基于NMF和ENN的货币识别方法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-14页 |
| ·引言 | 第8-9页 |
| ·课题研究的意义与目的 | 第9-10页 |
| ·国内外货币识别研究现状 | 第10-13页 |
| ·本文主要内容及章节安排 | 第13-14页 |
| 第二章 非负矩阵分解理论 | 第14-25页 |
| ·非负矩阵分解(NMF)介绍 | 第14页 |
| ·基于交替非负约束最小二乘法的NMF算法 | 第14-18页 |
| ·双块坐标下降及收敛性探讨 | 第14-16页 |
| ·基于交替非负约束最小二乘法的NMF算法介绍 | 第16-18页 |
| ·基于交替非负约束最小二乘法的NMF算法总结 | 第18页 |
| ·分块主旋转算法 | 第18-23页 |
| ·右侧为向量的情况 | 第18-20页 |
| ·右侧为矩阵(多个列向量)的情况 | 第20-22页 |
| ·停止条件 | 第22-23页 |
| ·两个NMF算法的实验结果对比 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 人工神经网络 | 第25-36页 |
| ·人工神经网络的概念 | 第25-28页 |
| ·神经元的特性 | 第25-26页 |
| ·神经网络的基本特性和结构分类 | 第26-27页 |
| ·神经网络的主要学习算法 | 第27-28页 |
| ·神经网络的典型模型 | 第28页 |
| ·LVQ神经网络 | 第28-31页 |
| ·LVQ网络结构 | 第28-29页 |
| ·LVQ学习算法 | 第29-31页 |
| ·BP神经网络 | 第31-35页 |
| ·BP网络结构 | 第31-32页 |
| ·BP网络学习算法 | 第32-34页 |
| ·BP学习算法的不足与改进 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 神经网络集成 | 第36-39页 |
| ·神经网络集成概念 | 第36-37页 |
| ·基于负相关学习的神经网络集成 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第五章 货币识别仿真实验 | 第39-46页 |
| ·MATLAB简介 | 第39页 |
| ·货币特征提取 | 第39-42页 |
| ·实验原始数据选择 | 第39-40页 |
| ·特征提取 | 第40-42页 |
| ·分类器实验及结果 | 第42-45页 |
| ·LVQ分类器 | 第42-43页 |
| ·BP分类器 | 第43-44页 |
| ·负相关集成网络分类 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第六章 结论与展望 | 第46-48页 |
| ·总结 | 第46-47页 |
| ·展望 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 附录 | 第53-55页 |
| 致谢 | 第55页 |
