众文网1.VC++数字手写识别论文资料
基于BP网络手写数字识别系统的VC_实现 提要模式识别属于当代高科技研究的重要领域，已经发展为一门独立的新学科。
模式识别技术迅速发展，几乎遍及各个学科，广泛应用于人工智能、机器人、系统控制、遥感数据分析、生物医学工程、军事目标识别等领域，在国民经济、国防建设和社会发展等方面得到广泛应用，产生了深远影响。一般习惯将单隐层感知器称为三层感知器，所谓三层包括了输入层、隐层和输出层。
本人采用这种三层感知器的BP网络。多层感知器训练后将所提取的样本对中的非线性映射关系存储在权值矩阵中，在其后的工作阶段，当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入空间向输出空间的正确映射。
多层感知器的魅力还在于，允许输入样本中带有较大的误差甚至个别错误。因为对权矩阵的调整过程也是从大量的样本队中提取统计特性的过程，反映正确规律的知识来自全体样本，个别样本中的误差不能左右对权矩阵的调整。
本人引入陡度因子，使其输出退出变换函数的饱和区，就可以改变误差函数的形状，从而使调整脱离平坦区。应用结果表明该方法对于提高BP算法的收敛速度十分有效。
目前这套系统的识别率非常高，系统运行很稳定。关键词：人工神经网络，模式识别，VC++目录第1章绪论。
.11.1人工神经网络概述。
.11.1.1人脑与计算机信息处理能力的比较。
11.1.2人脑与计算机信息处理机制的比较。
31.1.3什么是人工神经网络。
41.2神经网络的基本特点与功能。
..51.2.1神经网络的基本特点。
51.2.2神经网络的基本功能。
61.3论文主要研究内容。
.8第2章本文所使用的关键技术。
.92.1人工神经元模型。
92.1.1神经元的建模。
..92.1.2神经元的数学模型。
102.1.3神经元的变换函数。
122.2人工神经网络模型。
142.2.1网络拓补结构类型。
.152.2.2网络信息流向类型。
162.3神经网络学习。
.162.3.1连续感知器学习规则。
..182.3.2最小均方学习规则。
192.3.3相关学习规则。
..192.3.4外星学习规则。
..19第3章基于BP网络手写数字识别系统的架构设计。
..213.1单层感知器。
213.1.1感知器模型。
213.1.2感知器的功能。
.223.1.3感知器的学习算法。
.233.2误差反传算法。
.233.2.1基于BP算法的多层感知器模型。
243.2.2 BP学习算法。
253.2.3 BP算法的程序实现。
..283.2.4多层感知器的主要能力。
30第4章基于BP网络手写数字识别系统的关键技术与实现。
..324.1模式识别的基本概念。
..32。
.334.3位图基础。
..354.3.1数字图像的基本概念。
..354.3.2 BMP文件结构。
364.3.3 Cdib类库的建立。
..394.4神经网络分类器的具体实现。
.47第5章论文工作总结。
.60参考文献。
61摘要Abstract致谢 你好，我有相关论文资料（博士硕士论文、期刊论文等）可以对你提供相关帮助，需要的话请加我，7 6 1 3 9 9 4 5 7（扣扣），谢谢。
2.IDRISI多目标方法本人在写毕业论文关于评价地市用地防灾适宜度 爱问
IDRISI是一个将地理信息系统和图像处理功能完美结合的软件，它所提供的250多个模块能有效地显示、处理和分析各种数字化的空间信息。
