图像的“机器识字”代替“人工识字”探索了一种实践应用新方法。（6）多目标较完全状态的工业回转窑烧成状态的机器认知应用验证研究。针对工业环境复杂所导致采集的样本数据性能较差问题,基于本文提出的仿反馈认知智能方法,研究了基于火焰图像的工业回转窑烧成状态仿反馈认知智能系统。选用东北大学流程工业综合自动化国家重点实验室提供的某水泥厂2#回转窑烧成带火焰图像样本和测量数据,采用MATLAB仿真实验验证本方法的可行性与有效性。实验结果表明,本文方法能够从宏观到微观挖掘火焰图像特征知识并反复认知决策面附近的样本,为实现水泥烧结过程监控和基于熟料质量闭环控制的“机器看火”取代“人工看火”探索了一种工程应用新方法。（7）多目标不完全状态的人体健康状态评测的机器认知应用验证研究。针对人群样本非均质性、人体特征多样性和人体特征值随机性等问题,基于本文提出的仿反馈认知智能方法,研究了基于变认知知识粒度的人体健康状态仿反馈认知智能系统。选用中国科学院智能机械研究所提供的随机人群生物电阻抗信号样本,采用MATLAB仿真实验以验证本方法的可行性与有效性。实验结果表明,本文方法能够在不同认知知识粒度层次中表征健康知识并模糊匹配健康指标,为客观准确地评测人体健康状态的“机器诊断”取代“人工诊断”探索了一种实际应用新方法。（8）单目标不完全状态的全天候光伏发电智能认知跟踪控制应用验证研究。针对天气环境的非线性、非平稳性、大间歇性和随机性导致的光伏电池跟踪控制难题,基于本文提出的仿反馈认知智能方法,研究了全天候光伏发电智能认知跟踪控制系统,并给出了基于全景图像变粒度仿反馈认知太阳位置的计算方法。采用平板型和聚光型等多种光伏电池组件及其伺服机构,开展了实验研究以验证本文方法的可行性与有效性。实验结果表明,本文的三层三段光伏发电智能认知跟踪控制系统模型能够基于风、雪、白天、黑夜、阴/雨和晴/多云等环境与系统状态的认知知识执行相应的控制策略并在晴/多云跟踪控制中基于准确计算太阳方位提高光伏效能,为实现光伏发电系统的高效、节能和安全运行探索了一种智能化控制应用新方法。
宁博[5]（2014）在《手写体汉字识别实验平台及笔划网格特征提取方法的研究》文中提出脱机手写体汉字识别研究是一个涉及多种学科的课题。手写体汉字的数量巨大、类别繁多、结构复杂、以及书写风格差异性等特点，使其在模式识别广阔的研究领域中，成为一个极其富有挑战性的课题。建立一个统一的脱机手写体汉字识别实验平台是对手写体汉字识别研究方法进行客观分析、评价的重要方式和手段。本文设计和构建了一个脱机手写体汉字识别实验平台。并在实验平台基础上对汉字识别相关算法进行了深入的研究。研究的主要内容如下：1.手写体汉字识别的实验平台。首先对手写体汉字样本库进行了研究，介绍了样张的设计和采集，样本库构建流程以及样本信息的组织方式，构建了一个标准的手写体汉字样本字库。接着介绍了汉字常用的预处理技术。最后重点介绍了本文手写体汉字识别实验平台的系统架构，实验平台功能模块的设计。2.手写体汉字的特征提取。汉字的特征提取方法主要可以分为两类：基于统计特征、基于结构特征的提取方法。本文主要研究并在实验平台上编程实现了汉字识别中几种常用的特征提取算法。在此基础上，将笔划密度函数的定义扩展到对角方向上，构成对角方向网格，提出了一种新的基于笔划密度函数的双弹性网格方法，此方法不仅考虑到汉字的笔划结构中“撇”、“捺”笔划的书写特性，而且通过构造对角弹性网格技术弥补了纵横网格技术的不足之处。3.手写体汉字的分类识别。首先介绍了汉字分类中的一些典型的分类方法，如最近邻（KNN）分类法、贝叶斯（Bayes）判别分类法、支持向量机（SVM）和BP神经网络分类方法。同时介绍了AdaBoost算法的相关知识。接着，深入研究了用于手写体汉字分类的基于BP神经网络的AdaBoost方法。最后，在汉字实验平台的基础之上，对比了不同分类器的实验结果，验证了该方法的有效性。4.汉字识别实验平台的系统实现和识别实验结果及分析。首先介绍了汉字实验平台的系统实现。接着，对手写体汉字实验平台的性能进行测试，对比了构造样本集所用的时间，验证了本文构造的脱机手写体汉字识别实验平台的实用性和高效性。然后基于实验平台，对多种特征提取方法和分类识别方法，进行汉字识别实验并分析实验结果。验证了本文提出的基于笔划密度函数的双弹性网格算法的合理性和有效性。
