基于小波变换和CPN网络的手写签名鉴别

手写签名鉴别技术作为生物特征安全认证领域的重要技术之一,具有广泛的应用前景。为了提高手写签名鉴别的正确性,提出一种基于三层小波变换和CPN神经网络结合的方法。首先对手写签名样本图像采取滤波去噪、二值化、细化、归一化等预处理措施,然后使用离散DB3小波分解提取高通系数矩阵处理后作为样本特征进行提取,而后采用CPN神经网络分类器对4680个训练样本进行每样本7500次训练,最后使用训练完毕的分类器对待鉴别样本进行分类鉴别。在由36个鉴别实验组组成的实验数据集上,样本识别正确率达到了93.48%。通过多种方法的对比实验,结果表明该方法签名特征提取全面、分类识别效果明显优于线性分类器。     

基于集成神经网络的离线手写签名鉴别方法

离线手写签名鉴别是一种基于生物特征的身份识别技术,利用集成神经网络对手写签名进行自动鉴别。该集成神经网络由特征分配网络、神经网络认证主体和决策融合识别网络三部分构成。通过为每个签名者构造独立的分类器,并分别为每个分类器构造认证、识别训练集,解决了离线签名的认证和识别问题。基于此方法的签名鉴别实验获得了比较满意的结果,可以用来辅助人类专家进行签名鉴别。     

基于信息融合的在线手写签名算法研究

为了进一步提高认证效果,在演化计算、神经网络和离散F距手写签名认证算法的基础上,提出了基于信息融合的在线手写签名认证算法。该算法将测试签名和参考签名分别通过三种算法进行认证,得出测试签名为真实签名的置信度,然后对三种认证算法的结果进行加权融合,根据最终的融合结果进行签名真假的判定。实验结果表明,信息融合算法的误拒率和误纳率都有显著的减少。     

改进VDDTW的在线手写签名认证算法

在线手写签名认证是一种基于生物特征的身份认证技术。将VDDTW算法应用于在线手写签名认证,该算法改进了DTW中局部匹配距离的计算方法,考虑了时间序列局部曲线的变化趋势,使得时间序列的局部点到点的对正更加合理。在采用有训练的伪造样本的情况下,对累积匹配距离进行时间加权,加大了真伪签名的区分度。实验结果表明了VDDTW算法用于在线签名认证的有效性。     

BP神经网络分类器在签名认证系统中的应用

介绍签名认证系统中基于统计特征向量的BP神经网络分类器的设计,改进BP学习算法,加快训练的收敛速度.利用构造的伪造签名样本和真实签名样本进行训练确定神经网络各层节点的权值,妥善地解决由于人为的伪造样本缺乏,阻碍神经网络分类器的实际应用的问题.试验结果表明,所设计的神经网络分类器在签名认证系统中取得了较好的认证结果.     

一个基于神经网络的动态手写签名验证模型

手写签名验证作为一种有效的生物身份认证技术,具有广泛的应用前景,但由于签名易变化的特点,其性能还不够理想。最近神经网络越来越多地在模式识别领域使用并取得了很好的效果,但在签名验证中尚不多见。本文提出并实现了一个基于BP神经网络的动态手写签名验证原型,并通过实验对网络结构进行了分析。通过对从10人收集的190个本人签名和371个伪造签名评价EER=2．16％,还是比较满意的。     

隐马尔可夫模型下视频手写签名认证算法研究

为了提高视频手写签名认证的准确率,确保身份认证的严谨性,需要对隐马尔可夫(Hidden Markov Models,HMM)模型下视频手写签名认证算法进行改进设计;使用当前算法对视频手写签名进行认证时,存在认证判断误差大、效率低的问题;提出基于HMM模型下视频手写签名认证算法;该算法将使用Wacom手写板采集手写签名特征点及压力数据,对采集到的手写签名特征与压力数据进行预处理,消除采集过程中环境和手写板产生的影响,并且规范采集的视频手写签名特征位置、尺寸,提取手写签名特征与压力数据,再以HMM模型对已提取的视频手写签名特征点与压力数据进行认证与计算,确定签名的真实度;实验仿真证明,所提算法提高了视频签名认证的性能。     

基于HMM的在线手写签名认证系统设计与实现

在线手写签名认证是以人的行为特征为基础的身份认证技术.对在线手写签名字型曲线进行分段,分析了一系列特征,并将隐马尔可夫模型(HMM)引入到在线手写签名认证中.找到了真签名中某种比较稳定的特征,提出了一种基于隐马尔可夫模型的在线手写签名认证方法.从实验数据来看,取得了比较满意的认证效果.     

动态手写签名差异性影响评估

动态手写签名广泛用于身份认证、文件加密以及数字版权管理等领域.生理环境、采集设备以及特征提取算法中的缺陷造成了手写签名中不同程度的差异性.文中通过实验分析了这种差异性与认证错误率的关系,结果表明,签名的波动性和复杂性分别在单样本模型和多样本模型下对错误率影响显著.反过来,合理地利用这些差异性,能够有效地降低错误率,开发出更加有效的特征,这对系统设计者和用户也有很大程度的指导作用.     

基于DCT和SVDD的在线手写签名认证方法

为使在线手写签名认证的使用更具实用性,提出了一种基于离散余弦变换（DCT）频域分析和支持向量数据描述（SVDD）的在线手写签名认证方法.依托自制的Android手机软件采集签名数据,采用了基于DCT频域特征分析和奇异值分解（SVD）的特征融合方法提取签名特征,根据SVDD分类器适用于有限样本、一类分类方法建模的优势,建立了基于SVDD的认证模型进行在线签名认证,并采用了网格搜索法对核函数参数进行优化选择.实验结果表明,该方法算法复杂度低,快速有效,提取的签名特征区分明显,使用少量的一类真实签名作为训练样本,取得了较好的认证识别效果.     