纵观目前的空间信息产业领域，恐怕还没有第二种软件能像IDRISI那样，在同一个系统中提供如此齐备、完善的GIS和图像处理工具。 1、使用IDRISI最新开发的土地变化模型（land change modeler）工具，可以模拟和预测土地覆盖的变化，并对造成这些变化的因素和机制进行分析 针对生态可持续性研究而开发的土地变化模型工具，有效集成了以下几方面的功能： （1） 土地覆盖变化评估； （2） 土地覆盖变化预测； （3） 土地覆盖变化对动植物生境和生物多样性影响的生态评估； （4） 生态调节规划 2、使用一套完整的图像处理技术对遥感图像进行处理，包括独具特色的软分类（soft classifier）分类器、神经网络（neural network）分类器以及决策树分析（decision tree analyses）分类器 IDRISI拥有不同凡响的图像分类工具，其中具有自我学习能力的三种神经网络分类器最具特色，它们分别是：多图层识别感知器（multi-layer perceptron），自组织地图（self organizing map），以及基于可适应共鸣理论（Adaptive Resonance Theory, ART）与模糊数学理论的模糊ART地图（fuzzy ART map）。
3、利用边缘切割决策支持（cutting-edge decision support）和不确定性管理（uncertainty management）工具对资源进行分配，并建立适宜性分布图 右图是利用IDRISI所作的研究实例之一：未来海平面上升对越南某沿海水稻产区可能造成的影响。 这一研究的重要内容就是充分考虑了高程数据与海平面上升的不确定性，并将二者紧密结合，从而预测海侵及受淹地区。
左上角那幅图就是基于某一可接受的风险水平所作的洪水分布概率图。在此基础上，利用多准则分析（multi-criteria analysis）模型对洪水发生后人们的重新安置做出预测，并生成一幅土地覆盖的预测图。
IDRISI的最新版本Taiga已于2009年1月在美国发布。该新版本包含了更多和更复杂的时间序列可视化和分析，以及地球趋势模型（Earth Trends Modeler），为当今炙手可热的气候变化课题提供了有效的分析工具。
3.毕业论文 外文翻译 求好人帮忙（2）
最近的工作在主动学习领域提出了最佳方式辨识哪种情况下，通过最小化的标签将分类错误（29岁）。
这种方法也被称为经验风险最小化范围之内。该方法都有很好的效果，也是求取作为一个需要考虑的，因为每个实例的分类错误，如果一个是知道正确的标签，这种情况下。
换句话说，看看预期的分类误差为实例呈现每种可能class-labels和重量，它由（预测）可能性实例呈现那个类标签。这意味着一个人需要引起一种新的分类器为每个unlabeled实例以估计其风险。
倡导的一种新方法在半监督学习的关系数据使用高斯领域和谐波功能[37]。这个特殊方法，基于图论方法如（如[5,18岁，37岁，34]），假设数据的形式给出了部分标记，所有的数据图表所示，相互联系的。
这个设置也被称为within-network学习在统计关联的学习（21），虽然基于图论方法只考虑的案例。数理统计与管理。
1999,18（例如，图形都是由一种节点和边缘和唯一的变量在班上标签，其价值是知道中节点的子集下图）。高斯领域和谐波功能方案已经结合使用，与主动学习都能成功[38]。
根据我们所知，这是唯一的已经发表的作品，在这两种学习方法结合。各种活性的学习策略进行了测试，在这部作品中，他们在那儿发现使用嗯确实执行最好的在各种策略。
当一个有效的方式提出了风险计算的计算成本降到最低的（），你还需要考虑到所有的unlabeled积分，这是一个昂贵的任务。一个关键的观察结果在工作中是风险管理经常被选中节点中心的“组”在图。
4.论文求助
您好， 对您专业的知识欠缺，所以只能提供相关的资料给你：支持向量机在数据挖掘中的应用研究摘 要：支持向量机（Support Vector Machine, SVM）是数据挖掘和机器学习中的一个很有效的工具。
结合支持向量机在数据挖掘和机器学习中的应用， 介绍了支持向量机的基本原理， 发展方向及其研究热点。？ 关键词：支持向量机； 数据挖掘； 机器学习？？ 1 SVM的提出和基本思想？ 支持向量机是Vapnik等人提出的，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，已应用于手写体识别、三维目标识别、人脸识别、文本图像分类等实际问题中，性能优于已有的学习方法，表现出良好的学习能力。