王智超[6]（2013）在《基于ARM9和Qt的中文手写输入法的设计与实现》文中提出摘要：由于基于ARM9和Qt的嵌入式平台没有手写输入法,而且当前存在的手写体汉字识别核心应用在该平台上存在资源占用大、识别速度慢、开发不便等缺点,因此开发一个基于ARM9和Qt平台的中文手写输入法具有广阔的应用前景,此外,探索在资源受限的嵌入式平台上实现简单高效的大规模手写体汉字识别的可能途径在理论研究方面也具有深刻的意义。本文重点讨论了基于ARM9和Qt平台上的联机手写体汉字识别技术中的预处理、特征提取和分类器设计等问题,由于ARM9处理器没有硬件浮点数计算部件,而且基于ARM9和Qt的嵌入式平台一般内存较小,所以在设计识别特征和分类器时必须注意资源占用和计算量问题。本文以企业项目为背景,在研究了当前手写体汉字识别技术和Qt输入法框架的基础上,结合基于ARM9和Qt平台的特点,设计并实现了一个能在该平台使用的嵌入式中文手写输入法。具体来讲,本文完成的主要工作如下：①研究了联机手写体汉字识别的原理、基本步骤、衡量标准,以及当前嵌入式Qt平台上的输入法现状；②搭建了交叉开发环境,为开发板移植了BootLoader、Linux内核,制作了根文件系统,并移植了Qt/Embedded图形库；③研究了当前基于PC和手机的输入法软件,确定了本文输入法的系统功能、软件界面以及系统结构；④研究了主流的手写体汉字识别技术,设计了一个简单高效的手写体汉字识别算法,该算法对用户书写的轨迹点进行了预处理,并综合使用了汉字的结构特征和统计特征,采用了分类器的串行与并行结构,最后对分类器的分类结果进行了综合；⑤实现了词语联想功能,建立了所需的词库,并对联想词组的长度没有限制；⑥采用了多种实现优化技术,在基于ARM9和Qt的平台上实现了一个实用的输入法软件,该输入法软件占用资源少,可扩展性强,并具有较好的移植性,能够满足ARM9和Qt平台的日常输入需求。
甘恒[7]（2013）在《基于笔划密度特征的二叉树SVM脱机手写体汉字识别方法研究》文中指出脱机手写体汉字识别技术是模式识别领域的一个研究课题，具有广泛的应用前景。脱机手写体汉字不仅具有字符集庞大、字体类别多、字型变化多、相似字多的共性，还具有书写风格众多、书写不规范和随意性较大等特点。本文在对脱机手写体汉字笔划密度特征分析研究的基础上，研究了一种基于汉字笔划密度特征的二叉树SVM的脱机手写体汉字多级粗分类与“一对多”SVM细分类相结合的汉字识别方法，论文的主要研究工作如下：1、在研究汉字结构特征与统计特征的基础上，定义了脱机手写体汉字整体笔划密度特征和细节笔划（横、竖、斜）密度特征，用作脱机手写体汉字多级粗分类依据。2、在统计分析脱机手写体汉字像素密度特征分布的基础上，建立了汉字粗分类类别；根据粗分类类别的划分，构造不同粗分类策略的二叉树结构形式，并对二叉树SVM进行训练；给出了用于剪枝二叉树SVM粗分类的相似度定义和粗分类算法，仿真实验表明，脱机手写体汉字多级粗分类达到了预期效果。3、在粗分类的基础上，提取脱机手写体汉字的外围轮廓特征和小波多网格特征作为SVM细分类识别的输入，研究了用于脱机手写体汉字识别的SVM“一对多”算法。仿真实验表明，具有良好的识别结果。论文选用SCUT-IRAC HCCLIB中手写体汉字作为实验样本，以MATLAB R2011a为仿真平台，对本文提出的基于像素密度二叉树SVM分类识别的方法进行了实验验证，结果表明本文方法是可行的。
黎阳[8]（2012）在《基于粗糙集和变粒度原理的脱机手写体汉字识别系统研究》文中指出脱机手写体汉字识别作为超多类模式识别问题，被认为是当前模式识别领域中的研究难点之一。传统用单一特征表征汉字的方法对手写体汉字识别具有一定的局限性，而采用多特征组合来表征汉字虽可提高特征表示的较完备性，但也会带来特征的多重性和识别的不确定性。本文基于粗糙集理论和变粒度原理，构建了一种脱机手写体汉字识别决策信息系统，以汉字样本的真实属性指导训练过程，探索基于粗糙集和变粒度原理的脱机手写体汉字识别方法。本文的主要研究工作如下：1.构建了脱机手写体汉字识别决策信息系统。基于粗糙集广义信息论，将脱机手写体汉字多种特征融合成一组多维特征向量作为条件属性，将样本汉字的真实属性作为决策属性，构成一种脱机手写体汉字识别决策信息系统。2.给出了一种手写体汉字特征属性分层递阶约简方法。依据粒度理论，定义了脱机手写体汉字特征属性的知识粒度熵、相对粒度熵以及特征属性相对重要度指标，根据属性重要度将汉字特征进行分类，使特征属性在单层次和单粒度上的知识表示变为部分属性所构成的知识在多种层次和多种粒度上的表示，并给出手写体汉字特征属性分层递阶约简算法，弥补了传统单粒度原理分辨率固定，约简不精的缺点，有效地化简了脱机手写体汉字识别决策信息系统。3.提出了一种基于D-S证据理论的规则融合识别方法。针对脱机手写体汉字识别过程中出现的决策规则不能唯一匹配带来的拒识问题，根据D-S证据理论对约简后的手写体汉字识别决策信息系统的决策规则进行融合，提高决策信息系统的泛化能力，从而提高了汉字的识别率。本文从SCUT-IRAC手写体汉字图像样本库中选取30类共1200个手写体汉字图像样本，以MATLAB软件为实验平台，对本文提出的脱机手写体汉字识别方法进行了验证。实验结果表明，本文提出的方法是有效可行的。
