數(shù)字字符分類模擬演示系統(tǒng)

電子信息工程論文編號(hào):DZXX235  論文字?jǐn)?shù):12561,頁(yè)數(shù):45

目錄

摘要 I
Abstract II
第1章 緒論 1
1.1 課題的研究背景 1
1.2 選題的目的及其意義 1
1.3 國(guó)內(nèi)外研究的現(xiàn)狀 2
第2章 基本知識(shí)介紹 3
2.1 模式識(shí)別的基本概念 3
2.1.1 模式識(shí)別的基本概念 3
2.1.2 模式識(shí)別系統(tǒng) 3
2.1.3 相關(guān)值計(jì)算 4
2.2 Visual C++ 6.0 概述 5
2.2.1 Visual C++簡(jiǎn)介 5
2.2.2 圖像設(shè)備接口 5
2.3.3 MFC的消息處理模式 6
第3章 基于概率統(tǒng)計(jì)的Bayes分類器 8
3.1 Bayes決策的基本概念 8
3.1.1 Bayes決策所討論的問(wèn)題 8
3.1.2 Bayes公式 9
3.2 基于最小錯(cuò)誤率的Bayes決策 11
3.2.1 兩類問(wèn)題 11
3.2.2 多類問(wèn)題 12
3.2.3 最小錯(cuò)誤率的證明 14
3.3 基于最小風(fēng)險(xiǎn)的Bayes決策 15
3.4 Bayes決策的比較 18
3.4.1 兩類Bayes決策的比較 18
3.4.2 實(shí)例比較 19
第4章 基于Bayes決策的手寫(xiě)數(shù)字字符分類的實(shí)現(xiàn) 21
4.1模擬手寫(xiě)數(shù)字 21
4.1.1 手寫(xiě)數(shù)字區(qū)域 21
4.1.2 模擬數(shù)字寫(xiě)入的實(shí)現(xiàn) 21
4.2 待測(cè)樣本的特征提取 22
4.2.1手寫(xiě)數(shù)字特征源的獲得 23
4.2.2 特征提取 23
4.2.3 編程代碼 23
4.3 基于Bayes決策的手寫(xiě)數(shù)字字符分類的實(shí)現(xiàn) 24
4.3.1 樣品均值 24
4.3.2 協(xié)方差矩陣 24
4.3.3 先驗(yàn)概率 26
4.3.4 協(xié)方差矩陣的行列式 26
4.3.5 協(xié)方差矩陣的逆矩陣 28
4.3.6 判別函數(shù) 29
4.4 基于Bayes決策的手寫(xiě)數(shù)字字符分類的實(shí)現(xiàn) 30
4.4.1 均值、協(xié)方差矩陣等相關(guān)值的計(jì)算 30
4.4.2 后驗(yàn)概率 30
4.4.3 損失函數(shù) 30
第5章 總結(jié) 32
致謝 33
參考文獻(xiàn) 34
附錄 部分源代碼 35

摘要

 數(shù)字字符識(shí)別廣泛的應(yīng)用到汽車(chē)牌照識(shí)別，大規(guī)模數(shù)據(jù)統(tǒng)計(jì)，財(cái)務(wù)、稅務(wù)等金融領(lǐng)域和郵件分揀等領(lǐng)域中。隨著國(guó)家信息化進(jìn)程的加速，手寫(xiě)數(shù)字識(shí)別的應(yīng)用需求將越來(lái)越廣泛，因此應(yīng)當(dāng)加強(qiáng)這方面的研究工作。數(shù)字字符識(shí)別的方法有很多種，比如基于基于最小錯(cuò)誤率Bayes決策和最小風(fēng)險(xiǎn)的Bayes決策，基于獨(dú)立分量分析，人工神經(jīng)網(wǎng)絡(luò)等方法。
 本論文設(shè)計(jì)是基于最小錯(cuò)誤率Bayes決策和最小風(fēng)險(xiǎn)的Bayes決策的手寫(xiě)數(shù)字字符分類。在Visual C++ 6.0的環(huán)境下，利用MFC開(kāi)發(fā)出模擬手寫(xiě)環(huán)境，通過(guò)對(duì)手寫(xiě)數(shù)字字符的位置定位及其特征的提取，并利用基于最小錯(cuò)誤率Bayes決策或最小風(fēng)險(xiǎn)的Bayes決策相關(guān)的理論知識(shí)，計(jì)算出相應(yīng)判別函數(shù)和損失函數(shù)的值，并實(shí)現(xiàn)對(duì)0到9模擬手寫(xiě)字符的分類。

關(guān)鍵字：Visual C++ 6.0，Bayes決策，數(shù)字字符識(shí)別。
 
Abstract
 
 Figure recognition is widely used in license screening, large scale data analysis, financial and tax fields and mail sorting. With the acceleration of information development, handwriting figure recognition is in great need, and related research should be stressed. There are many methods of figure recognition, such as Bayes decision of minimal false rate and Bayes decision of least risk, based on individual part analysis, and artificial intellectual network.
 The design included in this essay is based on figure recognition of bayes decision of minimal false rate and that of least risk. In the environment of Visual C++ 6.0, we use MFC to develop mimic handwriting situation to get the result of discrimination function and loss function and to realize the categorization of figures 0 to 9 through locating handwriting figures and the traction of related characteristics as well as bayes decision of minimal false rate and least risk.

Keywords：Visual C++ 6.0, Bayes decision, Figure recognition