電子信息工程論文編號:DZXX235  論文字數:12561,頁數: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 國內外研究的現狀 2
第2章 基本知識介紹 3
2.1 模式識別的基本概念 3
2.1.1 模式識別的基本概念 3
2.1.2 模式識別系統 3
2.1.3 相關值計算 4
2.2 Visual C++ 6.0 概述 5
2.2.1 Visual C++簡介 5
2.2.2 圖像設備接口 5
2.3.3 MFC的消息處理模式 6
第3章 基于概率統計的Bayes分類器 8
3.1 Bayes決策的基本概念 8
3.1.1 Bayes決策所討論的問題 8
3.1.2 Bayes公式 9
3.2 基于最小錯誤率的Bayes決策 11
3.2.1 兩類問題 11
3.2.2 多類問題 12
3.2.3 最小錯誤率的證明 14
3.3 基于最小風險的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 實例比較 19
第4章 基于Bayes決策的手寫數字字符分類的實現 21
4.1模擬手寫數字 21
4.1.1 手寫數字區域 21
4.1.2 模擬數字寫入的實現 21
4.2 待測樣本的特征提取 22
4.2.1手寫數字特征源的獲得 23
4.2.2 特征提取 23
4.2.3 編程代碼 23
4.3 基于Bayes決策的手寫數字字符分類的實現 24
4.3.1 樣品均值 24
4.3.2 協方差矩陣 24
4.3.3 先驗概率 26
4.3.4 協方差矩陣的行列式 26
4.3.5 協方差矩陣的逆矩陣 28
4.3.6 判別函數 29
4.4 基于Bayes決策的手寫數字字符分類的實現 30
4.4.1 均值、協方差矩陣等相關值的計算 30
4.4.2 后驗概率 30
4.4.3 損失函數 30
第5章 總結 32
致謝 33
參考文獻 34
附錄 部分源代碼 35

摘要

 數字字符識別廣泛的應用到汽車牌照識別，大規模數據統計，財務、稅務等金融領域和郵件分揀等領域中。隨著國家信息化進程的加速，手寫數字識別的應用需求將越來越廣泛，因此應當加強這方面的研究工作。數字字符識別的方法有很多種，比如基于基于最小錯誤率Bayes決策和最小風險的Bayes決策，基于獨立分量分析，人工神經網絡等方法。
 本論文設計是基于最小錯誤率Bayes決策和最小風險的Bayes決策的手寫數字字符分類。在Visual C++ 6.0的環境下，利用MFC開發出模擬手寫環境，通過對手寫數字字符的位置定位及其特征的提取，并利用基于最小錯誤率Bayes決策或最小風險的Bayes決策相關的理論知識，計算出相應判別函數和損失函數的值，并實現對0到9模擬手寫字符的分類。

關鍵字：Visual C++ 6.0，Bayes決策，數字字符識別。
 
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