邱瑾[9]（2012）在《一种具有统计广义特征反馈的智能脱机手写体汉字识别系统的研究》文中认为脱机手写体汉字识别属于超多类模式识别问题，是模式识别领域中的难题之一。目前，机器识别的方法中信息流多是前向开环的，其开环的特点决定了系统性能存在着显着的识别正确率与拒识率之间的矛盾。本文模仿人脑辨识汉字时反复推敲和比对的反馈行为并结合智能控制技术，提出了一种具有反馈机制的智能脱机手写体汉字识别方法，并构建了相应的运行机制，这对促进机器识别方法的发展具有一定的理论意义，为探索提高汉字识别系统性能提供了一个新途径。本文主要研究工作如下：1.构建了一种具有反馈机制的三层递阶式智能脱机手写体汉字识别系统。三层结构分别为识别输出层、反馈层和决策层，定义了各层的功能，并给出了基于该结构下的运行机制，建立了具有反馈循环校正机制的智能脱机手写体汉字识别系统。2.自定义了四种包含随机分析的统计广义识字误差，并给出它们的表征方法和获取算法。其中，统计广义识字误差1得到待识别汉字的图像与识别结果的图像的相应粗比对信息特征差；统计广义识字误差2得到待识别汉字的图像与识别结果的图像的相应细比对信息特征差。通过对它们的分析，可为反馈校正决策机制提供定性定量的依据。其中，统计广义识字误差3得到细比对误差的比对字符差的信息特征；统计广义识字误差4得到每轮循环识别的细比对误差的比对趋势差信息特征。通过对它们的分析，可为反馈校正决策运行机制提供依据。3.建立了两种用于反馈调节运行的识字机制。模拟人脑反复斟酌思考的反馈思维过程，将细比对误差的比对趋势差作为反馈循环调节的依据，对该轮识别的识别效果进行评判并依此对识别循环进行调整；采用多识别器集成智能识别方案，根据细比对误差的字符比对差作为选择调节的依据，对新一轮识别器的选择做出判别。反馈控制思想与智能控制技术的结合使得运行决策机制更加合理及完善。采用SCUT-IRAC HCCLIB手写体汉字图像样本数据库中的汉字样本对系统进行了仿真实验。运用VC++及MATLAB7.3仿真软件，选取字库中400个手写体汉字，对本文所研究的具有反馈机制的智能脱机手写体汉字识别系统进行了验证实验。实验结果表明了该方法是有效可行的。
张欣[10]（2010）在《基于四角结构特征的脱机手写汉字识别》文中认为脱机手写汉字识别技术在近二十几年内的不断发展说明了两个事实:对文字识别技术的需求及其在技术上的可行性。但是手写汉字的形变问题一直是制约其发展的主要因素。本文针对脱机手写汉字识别这一问题进行研究,根据手写汉字四角结构基本稳定的特点,提出了一种利用汉字四角结构特征以及笔画特征点进行脱机手写汉字识别的方法。识别过程采用了粗分类细识别的策略,首先通过适合的细化算法提取汉字骨架,并利用特征点信息对细化后的骨架做简单的优化处理;然后利用四角结构特征对手写汉字进行粗分类。传统四角号码检字法能够利用基元匹配将汉字与四位编码一一对应,本文在此基础之上,以手写汉字最稳定的3个特征:拐点、交叉点和倾斜度作为区分,重新设计易于提取的特征基元以提取四角结构特征,并将特征匹配的结果作为粗分类依据。粗分类后,同一类中的汉字不同于传统意义上的相似字,它们只在四角结构上有相似之处,而整体结构则往往相去甚远,这在很大程度上降低了细识别的复杂度。最后,提取几种较简单但区分性能较好的特征作为细识别特征,并使用最小距离分类器得出汉字的内码。本文通过对GB2312一级字库中的部分手写汉字进行实验,结果证明了将改进的四角结构特征用于脱机手写汉字识别的有效性。
二、基于细识别的脱机手写体汉字识别的集成（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于细识别的脱机手写体汉字识别的集成（论文提纲范文）
（2）基于变精度反馈结构的脱机手写体汉字智能认知方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 脱机手写体汉字识别的研究背景与意义 |
| 1.2 脱机手写体汉字识别研究的现状 |
| 1.3 脱机手写体汉字识别研究的难点与发展趋势 |
| 1.4 本文的主要研究内容与安排 |
| 1.4.1 本文的主要研究内容 |
| 1.4.2 本文的安排 |
| 第二章 基于粗糙集的脱机手写体汉字认知决策信息系统构建 |
| 2.1 脱机手写体汉字图像特征分析 |
| 2.1.1 脱机手写体汉字图像结构特征 |
| 2.1.2 脱机手写体汉字图像统计特征 |
| 2.1.3 脱机手写体汉字图像结构特征与统计特征融合 |
| 2.2 脱机手写体汉字认知决策系统的构建 |
| 2.2.1 基于有监督学习的脱机手写体汉字认知决策信息系统 |
| 2.2.2 多特征信息组合与认知信息充分性判据 |
| 2.3 本章小结 |
| 第三章 基于变精度粗糙集的脱机手写体汉字特征属性约简 |
| 3.1 脱机手写体汉字特征属性约简性能指标的定义 |
| 3.1.1 变精度粗糙集模型下脱机手写体汉字特征约简集的定义 |
| 3.1.2 脱机手写体汉字图像特征分类能力性能指标的定义 |
| 3.2 基于特征分类能力的脱机手写体汉字特征属性约简算法 |
| 3.3 本章小结 |
| 第四章 基于变精度反馈结构的脱机手写体汉字智能认知机制 |
| 4.1 基于变精度反馈结构的脱机手写体汉字智能认知模型及运行机制 |
| 4.1.1 基于变精度反馈结构的脱机手写体汉字智能认知模型 |
