基于势函数法的现金识别--王昊.docVIP

基于势函数法的现金识别 摘要 位势函数法是非线性分类其中常用的一种方法，它借用电场的概念，来解决模式的分类问题。在势函数法中，把属于一类的样品看做正电荷，而属于另一类的样品看做负电荷，从而把模式的分类转变为正负电荷转移，电位为零的等位线即为判别界限。本系统通过对训练模式特征空间中的积累位势函数修正，使积累位势函数对训练模式具有正确分类的性质，来实现现金的分类以及辨伪。 关键词：位势函数 判别门限 类间距离、 系统方案及论证 方案论证： 方案一： 将测试样本每个传感器60个点取平均，即将八个传感器的数据转化为八维数据进行判别，利用位势函数法，共分32类，包含100元A~G面，50元A~G面，20元A~G面，10元A~G面。本方案实现较为容易，过程简单，但判别效果不佳，误判概率较高，且由于新版旧版钱币差异不大，导致分类迭代次数大大增加，对分类结果判决界面造成较大影响。 方案二 基于方案一的缺陷，我们设计并验证了方案二。该方案原理仍采用位势函数法进行分类，但针对方案一中的缺陷进行如下改进： 1、将数据维数改进为480维，即每一组数据中包含8个传感器，每个传感器含有60个点。 2、针对480维数据处理运算量较大，事先进行数据处理，利用最优搜索法进行直接挑选的特征提取，将不同类之间差异不大，对总体判决函数贡献不大的点直接删除，将480维降维至60维处理，大大减少计算判决函数时的计算量。 方案三 经过试验，发现方案二中特征提取的方法中进行及矩阵运算时，计算量过大，导致算法最终特征提取后总运行时间增加，得不偿失，因此为保证最终数据可分性，将特征提取方法更正为剔除在固定位置类间距离最近的少数点；同时，出于保证判别结果准确性及实际的要求，将判别类数更改为四类，即只区分钱币的种类，该改进大大增加判决函数的可靠性，经测试，提取五个样本文件作为训练样本，五个作为测试样本时，误判的概率为零。 经过最终的比较我们选择方案三，至于采用势函数法进行分类，我们主要考虑到位势函数具有以下特点便于分类： ★可直接确定判决函数 ★适用于非线性和线性可分的情况 由于位势函数是非线性的，所以由位势函数训练算法产生的判别函数是非线性的。该方法可用于非线性可分情况，也可用于线性可分情况。另外位势函数的选取具有很强的灵活性，这点上使其具有很强的分类能力。 势函数的定义及选取方式 势函数法是非线性分类其中常用到的一种方法，它借用电场的概念，来解决模式的分类问题。 位势为0的等位线——判决界面（判别函数） 对于两类问题(1，(2， 如果x((1，则x 带正电荷 如果x((2，则x 带负电荷 因此如何确定位势为0的等位线——判别函数就是我们所关注的问题。势函数的选取需满足以下三个条件： ①,当且仅当时到最大值。 ②当向量与的距离趋于无穷时， 趋于0。 ③是光滑的函数，且是与之间距离的单调减小函数。 通常选择的函数有 我们选择了这个函数。由于其具有较好的运算特性且在程序实现起来也比较容易。其中是控制位势函数衰减的速度。当类间的界面越复杂时，的选择应使位势函数衰减得越快。 三、势函数迭代算法： 势函数算法的训练过程，是利用势函数在逐个样品输入时，逐步积累电位的过程。对于两类的问题来说，例如，势函数方程能以其运算结果的正负来区别两类样品，则训练结束。 算法过程： 设初始电位为。 第一步：输入样品，计算其积累电位， 描述了加入第一个样品后的边界划分，样品属于， 势函数为正；样品属于，势函数为负。 第二步：输入第二个样品，有三种情况： 可以看出:以上，②、③两种情况属于错分，即若处于所定义的边界的错误的一边，则当时，积累的势函数要加上。反之当，积累的势函数要减去。 第i+1步：这时已输入i个训练样本,这时积累的势函数也会有三种情形: 这三种情况可以归纳为一个方程 其中的取值如表所示 类别 0 0 0 0 0 1 0 -1 如果从所给的训练样品集{}中省略那些并不使积累势函数发生变化的那些样品，则可得一简化的样品序列{}， 它们完全是校正错误的模式样品，因此整个计算公式可以归纳为 其中 即由i+1个样品产生的积累势函数，等于类和类两者中的校正错误样品的总位势之差。 归纳起来并将两类问题推广到多类问题是的实现步骤： ①每一类取一个判别函数，n类一共n个样本函数。 ②输入第一个样品，n个判别函数初始值都为。 ③输入第i个样品，若，判断是否大于0，若大于0，则类的判别函数不需要调整，否则按照规则 调整 ④循环第③步，直至输入的所有的样品判别函数都不需要调整。此时得到每一类的判别函数。 ⑤输入待测样品，判别函数的最大值的类别就是待测样品的类别。 四、假币判决 采用双重判别的方法进行假币的判决必须满足以下两种条件时才为正币： ①将四类判别函数