数字字符分类模拟演示系统

电子信息工程论文编号:DZXX235  论文字数:12561,页数:45

目录

摘要 I
Abstract II
第1章 绪论 1
1.1 课题的研究背景 1
1.2 选题的目的及其意义 1
1.3 国内外研究的现状 2
第2章 基本知识介绍 3
2.1 模式识别的基本概念 3
2.1.1 模式识别的基本概念 3
2.1.2 模式识别系统 3
2.1.3 相关值计算 4
2.2 Visual C++ 6.0 概述 5
2.2.1 Visual C++简介 5
2.2.2 图像设备接口 5
2.3.3 MFC的消息处理模式 6
第3章 基于概率统计的Bayes分类器 8
3.1 Bayes决策的基本概念 8
3.1.1 Bayes决策所讨论的问题 8
3.1.2 Bayes公式 9
3.2 基于最小错误率的Bayes决策 11
3.2.1 两类问题 11
3.2.2 多类问题 12
3.2.3 最小错误率的证明 14
3.3 基于最小风险的Bayes决策 15
3.4 Bayes决策的比较 18
3.4.1 两类Bayes决策的比较 18
3.4.2 实例比较 19
第4章 基于Bayes决策的手写数字字符分类的实现 21
4.1模拟手写数字 21
4.1.1 手写数字区域 21
4.1.2 模拟数字写入的实现 21
4.2 待测样本的特征提取 22
4.2.1手写数字特征源的获得 23
4.2.2 特征提取 23
4.2.3 编程代码 23
4.3 基于Bayes决策的手写数字字符分类的实现 24
4.3.1 样品均值 24
4.3.2 协方差矩阵 24
4.3.3 先验概率 26
4.3.4 协方差矩阵的行列式 26
4.3.5 协方差矩阵的逆矩阵 28
4.3.6 判别函数 29
4.4 基于Bayes决策的手写数字字符分类的实现 30
4.4.1 均值、协方差矩阵等相关值的计算 30
4.4.2 后验概率 30
4.4.3 损失函数 30
第5章 总结 32
致谢 33
参考文献 34
附录 部分源代码 35

摘要

 数字字符识别广泛的应用到汽车牌照识别，大规模数据统计，财务、税务等金融领域和邮件分拣等领域中。随着国家信息化进程的加速，手写数字识别的应用需求将越来越广泛，因此应当加强这方面的研究工作。数字字符识别的方法有很多种，比如基于基于最小错误率Bayes决策和最小风险的Bayes决策，基于独立分量分析，人工神经网络等方法。
 本论文设计是基于最小错误率Bayes决策和最小风险的Bayes决策的手写数字字符分类。在Visual C++ 6.0的环境下，利用MFC开发出模拟手写环境，通过对手写数字字符的位置定位及其特征的提取，并利用基于最小错误率Bayes决策或最小风险的Bayes决策相关的理论知识，计算出相应判别函数和损失函数的值，并实现对0到9模拟手写字符的分类。

关键字：Visual C++ 6.0，Bayes决策，数字字符识别。
 
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