基于支持向量机的货币识别研究

论文摘要

论文围绕支持向量机分类器的算法及支持向量机应用于货币识别进行了一些探索性的研究。货币识别是一个小样本、非线性和高维模式识别问题，是当前模式识别中的难题之一，具有重要的研究意义和实用价值。支持向量机是一种新的基于统计学习理论的机器学习算法，它可以应用于小样本、非线性和高维模式识别。训练算法采用一种支持向量机快速算法—基于壳向量的支持向量机算法(HVSVM)。利用训练样本集中的几何信息，在样本中首先选取一部分最有可能成为支持向量的样本—壳向量，将其作为新的训练样本集再进行SVM训练。由于在提取壳向量的过程中只需线性规划运算，之后的训练过程又只需处理原训练样本中的一部分，大大降低了二次规划过程的时间，使整个算法的训练速度大为提高。多值分类算法采用一种基于核聚类方法的多层次SVM分类树。该算法将核空间中的无监督学习方法和有监督学习方法结合起来，按照样本集逐层核聚类的结果对多层次分类树的子任务进行定义，使其更为准确有效。实现了一种结构更加简洁计算更有效率的多层SVM分类树算法。研究了支持向量机的学习算法，依据支持向量机的特点采用了对应的货币特征数据获取及预处理方法，提出采用HVSVM和改进的SVM分类树结构的多类分类器构建的支持向量机用于货币识别，从而达到对货币高效、准确识别。实验结果证实了该方案的有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 课题研究的意义和目的
• 1.3 本文结构及主要内容
• 第二章 货币识别系统
• 2.1 货币识别系统概述
• 2.2 货币识别技术
• 2.2.1 货币识别技术现状
• 2.2.2 货币识别技术发展趋势
• 2.3 本章小结
• 第三章 统计学习理论与支持向量机
• 3.1 机器学习中的两个基本问题
• 3.1.1 经验风险最小化
• 3.1.2 复杂性与泛化能力
• 3.2 统计学习理论的核心内容
• 3.2.1 学习过程一致性的条件
• 3.2.2 函数集学习性能的指标
• 3.2.3 结构风险最小化
• 3.3 支持向量机（SVM）
• 3.3.1 最优分类面和广义最优分类面
• 3.3.2 高维空间中的最优分类面
• 3.3.3 支持向量机
• 3.3.4 支持向量机特点
• 3.4 支持向量机训练算法综述
• 3.5 本章小结
• 第四章 改进的支持向量机算法研究
• 4.1 支持向量机待解决的关键问题
• 4.2 改进的支持向量机训练算法
• 4.2.1 基于几何思想的支持向量机算法
• 4.2.2 对支持向量机的几何直观理解
• 4.2.3 基于壳向量的支持向量机快速算法的基本思想
• 4.2.4 基于壳向量的支持向量机快速算法的基本步骤
• 4.3 解决多类问题的支持向量机算法
• 4.3.1 常用多类支持向量机算法
• 4.3.2 多层次支持向量机分类树结构
• 4.3.3 基于核聚类的多层支持向量机分类树
• 4.4 本章小结
• 第五章 数据采样、预处理及基于支持向量机的货币识别
• 5.1 特征提取的理论基础
• 5.1.1 PCA 主分量分析法的基本原理
• 5.1.2 PCA 主分量分析法的计算方法
• 5.1.3 PCA 方法的特点
• 5.2 原始数据采样
• 5.3 采样数据的预处理及特征提取
• 5.3.1 采样数据预处理
• 5.3.2 输入特征提取
• 5.4 试验结果及分析
• 5.4.1 BP 神经网络实验结果及分析
• 5.4.2 支持向量机分类器及实验结果
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 不足之处及展望
• 参考文献
• 致谢
• 攻读硕士期间主要的研究成果