多分类器组合及其在手写体数字识别中的应用

摘要

分类器性能的提高一直是模式识别研究中很重要的问题,但由于各种原因,得到较好的分类器是一件困难的事情.传统的模式识别系统通常仅使用样本的某一特定分类器来进行分类,这种系统对于类别数较大、输入样本带噪声的问题很难获得好的分类效果.近来发现不同的分类器在分类性能上存在着彼此互补的现象,因此对多个分类器的结果进行组合可以提高分类的精确性.

目录

文摘

英文文摘

第一章绪论

1.1问题的提出

1.2分类器组合的研究概况

1.2.1分类器组合的不同框架

1.2.2常用分类器组合的方法及其比较

1.3手写体数字识别的研究概况

1.4本文研究工作概述

1.5本文的内容安排

第二章手写体数字的特征提取

2.1测试样本集

2.2手写体数字的特征提取

2.2.1压缩特征的提取

2.2.2 Kirsch特征的提取

2.2.3 Gabor特征的提取

2.2.4矩特征的提取

2.2.5质心层次特征的提取

2.2.6基于轮廓分段特征的提取

2.3本章小结

第三章手写体数字的分类器设计

3.1统计分类器

3.1.1 KNN分类器

3.1.2二次Bayes分类器

3.2神经网络分类器

3.2.1 BP神经网

3.3基于轮廓分段特征的分类器

3.4分类器的性能比较

3.5本章小结

第四章基于多元对应分析的KNN分类器组合方法

4.1基于多元对应分析的KNN分类器组合方法

4.2实验结果

4.3本章小结

第五章分类器组合在手写体数字识别中的应用

5.1分类器组合分析

5.2组合结果

5.3分类器的不同组合方式比较

5.3.1分类器的串行组合方式

5.3.2分类器的并行组合方式

5.3.3分类器的层次组合方式

5.3.4不同组合方式的比较结果

5.4本章小结

结束语

致谢

参考文献

附录