Abstract We present a method based on principal component analysis (PCA) for increasing the reliability of bank note recognition machines. The system is intended for classifying any kind of currency, but in this paper we examine only US dollars (six different bill types). The data was acquired through an advanced line sensor, and after preprocessing, the PCA algorithm was used to extract the main features of data and to reduce the data size. A linear vector quantization (LVQ) network was applied as the main classifier of the system. By defining a new method for validating the reliability, we evaluated the reliability of the system for 1200 test samples. The results show that the reliability is increased up to 95 % when the number of PCA components as well as the number of LVQ codebook vectors are taken properly. In order to compare the results of classification, we also applied hidden Markov models (HMMs) as an alternative classifier.
نمونه چکیده ترجمه متن فارسی
چکیده
ما روشی بر اساس تجزیه و تحلیل مولفه های اصلی (PCA) برای افزایش قابلیت اطمینان مکانیزم تشخیص اسکناس نمایش دادهایم. این سیستم برای طبقه بندی هرنوع پول در نظر گرفته شده است، اما در این مقاله تنها ما دلار ایالات متحده را امتحان میکنیم. اطلاعات با استفاده از یک سنسور خط پیشرفته بدست میآیند، و بعد از پیش پردازشها، الگوریتم PCA برای استخراج ویژگی اصلی داده ها و به منظور کاهش حجم اطلاعات استفاده میشود. بردار خطی تدریجی (LVQ) شبکه به عنوان طبقه بندی اصلی سیستم اعمال میشود. با مشخص کردن روش جدید برای اعتبارسنجی قابلیت اطمینان، ما قابلیت اطمینان سیستم برای 1200 نمونه تست را ارزیابی میکنیم. نتایج نشان میدهند که زمانیکه تعداد مولفههای PCA و همچنین تعداد بردار کدهای کتابی LVQ به درستی گرفته شده باشند، قابلیت اطمینان به 95% میرسد. به منطور مقایسه نتایج طبقهبندی، ما نیز مدل مخقی مارکوف (HMM) را به عنوان یک طبقهبندی جایگزین اعمال کردهایم.