| 4.1.2 基于变精度反馈结构的脱机手写体汉字智能认知模型运行机制 |
| 4.2 基于熵测度的认知结果评价指标建立 |
| 4.2.1 脱机手写体汉字认知结果误差信息系统构建 |
| 4.2.2 脱机手写体汉字认知结果误差α熵定义 |
| 4.3 基于变精度认知模式的反馈调节机制建立 |
| 4.4 脱机手写体汉字认知决策信息系统中规则融合及其认知 |
| 4.4.1 脱机手写体汉字认知过程中的不确定性分析 |
| 4.4.2 脱机手写体汉字认知决策信息系统决策规则融合 |
| 4.4.3 脱机手写体汉字变精度反馈智能认知流程 |
| 4.5 基于变精度反馈结构的脱机手写体汉字智能认知算法 |
| 4.6 本章小结 |
| 第五章 实验与结果分析 |
| 5.1 实验条件 |
| 5.2 实验内容 |
| 5.3 实验结果分析 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（3）不确定结果性能指标约束的脱机手写体汉字图像反馈智能认知模型及其运行机制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 模式识别技术及其在脱机手写体汉字图像识别领域国内外的研究现状 |
| 1.2.1 模式识别技术的基本理论及其应用 |
| 1.2.2 脱机手写体汉字图像识别的研究现状及技术难点 |
| 1.2.3 基于反馈结构的认知系统研究现状及技术难点 |
| 1.3 本课题的主要研究内容和章节安排 |
| 第二章 反馈智能认知模型的系统结构及其运行机制研究 |
| 2.1 反馈智能认知模型的功能需求 |
| 2.2 反馈智能认知模型的系统架构 |
| 2.3 基于粗糙集理论的智能认知模型决策信息系统建立 |
| 2.4 基于认知结果相似度评价指标的智能认知模型运行机制 |
| 2.5 本章小结 |
| 第三章 脱机手写体汉字图像的特征空间数据结构建立 |
| 3.1 脱机手写体汉字图像的特征分析 |
| 3.1.1 脱机手写体汉字图像结构特征 |
| 3.1.2 脱机手写体汉字统计特征 |
| 3.2 脱机手写体汉字图像的认知方法库 |
| 3.2.1 基于部件的汉字分解方法 |
| 3.2.2 基于笔画密度的弹性网格方法 |
| 3.2.3 基于过程神经网络的方法 |
| 3.2.4 基于双数复小波变换的方法 |
| 3.2.5 基于卷积神经网络的方法 |
| 3.3 本章小结 |
| 第四章 基于多认知方法融合的脱机手写体汉字图像反馈智能认知系统 |
| 4.1 脱机手写体汉字图像的反馈融合智能认知模型 |
| 4.2 脱机手写体汉字图像的反馈融合智能认知系统 |
| 4.2.1 脱机手写体汉字图像的认知需求分析 |
| 4.2.2 具有集成结构的模式分类器设计 |
| 4.2.3 基于模糊积分的融合智能认知 |
| 4.2.4 脱机手写体汉字图像认知结果相似度评价指标 |
| 4.3 脱机手写体汉字图像智能认知算法 |
| 4.4 本章小结 |
| 第五章 实验结果与分析 |
| 5.1 实验条件和数据 |
| 5.2 实验结果 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（4）不确定信息认知对象的仿反馈认知智能机制与计算模型研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 认知智能模型的研究意义 |
| 1.2 不确定信息认知对象的认知智能模型国内外研究现状 |
| 1.2.1 不确定信息认知对象的认知知识表征方法国内外研究现状 |
| 1.2.2 不确定认知过程效果与认知结果评价体系国内外研究现状 |
| 1.2.3 不确定信息认知对象的认知智能机制国内外研究现状 |
| 1.3 不确定信息认知对象的仿反馈认知智能机制与计算模型研究难点 |
| 1.4 本课题的研究内容及内容安排 |
| 1.4.1 本课题的主要研究内容 |
| 1.4.2 本文的内容安排 |
| 第二章 不确定信息认知对象的仿反馈认知智能模型结构与机制研究 |
| 2.1 不确定信息认知对象仿反馈认知智能系统构建目标 |
| 2.2 不确定信息认知对象仿反馈认知智能系统模型结构与功能要求 |
| 2.3 不确定信息认知对象的三层三段仿反馈认知智能系统模型架构 |
| 2.3.1 三层认知智能系统模型设计规范 |
| 2.3.2 三段认知智能系统模型设计规范 |
| 2.3.3 三层三段仿反馈认知智能系统模型设计规范 |
| 2.4 不确定信息认知对象的仿反馈认知智能系统模型及其运行机制 |
| 2.4.1 不确定信息认知对象的仿反馈认知智能系统模型构建 |
| 2.4.2 决策层三段运行机制 |
| 2.4.3 认知层三段运行机制 |
| 2.4.4 反馈层三段运行机制 |
| 2.5 本章小结 |
| 第三章 不确定信息认知对象的仿反馈认知智能计算模型研究 |
| 3.1 基于粗糙集与熵理论的不确定信息认知对象模式化结构模型 |
