| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-11页 |
| 1.1 引言 | 第8页 |
| 1.2 课题研究的意义与目的 | 第8-9页 |
| 1.3 本文结构及主要内容 | 第9-11页 |
| 第2章 纸币识别技术 | 第11-16页 |
| 2.1 纸币识别技术的现状 | 第11-12页 |
| 2.2 纸币识别的相关方法 | 第12-14页 |
| 2.3 本章小结 | 第14-16页 |
| 第3章 支持向量机分类原理分析 | 第16-29页 |
| 3.1 支持向量机基本理论 | 第16-23页 |
| 3.1.1 最大间隔平面 | 第16-18页 |
| 3.1.2 支持向量机原理 | 第18-21页 |
| 3.1.3 支持向量机常用训练算法 | 第21-23页 |
| 3.2 支持向量机训练算法的关键问题 | 第23页 |
| 3.3 支持向量机的核函数 | 第23-28页 |
| 3.3.1 支持向量机核函数的分类 | 第23-24页 |
| 3.3.2 多项式核函数支持向量机快速分类算法 | 第24-25页 |
| 3.3.3 径向基函数 | 第25-27页 |
| 3.3.4 sigmoid 核函数 | 第27-28页 |
| 3.4 小结 | 第28-29页 |
| 第4章 遗传算法支持向量机理论对纸币识别 | 第29-49页 |
| 4.1 遗传算法和支持向量机在纸币识别中待解决的关键问题 | 第29页 |
| 4.1.1 遗传算法的应用 | 第29页 |
| 4.1.2 支持向量机的应用 | 第29页 |
| 4.2 图像的预处理 | 第29-37页 |
| 4.2.1 遗传算法二值化 | 第29-33页 |
| 4.2.2 图像分割 | 第33-35页 |
| 4.2.3 字符归一化 | 第35-36页 |
| 4.2.4 特征值的提取 | 第36-37页 |
| 4.3 支持向量机识别 | 第37-43页 |
| 4.3.1 聚类数据法 | 第38页 |
| 4.3.2 支持向量机核函数的选取 | 第38-40页 |
| 4.3.3 分类类型的选取 | 第40-43页 |
| 4.3.4 支持向量机算法的选用 | 第43页 |
| 4.4 字符的识别训练与测试过程 | 第43-47页 |
| 4.4.1 字符训练过程 | 第43-45页 |
| 4.4.2 字符测试过程 | 第45-47页 |
| 4.5 实验过程 | 第47-48页 |
| 4.6 与简单 BP 神经网络实验结果对比 | 第48页 |
| 4.7 小结 | 第48-49页 |
| 第5章 结论 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 在学研究成果 | 第53-54页 |
| 致谢 | 第54页 |