它是从线性可分情况下的线性分类面发展而来的，接着利用核函数很好的解决了非线性可分情况。？ 2 支持向量机的几个发展？ （1）模糊支持向量机，引入样本对类别的隶属度函数，这样每个样本对于类别的影响是不同的，这种理论的应用提高了SVM的抗噪声的能力，尤其适合在未能完全揭示输入样本特性的情况下。
（2）最小二乘支持向量机。这种方法是在1999年提出，经过这几年的发展，已经应用要很多相关的领域。
研究的问题已经推广到：对于大规模数据集的处理；处理数据的鲁棒性；参数调节和选择问题；训练和仿真。？ （3）加权支持向量机（有偏样本的加权，有偏风险加权）。
（4）主动学习的支持向量机。主动学习在学习过程中可以根据学习进程，选择最有利于分类器性能的样本来进一步训练分类器，特能有效地减少评价样本的数量。
（5）粗糙集与支持向量机的结合。首先利用粗糙集理论对数据的属性进行约简，能在某种程度上减少支持向量机求解计算量。
（6）基于决策树的支持向量机。对于多类问题，采用二岔树将药分类的样本集构造出一系列的两类问题，每个两类构造一个SVM。
? (7)分级聚类的支持向量机。基于分级聚类和决策树思想构建多类svm，使用分级聚类的方法，可以先把n-1个距离较近的类别结合起来，暂时看作一类，把剩下的一类作为单独的一类，用svm分类，分类后的下一步不再考虑这单独的一类，而只研究所合并的n-1类，再依次下去。
（8）算法上的提高。Vapnik在1995年提出了一种称为“chunking”的块算法，即如果删除矩阵中对应Lagrange乘数为0的行和列，将不会影响最终结果。
Osuna提出了一种分解算法，应用于人脸识别领域。Joachims在1998年将Osuna提出的分解策略推广到解决大型SVM学习的算法。
Platt于1998年提出了序贯最小优化每次的工作集中只有2个样本。？ （9）核函数的构造和参数的选择理论研究。
基于各个不同的应用领域，可以构造不同的核函数，能够或多或少的引入领域知识。现在核函数广泛应用的类型有：多项式逼近、贝叶斯分类器、径向机函数、多层感知器。
参数的选择现在利用交叉验证的方法来确认。？ （10）支持向量机从两类问题向多类问题的推广。
Weston在1998年提出的多类算法为代表。在经典svm理论的基础上，直接在目标函数上进行改进，重新构造多值分类模型，建立k分类支持向量机。
通过sv方法对新模型的目标函数进行优化，实现多值分类。？ 一对多（one-against-rest）——Vapnik提出的，k类——k个分类器，第m个分类器将第m类与其余的类分开，也就是说将第m类重新标号为1，其他类标号为-1。
完成这个过程需要计算k个二次规划，根据标号将每个样本分开，最后输出的是两类分类器输出为最大的那一类。不足：容易产生属于多类别的点（多个1）和没有被分类的点（标号均为-1）——不对，训练样本数据大，训练困难，推广误差无界。
层（数分类方法），是对一对一方法的改进，将k个分类合并为两个大类，每个大类里面再分成两个子类，如此下去，直到最基本的k个分类，这样形成不同的层次，每个层次都用svm来进行分类——1对r-1法，构建k-1个分类器，不存在拒绝分类区。？ 3 主要研究热点？ 从上面的发展中，我们可以总结出，目前支持向量机有着几方面的研究热点：核函数的构造和参数的选择；支持向量机从两类问题向多类问题的推广；更多的应用领域的推广；与目前其它机器学习方法的融合；与数据预处理（样本的重要度、属性的重要度、特征选择等）方法的结合。
参考文献？ 〔1〕？张学工.统计学习理论的本质〔M〕.北京：清华大学出版社，2000.？ 〔2〕？NelloCristianini,JohnShawe-Taylor.支持向量机导论〔M〕.北京：电子工业出版社，2004.仅供参考，请自借鉴希望对您有帮助。