| 3.1.1 基于粗糙集的不确定信息认知对象认知智能决策信息系统建立 |
| 3.1.2 基于熵理论的认知知识空间充分性评价机制研究 |
| 3.1.3 基于熵理论的认知知识空间可分类性评价机制研究 |
| 3.2 基于广义误差和广义熵理论的不确定认知过程效果与认知结果评价测度指标体系建立 |
| 3.2.1 不确定认知过程效果与认知结果误差信息系统构建 |
| 3.2.2 不确定认知过程效果与认知结果误差熵定义 |
| 3.2.3 不确定认知过程效果与认知结果误差熵序列相似度定义 |
| 3.2.4 认知知识粒度误差定义 |
| 3.3 不确定认知过程效果与认知结果评价体系建立 |
| 3.4 认知知识粒度调节机制研究 |
| 3.4.1 认知知识粒度调节机制的测度指标计算模型 |
| 3.4.2 认知知识粒度调节机制的推理规则与计算模型 |
| 3.5 不确定信息认知对象的多层次变粒度仿反馈认知智能算法研究 |
| 3.6 本章小结 |
| 第四章 脱机手写体汉字图像的机器认知应用验证研究 |
| 4.1 脱机手写体汉字图像的机器认知研究意义 |
| 4.2 脱机手写体汉字图像多层次变粒度仿反馈认知智能系统 |
| 4.2.1 脱机手写体汉字图像多层次变粒度仿反馈认知智能模型 |
| 4.2.2 脱机手写体汉字图像特征分析 |
| 4.2.3 认知知识空间充分性表征的脱机手写体汉字图像认知智能决策信息系统 |
| 4.2.4 认知知识空间可分类性表征的脱机手写体汉字图像简约认知智能决策信息系统 |
| 4.2.5 基于具有两层分类器的脱机手写体汉字图像认知器组的认知匹配机制 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 工业回转窑烧成状态的机器认知应用验证研究 |
| 5.1 工业回转窑烧成状态的机器认知研究意义 |
| 5.2 工业回转窑烧成状态多层次变粒度仿反馈认知智能系统 |
| 5.2.1 工业回转窑烧成状态多层次变粒度仿反馈认知智能模型 |
| 5.2.2 工业回转窑烧成带火焰图像Gabor滤波预处理 |
| 5.2.3 工业回转窑烧成带火焰图像感兴趣区域全局及局部形态特征提取 |
| 5.2.4 认知知识充分性与可分类性表征的工业回转窑烧成状态认知智能决策信息系统 |
| 5.2.5 工业回转窑烧成状态概率神经网络认知器及其计算方法 |
| 5.3 实验结果与分析 |
| 5.3.1 实验数据 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 人体健康状态评测的机器认知应用验证研究 |
| 6.1 人体健康状态评测的机器认知研究意义 |
| 6.2 基于多层次变粒度的人体健康状态仿反馈认知智能系统 |
| 6.2.1 基于多层次变粒度的人体健康状态仿反馈认知智能模型 |
| 6.2.2 人体生物电阻抗信号测量与人体健康特征提取 |
| 6.2.3 认知知识可分类性表征的人体健康状态简约认知智能决策信息系统 |
| 6.2.4 人体健康状态云模型认知器及其认知计算方法 |
| 6.2.5 基于多层次变粒度的人体健康状态仿反馈认知智能算法流程图 |
| 6.3 实验结果与分析 |
| 6.3.1 实验数据 |
| 6.3.2 实验结果与分析 |
| 6.4 本章小结 |
| 第七章 全天候光伏发电智能认知跟踪控制应用验证研究 |
| 7.1 光伏发电跟踪控制系统研究意义 |
| 7.2 全天候光伏发电智能认知跟踪控制系统 |
| 7.2.1 全天候光伏发电智能认知跟踪控制系统模型 |
| 7.2.2 全天候环境状态认知及系统特征获取 |
| 7.2.3 基于全天候环境状态认知的推理决策机制 |
| 7.2.4 全天候光伏发电智能认知跟踪控制误差和反馈调节计算模型 |
| 7.3 实验结果与分析 |
| 7.3.1 实验数据 |
| 7.3.2 实验结果与分析 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（5）手写体汉字识别实验平台及笔划网格特征提取方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 课题的研究现状 |
| 1.3 课题研究的难点 |
| 1.4 课题研究的内容和章节安排 |
| 1.4.1 本论文的主要研究内容 |
| 1.4.2 本论文的章节安排 |
| 第二章 脱机手写体汉字识别实验平台的设计研究 |
| 2.1 脱机手写体汉字样本库的设计研究 |
| 2.1.1 手写体汉字样本样张的设计及采集 |
| 2.1.2 手写体汉字样本库的构建流程 |
| 2.1.3 手写体汉字样本库存储信息和组织方式 |
| 2.2 脱机手写体汉字样本的预处理 |
| 2.2.1 灰度化及二值化 |
| 2.2.2 平滑去噪处理 |
| 2.2.3 倾斜校正 |
| 2.2.4 行列切分 |
