基于多核学习支持向量机的货币识别
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 货币识别技术现状 | 第10-12页 |
| 1.3 论文主要内容与结构安排 | 第12-14页 |
| 2 支持向量机 | 第14-22页 |
| 2.1 统计学习理论核心内容 | 第14-16页 |
| 2.1.1 机器学习问题 | 第14页 |
| 2.1.2 VC 维 | 第14-15页 |
| 2.1.3 推广性能的界 | 第15页 |
| 2.1.4 结构风险最小化原则 | 第15-16页 |
| 2.2 线性支持向量机 | 第16-18页 |
| 2.3 软间隔支持向量机 | 第18-20页 |
| 2.4 非线性支持向量机 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 多核学习支持向量机 | 第22-37页 |
| 3.1 多核学习 | 第22-23页 |
| 3.2 多核学习优化问题 | 第23-25页 |
| 3.3 多核学习算法 | 第25-28页 |
| 3.4 多核学习SVM算法流程 | 第28-29页 |
| 3.5 基于多核学习的货币特征融合 | 第29-30页 |
| 3.6 实验与结果分析 | 第30-36页 |
| 3.6.1 纸币特征采集 | 第30-32页 |
| 3.6.2 纸币特征预处理 | 第32页 |
| 3.6.3 实验结果及分析 | 第32-36页 |
| 3.7 本章小结 | 第36-37页 |
| 4 多核学习与MEB半径 | 第37-48页 |
| 4.1 MEB半径与泛化风险 | 第37-38页 |
| 4.2 二范数软间隔SVM | 第38-39页 |
| 4.3 融入半径信息的多核学习 | 第39-43页 |
| 4.4 算法流程 | 第43-44页 |
| 4.5 实验结果及分析 | 第44-47页 |
| 4.6 本章小结 | 第47-48页 |
| 5 总结与展望 | 第48-51页 |
| 5.1 总结 | 第48-49页 |
| 5.2 展望 | 第49-51页 |
| 参考文献 | 第51-58页 |
| 攻读学位期间主要的研究成果目录 | 第58-59页 |
| 致谢 | 第59页 |
