货币识别是一个模式识别问题,主要包括以下三大部分:数据采集、特征提取和分类器的设计。针对当今货币识别率低等问题,借鉴典型相关分析融合思想和支持向量机的几何解释,利用两种不同的主成分分析方法特征融合后,并将基于模糊支持向量域多分类算法应用于货币识别。货币特征提取方面,针对提取信息不全面的问题,基于粗糙集的属性约简方法和典型相关分析融合思想,利用两种不同主成分分析方法对特征向量进行降维,并且把条件属性与决策属性联系起来进行属性约简,基于典型相关分析思想对两种不同特征进行融合。实验仿真结果表明,该算法能在很好结合货币图像的全局与局部互补信息,且融合后的提取算法优于以前单一的算法,响应时间相当。训练算法采用一种基于几何思想的快速训练算法,其主要思想借鉴最近点(NPA)算法和DIRECTSVM算法,不仅克服了传统训练算法中求解二次规划算法的计算量大的缺点,而且算法的速度非常快。实验仿真结果表明,算法性能比较高,训练时间比当前流行的训练算法SMO算法、DIRECTSVM算法都少。多分类算法采用一种基于模糊支持向量域的多分类算法,该算法基于紧密度的模糊隶属度思想,选择合适的惩罚因子,不仅减少了噪音点的干扰,而且还减少了样本不平衡性对识别精度的影响。实验仿真结果表明,该分类算法不仅获得了比传统货币识别方法高的识别率,而且训练时间与其他支持向量机多分类算法相比有一定程度的减少。