| 2.2.5 归一化 |
| 2.3 脱机手写体汉字识别实验平台的设计 |
| 2.3.1 手写体汉字实验平台系统架构 |
| 2.3.2 实验平台的功能模块设计 |
| 2.4 本章小结 |
| 第三章 脱机手写体汉字特征提取方法的研究 |
| 3.1 几种简单的手写体汉字特征提取方法 |
| 3.1.1 粗外围特征 |
| 3.1.2 笔划穿越数特征 |
| 3.1.3 网格特征 |
| 3.2 基于笔划密度的双弹性网格特征提取方法 |
| 3.2.1 笔划密度函数的定义 |
| 3.2.2 基于笔划密度的双弹性网格特征 |
| 3.2.2.1 双弹性网格的划分 |
| 3.2.2.2 特征提取过程和步骤 |
| 3.3 双弹性网格模糊特征提取方法 |
| 3.4 本章小结 |
| 第四章 脱机手写体汉字识别分类方法的研究 |
| 4.1 手写体汉字识别的二叉树分类结构 |
| 4.2 几种典型的手写体汉字分类方法 |
| 4.2.1 最近邻（KNN）分类法 |
| 4.2.2 贝叶斯决策分类法 |
| 4.2.3 支持向量机（SVM）分类法 |
| 4.3 BP 神经网络分类法 |
| 4.3.1 人工神经网络理论概述 |
| 4.3.2 BP 神经网络分类法 |
| 4.4 基于 BP 神经网络的 AdaBoost 分类识别方法研究 |
| 4.4.1 AdaBoost 算法概述 |
| 4.4.2 基于 BP 神经网络的 AdaBoost 算法 |
| 4.5 本章小结 |
| 第五章 手写体汉字识别系统实现和实验结果分析 |
| 5.1 手写体汉字识别实验平台的系统实现和性能分析 |
| 5.1.1 实验平台的系统实现 |
| 5.1.2 实验平台系统的性能分析 |
| 5.2 脱机手写体汉字识别实验结果与分析 |
| 5.3 本章小结 |
| 第六章 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（6）基于ARM9和Qt的中文手写输入法的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 项目背景和意义 |
| 1.2 国内外发展及研究现状 |
| 1.2.1 汉字识别研究的发展 |
| 1.2.2 汉字识别研究的现状 |
| 1.3 汉字识别概述 |
| 1.3.1 汉字识别的分类 |
| 1.3.2 汉字识别的基本步骤 |
| 1.3.3 汉字识别的难点和衡量标准 |
| 1.4 论文的主要工作和内容安排 |
| 2 硬件平台与底层软件 |
| 2.1 开发平台简介 |
| 2.2 u-boot和Linux内核移植 |
| 2.2.1 u-boot移植 |
| 2.2.2 Linux内核移植 |
| 2.3 Qt/Embedded移植与根文件系统制作 |
| 2.3.1 Qt/Embedded移植 |
| 2.3.2 根文件系统制作 |
| 2.4 Qt/Embedded的输入法相关接口 |
| 2.5 本章小结 |
| 3 系统设计 |
| 3.1 本文的手写体汉字识别方法 |
| 3.1.1 本文使用的汉字特征 |
| 3.1.2 本文的特征降维方法 |
| 3.1.3 本文的分类器设计 |
| 3.1.4 本文的预处理方法 |
| 3.2 模板库格式设计 |
| 3.3 系统总体设计 |
| 3.3.1 系统功能设计 |
| 3.3.2 系统界面设计 |
| 3.3.3 软件结构设计 |
| 3.4 本章小结 |
| 4 系统实现与测试 |
| 4.1 汉字识别分类器的实现 |
| 4.1.1 预处理的实现 |
| 4.1.2 笔段识别法的实现 |
| 4.1.3 网格识别法的实现 |
| 4.1.4 识别分类器的实现 |
| 4.2 输入法的实现 |
| 4.2.1 关键界面与软键盘实现 |
| 4.2.2 输入法核心的实现 |
| 4.2.3 词语联想功能的实现 |
| 4.2.4 模板库的制作 |
| 4.3 系统测试与分析 |
| 4.3.1 测试数据与测试环境 |
| 4.3.2 本软件的测试结果与分析 |
| 4.3.3 与其他识别产品的对比与分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 后续工作展望 |
| 参考文献 |
| 攻读学位期间主要的研究成果 |
| 致谢 |
（7）基于笔划密度特征的二叉树SVM脱机手写体汉字识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 致谢 |
| 第一章 绪论 |
| 1.1 脱机手写体汉字识别研究背景及意义 |
| 1.2 脱机手写体汉字识别的研究现状及发展趋势 |
| 1.3 脱机手写体汉字识别的难点 |
| 1.4 论文的内容和安排 |
| 第二章 脱机手写体汉字图像预处理与特征提取 |
| 2.1 脱机手写体汉字图像的预处理 |
