基于改進(jìn)主成分分析和神經(jīng)網(wǎng)絡(luò)的美元識(shí)別研究.pdf

1、隨著我國(guó)加入WTO，銀行與國(guó)際金融的接軌，外匯存兌尤其是美元柜臺(tái)交易業(yè)務(wù)已成為各銀行必須的業(yè)務(wù)。然而美元鑒偽機(jī)具很少，可以信賴的美元鑒偽機(jī)具更是微乎其微。再加上造假者猖獗，這從一個(gè)側(cè)面折射出目前所應(yīng)用的技術(shù)尚待進(jìn)一步完善，另一方面也反映出美元鑒偽研究課題具有理論與實(shí)際雙重挑戰(zhàn)性。 本文在充分學(xué)習(xí)了美元識(shí)別的國(guó)內(nèi)外研究現(xiàn)狀和研究方法之后，分析了美元真?zhèn)螏诺奶卣鳎x用有效的傳感器獲取美元有用的隱性特征，并針對(duì)美元的特征提取和識(shí)別進(jìn)行

2、了一些的探討，提出了一種基于改進(jìn)主成分分析（IPCA）和改進(jìn)學(xué)習(xí)矢量量化（IMLVQ）神經(jīng)網(wǎng)絡(luò)的美元識(shí)別方法。 在特征提取階段，針對(duì)廣泛用于美元特征提取的主成分分析技術(shù)（PCA）存在計(jì)算復(fù)雜，不能準(zhǔn)確估計(jì)訓(xùn)練圖像的協(xié)方差矩陣以及沒有考慮區(qū)分樣本真?zhèn)蔚姆诸愄卣鞯鹊膯栴}，提出了IPCA特征提取算法。 該方法首先把訓(xùn)練圖像的右奇異向量作為PCA求解的圖像子空間的基向量，避免了將圖像陣列轉(zhuǎn)換成圖像向量，明顯降低了計(jì)算復(fù)雜性；然后

3、利用PCA本身所固有的能量聚集特性和Laplacian矩陣的特性，最大程度上提取了樣本的真?zhèn)翁卣餍畔ⅰ?在分類器設(shè)計(jì)階段，通過閱讀大量文獻(xiàn)和書籍，指出了廣泛用于美元識(shí)別的LVQ神經(jīng)網(wǎng)絡(luò)方法及其各種改進(jìn)模型的不足，并提出了IMLVQ神經(jīng)網(wǎng)絡(luò)識(shí)別算法。 該算法不僅從理論上有效克服傳統(tǒng)LVQ算法的對(duì)初值敏感，泛化能力差的問題，而且具有更好的學(xué)習(xí)能力。 針對(duì)建立的模型，進(jìn)行了MATLAB仿真和C++程序設(shè)計(jì)，并對(duì)實(shí)驗(yàn)結(jié)果