| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-12页 |
| ·引言 | 第7-8页 |
| ·课题研究的意义和目的 | 第8-9页 |
| ·本文结构及主要内容 | 第9-12页 |
| 第二章 货币识别系统 | 第12-19页 |
| ·货币识别系统概述 | 第12-15页 |
| ·货币识别技术 | 第15-18页 |
| ·货币识别技术现状 | 第15-16页 |
| ·货币识别技术发展趋势 | 第16-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 统计学习理论与支持向量机 | 第19-36页 |
| ·机器学习中的两个基本问题 | 第20-22页 |
| ·经验风险最小化 | 第21页 |
| ·复杂性与泛化能力 | 第21-22页 |
| ·统计学习理论的核心内容 | 第22-26页 |
| ·学习过程一致性的条件 | 第22-23页 |
| ·函数集学习性能的指标 | 第23-25页 |
| ·结构风险最小化 | 第25-26页 |
| ·支持向量机(SVM) | 第26-32页 |
| ·最优分类面和广义最优分类面 | 第27-29页 |
| ·高维空间中的最优分类面 | 第29-30页 |
| ·支持向量机 | 第30-31页 |
| ·支持向量机特点 | 第31-32页 |
| ·支持向量机训练算法综述 | 第32-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 改进的支持向量机算法研究 | 第36-48页 |
| ·支持向量机待解决的关键问题 | 第36-37页 |
| ·改进的支持向量机训练算法 | 第37-41页 |
| ·基于几何思想的支持向量机算法 | 第37页 |
| ·对支持向量机的几何直观理解 | 第37-39页 |
| ·基于壳向量的支持向量机快速算法的基本思想 | 第39-41页 |
| ·基于壳向量的支持向量机快速算法的基本步骤 | 第41页 |
| ·解决多类问题的支持向量机算法 | 第41-46页 |
| ·常用多类支持向量机算法 | 第42-43页 |
| ·多层次支持向量机分类树结构 | 第43-45页 |
| ·基于核聚类的多层支持向量机分类树 | 第45-46页 |
| ·本章小结 | 第46-48页 |
| 第五章 数据采样、预处理及基于支持向量机的货币识别 | 第48-59页 |
| ·特征提取的理论基础 | 第48-50页 |
| ·PCA 主分量分析法的基本原理 | 第48-49页 |
| ·PCA 主分量分析法的计算方法 | 第49-50页 |
| ·PCA 方法的特点 | 第50页 |
| ·原始数据采样 | 第50-52页 |
| ·采样数据的预处理及特征提取 | 第52-56页 |
| ·采样数据预处理 | 第53-55页 |
| ·输入特征提取 | 第55-56页 |
| ·试验结果及分析 | 第56-58页 |
| ·BP 神经网络实验结果及分析 | 第56-57页 |
| ·支持向量机分类器及实验结果 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| ·总结 | 第59-60页 |
| ·不足之处及展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士期间主要的研究成果 | 第66页 |