| 2.1.1 汉字图像的归一化和细化预处理 |
| 2.1.2 汉字图像的小波分解预处理 |
| 2.2 粗分类特征提取方法 |
| 2.2.1 小波分解子图投影特征的定义及特点 |
| 2.2.2 脱机手写体汉字像素密度特征分布及特点 |
| 2.3 细分类识别汉字特征提取方法 |
| 2.3.1 基于弹性网格的外围轮廓特征 |
| 2.3.2 小波多网格特征 |
| 第三章 二叉树 SVM 脱机手写体汉字粗分类研究 |
| 3.1 脱机手写体汉字多级分类 |
| 3.2 基于相似度二叉树 SVM 粗分类方法 |
| 3.2.1 粗分类类别的划分 |
| 3.2.2 相似度定义 |
| 3.2.3 依据相似度剪枝二叉树 SVM 分类方法 |
| 3.3 粗分类算法 |
| 3.4 粗分类仿真实例 |
| 第四章 脱机手写体汉字细分类识别 |
| 4.1 脱机手写体汉字图像识别流程 |
| 4.2 支持向量机多分类算法 |
| 4.3 脱机手写体汉字细分类算法 |
| 4.3.1 手写体汉字细分类的特征 |
| 4.3.2 脱机手写体细分类算法 |
| 第五章 脱机手写体汉字识别仿真 |
| 5.1 实验样本的选取 |
| 5.2 实验实例 |
| 5.2.1 手写体汉字多级粗分类特征提取及分类 |
| 5.2.2 脱机手写体汉字细分类特征提取与识别 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 今后研究工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
（8）基于粗糙集和变粒度原理的脱机手写体汉字识别系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 致谢 |
| 第一章 绪论 |
| 1.1 脱机手写体汉字识别概述 |
| 1.1.1 汉字识别的发展历程 |
| 1.1.2 脱机手写体汉字的识别方法及分析 |
| 1.1.3 脱机手写体汉字识别方法的研究热点和难点 |
| 1.2 粗糙集理论在图像处理和模式识别领域中的应用 |
| 1.3 本课题的研究内容与论文安排 |
| 1.3.1 本课题的研究内容 |
| 1.3.2 论文安排 |
| 第二章 基于粗糙集理论构建脱机手写体汉字识别决策信息系统 |
| 2.1 脱机手写体汉字的特征提取 |
| 2.1.1 脱机手写体汉字特征类型分析 |
| 2.1.2 脱机手写体汉字特征的提取及融合 |
| 2.2 脱机手写体汉字识别决策信息系统的建立 |
| 2.2.1 脱机手写体汉字的识别决策信息系统 |
| 2.2.2 脱机手写体汉字的识别决策信息系统特征属性约简集 |
| 第三章 脱机手写体汉字特征属性的分层约简及规则获取 |
| 3.1 几个性能指标熵及汉字特征属性重要度的定义 |
| 3.1.1 脱机手写体汉字特征属性的知识粒度熵和相对粒度熵 |
| 3.1.2 脱机手写体汉字特征属性重要度 |
| 3.2 基于变粒度原理的特征属性分层约简算法研究 |
| 3.2.1 汉字特征属性的分层研究 |
| 3.2.2 基于汉字特征属性重要度的特征属性分层约简算法 |
| 第四章 脱机手写体汉字决策信息系统的规则融合及识别 |
| 4.1 脱机手写体汉字识别规则的不确定性分析 |
| 4.2 脱机手写体汉字决策信息系统的规则融合 |
| 4.3 基于 D-S 证据理论的脱机手写体汉字识别多规则融合方法 |
| 4.3.1 几个相关概念的定义 |
| 4.3.2 基于证据理论的手写体汉字识别规则融合算法研究 |
| 4.4 基于粗糙集和变粒度原理的脱机手写体汉字识别流程 |
| 第五章 实验与结果分析 |
| 5.1 实验条件 |
| 5.2 实验内容 |
| 5.2.1 实验步骤 |
| 5.2.2 实验实例 |
| 5.3 实验结果及分析 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录一 |
| 附录二 |
| 附录三 |
| 攻读硕士学位期间发表的论文 |
（9）一种具有统计广义特征反馈的智能脱机手写体汉字识别系统的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 致谢 |
| 第一章 绪论 |
| 1.1 手写体汉字识别概述 |
| 1.2 手写体汉字识别中的技术难点 |
| 1.3 基于反馈结构的手写体汉字识别系统研究 |
| 1.3.1 基于反馈的手写体汉字识别系统的研究意义 |
| 1.3.2 基于反馈的手写体汉字识别系统的研究现状 |
| 1.4 论文研究内容与安排 |
| 1.4.1 论文研究内容 |
| 1.4.2 论文内容安排 |
| 第二章 手写体汉字识别系统的结构分析与研究 |
| 2.1 手写体汉字识别系统结构分析 |
| 2.1.1 传统的手写体汉字识别系统结构分析 |
| 2.1.2 具有反馈的手写体汉字识别系统结构分析 |
