基于改进主成分分析和神经网络的美元识别研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-12页 |
| ·美元识别的研究背景 | 第9-10页 |
| ·美元识别国内外研究现状 | 第10-11页 |
| ·本文的组织安排 | 第11-12页 |
| 第二章 美元识别研究技术和本文研究思路 | 第12-20页 |
| ·国内货币识别研究技术 | 第12-15页 |
| ·传统研究方法 | 第12-14页 |
| ·机器学习研究方法 | 第14-15页 |
| ·美元识别研究技术 | 第15-17页 |
| ·神经网络方法 | 第15页 |
| ·优化神经网络方法 | 第15-17页 |
| ·其他方法 | 第17页 |
| ·本文研究思路和设计框架 | 第17-19页 |
| ·本文研究思路 | 第17-18页 |
| ·本文总体设计框架 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 基于改进PCA的美元特征提取 | 第20-35页 |
| ·美元防伪特征分析 | 第20-24页 |
| ·美元纸币的防伪特征 | 第20-22页 |
| ·机器可以识别的特征 | 第22页 |
| ·光电子识别理论基础 | 第22-24页 |
| ·传感器的选择 | 第24-25页 |
| ·一种改进的PCA技术(IPCA) | 第25-34页 |
| ·主成分分析技术(PCA) | 第25-26页 |
| ·对PCA算法分析 | 第26-27页 |
| ·对PCA技术的改进算法 | 第27-31页 |
| ·对改进算法的分析和进一步优化 | 第31-32页 |
| ·算法(IPCA)具体步骤 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 分类器的设计 | 第35-51页 |
| ·LVQ神经网络与BP神经网络比较 | 第35-40页 |
| ·LVQ神经网络 | 第35-37页 |
| ·BP神经网络 | 第37-40页 |
| ·LVQ神经网络与BP神经网络对比 | 第40页 |
| ·LVQ神经网络的改进模型 | 第40-48页 |
| ·LVQ2和LVQ3算法 | 第40-42页 |
| ·广义矢量量化模型 | 第42-44页 |
| ·MLVQ聚类算法 | 第44-48页 |
| ·一种改进的LVQ算法 | 第48-50页 |
| ·LVQ及其改进算法的不足 | 第48-49页 |
| ·一种改进的LVQ算法(IMLVQ) | 第49-50页 |
| ·算法流程图 | 第50页 |
| ·本章小结 | 第50-51页 |
| 第五章 基于本文算法的实验 | 第51-61页 |
| ·MATLAB简介 | 第51页 |
| ·C++ builder 6简介 | 第51页 |
| ·样本数据的获取 | 第51-53页 |
| ·使用IPCA技术进行特征提取 | 第53-55页 |
| ·实验步骤 | 第53-54页 |
| ·算法实现的主要函数 | 第54-55页 |
| ·基于IMLVQ神经网络的美元识别 | 第55-60页 |
| ·新训练样本数据的选择与组织 | 第55页 |
| ·网络结构和初始参数的确定 | 第55-56页 |
| ·样本训练和测试 | 第56-57页 |
| ·对比实验 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 第六章 结论与展望 | 第61-63页 |
| ·工作总结 | 第61页 |
| ·展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 附录Ⅰ | 第69-71页 |
| 附录Ⅱ | 第71-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间主要研究成果 | 第75页 |