一种基于自适应遗传BP算法的神经网络目标分类器设计方法

目标分类器是水下目标识别系统的重要组成部分.本文针对线谱特征提取,提出了一种基于自适应遗传BP算法训练神经网络目标分类器的新方法.经对海上实录三类目标噪声分类识别实验结果表明采用新方法的神经网络分类器具有更优的分类效果.     

GA-BP神经网络在下肢运动步态识别中的应用研究

为了提高下肢表面肌电信号步态识别的准确性,提出了一种基于遗传算法（GA）优化的BP神经网络分类器设计方法。首先,对采集的下肢表面肌电信号进行小波滤波及特征值提取,其次,构造基于GA优化的BP神经网络分类器,然后,以提取的表面肌电信号特征作为输入对分类器进行训练,最后利用训练好的分类器进行测试。实验结果表明,基于GA优化的BP神经网络分类器能成功识别下肢正常行走的五个步态,平均识别率达到98%以上,效果明显优于BP神经网络分类器的识别效果。     

Speech recognition using hybrid hidden markov model and NN classifier

This paper discusses the use of an integrated HMM/NN classifier for speech recognition. The proposed classifier combines the time normalization property of the HMM classifier with the superior discriminative ability of the neural net (NN) classifier. Speech signals display a strong time varying characteristic. Although the neural net has been successful in many classification problems, its success (compared to HMM) is secondary to HMM in the field of speech recognition. The main reason is the lack of time normalization characteristics of most neural net structures (time-delay neural net is one notable exception but its structure is very complex). In the proposed integrated hybrid HMM/NN classifier, a left-to-right HMM module is used first to segment the observation sequence of every exemplar into a fixed number of states. Subsequently, all the frames belonging to the same state are replaced by one average frame. Thus, every exemplar, irrespective of its time scale variation, is transformed into a fixed number of frames, i.e., a static pattern. The multilayer perceptron (MLP) neural net is then used as the classifier for these time normalized exemplars. Some experimental results using telephone speech databases are presented to demonstrate the potential of this hybrid integrated classifier.     

基于网格的混合神经网络计算平台研究与实现

为了模仿人脑的复杂功能,把各种相关类型的神经网络组织起来,形成一个大规模混合神经网络.根据此需求,使用自主研发的LabGrid技术开发了一个基于网格的混合神经网络计算平台,利用该平台设计了一种新的混合神经网络分类系统来对该平台进行测试.测试结果表明,该平台具有较高的效率和良好的容错性.与其它分类系统比较可知,该分类系统有较高的准确率,从而证明了模仿人脑建立大规模混合神经网络分类系统的可行性和有效性.     

基于模糊高斯基函数神经网络的遥感图像分类

针对遥感图像分类的特点,提出了一种基于模糊高斯基函数神经网络的遥感图像分类器。该分类器将模糊技术与神经网络相结合,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到调整模糊隶属函数和模型规则的目的,从而使系统具备了自适应的特性,实验结果表明,这种基于模糊高斯基孙数神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。     

Work piece recognition based on the permutation neural classifier technique

This article describes a permutation neural classifier technique for the object recognition problem. Our research is aimed to help the automation of micromanufacturing and microassembly processes. In this article, we describe an object recognition system based on permutation of codes and neural classifier technique. This approach is called permutation code neural classifier (PCNC). In this work, we describe our experiments and results applying the PCNC in the recognition of micro work pieces. Two databases with different images were used for the experiments. The authors have published these databases and encourage the community to compare results. The best recognition rate obtained for the PCNC was of 97%.     

应用BP神经网络分类器识别交通标志

介绍了神经网络特性和BP神经网络分类器的一般原理。针对交通标志识别需要处理的信息量大以及受天气道路等外界条件的影响存在噪声干扰的情况，提出了一种应用BP神经网络分类器识别交通标志的方法。识别分为图像数字处理、BP神经网络的训练、测试与对加入噪声图像进行识别3个步骤，经实验取得了良好的识别效果。     

基于BP神经网络和Bagging算法的入侵检测

提出基于Bagging算法集成BP神经网络的入侵检测方法。采用BP神经网络为分类器,以用户的网络连接行为为特征进行检测,为进一步提高BP神经网络的分类性能,采用Bagging算法对BP神经网络分类器进行加权投票。实验表明,提出的方法具有良好的检测性能。     

基于多神经网络分类器组合的火焰图像分割

单一神经网络分类的性能很大程度上取决于网络参数的选择,设计一个性能最优的神经网络分类器是非常困难的。针对这一问题,本文提出了基于多个BP神经网络分类器组合的回转窑火焰图像分割方法。选取多组不同的训练样本对多个具有不同初始条件的BP网络进行训练,网络收敛后,用于火焰图像的分割,会产生多种分割结果,采用平均值法、投票表决法、最大统计概率法和神经网络4种方法对其进行组合,得到了最科的分割结果。实验结果表明,本文提出的方法具有分割效果好和可靠性高等优点,满了实际使用的要求。     

一种基于粗糙集理论的神经网络分类器的设计

文章设计了一个基于粗糙集理论的神经网络分类器。该分类器利用粗糙集理论对原始数据进行特征选择,约简了冗余特性,减小了BP网络的输入维数,提高了网络的学习效率。在对一组数据实际分类的过程中,与单纯的神经网络分类器比较,在同等精度要求的情况下该分类器网络训练时间短,识别能力强。