| 2.2 仿人机制智能手写体汉字识别系统研究 |
| 2.2.1 仿人反馈机制智能手写体汉字识别系统建立及结构分析 |
| 2.2.2 仿人反馈机制智能手写体汉字识别系统结构要求 |
| 第三章 统计广义识字误差的表征和获取 |
| 3.1 统计广义识字误差 1——粗比对特征差的表征和获取 |
| 3.1.1 统计广义识字误差 1 的表征方法 |
| 3.1.2 统计广义识字误差 1 的获取算法及示例 |
| 3.2 统计广义识字误差 2——细比对特征差的表征和获取 |
| 3.2.1 统计广义识字误差 2 的表征方法 |
| 3.2.2 统计广义识字误差 2 的获取算法及示例 |
| 3.3 统计广义识字误差 3——字符比对差特征的表征和获取 |
| 3.3.1 统计广义识字误差 3 的表征方法 |
| 3.3.2 统计广义识字误差 3 的获取算法及示例 |
| 3.4 统计广义识字误差 4——比对趋势差特征的表征和获取 |
| 3.4.1 统计广义识字误差 4 的表征方法 |
| 3.4.2 统计广义识字误差 4 的获取算法及示例 |
| 第四章 具有反馈机制的智能脱机手写体汉字识别系统研究 |
| 4.1 反馈机制智能识别系统设计 |
| 4.1.1 反馈机制智能识别系统结构设计 |
| 4.1.2 反馈层反馈机制设计 |
| 4.1.3 决策层设计 |
| 4.1.4 识别输出层设计 |
| 4.2 反馈机制智能识别系统的运行机制 |
| 4.2.1 系统运行总流程 |
| 4.2.2 仿人智能推理决策规则 |
| 4.3 输出评判 |
| 4.3.1 输出结果 |
| 4.3.2 拒绝识别 |
| 第五章 实验 |
| 5.1 实验条件与内容 |
| 5.1.1 实验条件 |
| 5.1.2 实验内容 |
| 5.1.3 实验步骤 |
| 5.1.4 实验实例 |
| 5.2 实验结果与分析 |
| 5.3 实验结论 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的论文 |
（10）基于四角结构特征的脱机手写汉字识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 脱机手写汉字识别研究现状 |
| 1.3 本文工作与组织结构 |
| 第2章 脱机手写汉字图像的预处理 |
| 2.1 二值化处理 |
| 2.2 去除连笔 |
| 2.3 细化处理 |
| 2.4 优化处理 |
| 第3章 基于四角结构特征的粗分类方法 |
| 3.1 粗分类方法概述 |
| 3.2 汉字的四角特征 |
| 3.2.1 四角号码 |
| 3.2.2 改进的四角笔画特征 |
| 3.3 汉字骨架修正算法 |
| 3.3.1 特征点的提取 |
| 3.3.2 特征点的修正 |
| 3.4 四角特征提取 |
| 3.4.1 四角特征提取算法 |
| 3.4.2 基元匹配 |
| 第4章 脱机手写汉字细识别 |
| 4.1 细识别特征提取 |
| 4.1.1 最大穿透数 |
| 4.1.2 特征点个数 |
| 4.2 最小距离分类器 |
| 4.3 特征字典 |
| 第5章 实验过程及结果分析 |
| 5.1 实验过程 |
| 5.2 粗分类实验结果及分析 |
| 5.2.1 粗分类实验过程 |
| 5.2.2 粗分类实验结果 |
| 5.3 细识别实验结果及分析 |
| 第6章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果 |
四、基于细识别的脱机手写体汉字识别的集成（论文参考文献）
- [1]基于仿反馈机制的脱机手写体汉字认知模型[J]. 王建平,王光新,李帷韬,宋程楠. 控制工程, 2019(03)
- [2]基于变精度反馈结构的脱机手写体汉字智能认知方法研究[D]. 刘雪景. 合肥工业大学, 2018(01)
- [3]不确定结果性能指标约束的脱机手写体汉字图像反馈智能认知模型及其运行机制研究[D]. 宋程楠. 合肥工业大学, 2017(07)
- [4]不确定信息认知对象的仿反馈认知智能机制与计算模型研究[D]. 陈克琼. 合肥工业大学, 2017(01)
- [5]手写体汉字识别实验平台及笔划网格特征提取方法的研究[D]. 宁博. 河北工业大学, 2014(03)
- [6]基于ARM9和Qt的中文手写输入法的设计与实现[D]. 王智超. 中南大学, 2013(05)
- [7]基于笔划密度特征的二叉树SVM脱机手写体汉字识别方法研究[D]. 甘恒. 合肥工业大学, 2013(03)
- [8]基于粗糙集和变粒度原理的脱机手写体汉字识别系统研究[D]. 黎阳. 合肥工业大学, 2012(06)
- [9]一种具有统计广义特征反馈的智能脱机手写体汉字识别系统的研究[D]. 邱瑾. 合肥工业大学, 2012(06)
- [10]基于四角结构特征的脱机手写汉字识别[D]. 张欣. 河北大学, 2010(10)