基于神经网络和证据理论的离线签名识别

论文提出了一种有效的基于神经网络和证据理论的离线签名识别方法.利用从签名图象中提取的三种特征分别构造BP神经网络分类器对签名图象进行初步识别,然后将各分类器的输出作为证据,利用证据理论融合来自不同分类器的输出得到最终识别结果.实验表明,该识别方法能有效提高离线签名的识别率.     

一种有效的基于证据理论的离线签名识别方法

提出了一种有效的基于证据理论的离线签名识别方法。从签名图像的3种信息载体中提取出4种特征，利用所提取的4种特征分别构造基于证据理论的k-NN分类器对签名图像进行初步识别，将各k-NN分类器的输出作为证据，用改进的证据理论合成公式融合不同分类器的输出得到最终识别结果。结果表明：该识别方法能有效地提高离线签名的识别率。     

基于多特征和证据理论离线签名识别

摘 要 本文提出一种基于多特征和证据理论的离线签名识别方法。首先通过比较各个特征在离线签名识别中的性能,选取比较有效的平均伪动态特征和中等分辨率网格特征作为识别特征。然后构造了两个k近邻（KNN,k Nearest Neighbor）分类器,对签名图象进行初步识别。在初步识别基础上,利用一种改进的证据理论合成公式,将两个KNN分类器的输出结果进行融合得到最终识别结果。实验结果表明新的识别方法是有效性。     

基于矩特征和证据理论的离线签名识别

论文首先对几种矩特征在离线签名识别中的性能进行了比较,在此基础上选取矩和一种基于中心矩的形状描述子(SDBCM)作为签名图象的形状特征,据此构造了两个距离权重k-NN分类器对签名图象进行初步识别。然后将两个k-NN分类器的度量层输出作为证据,用一种改进的证据理论合成公式对其进行融合得到最终识别结果。实验结果表明,新的识别方法是有效的。     

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。     

基于改进LPP和ECOC-SVMS的离线签名识别方法

提出一种基于改进LPP和ECOC-SVMS的离线签名识别方法。针对预处理后的签名图像,选择多种有效特征构建高维特征向量,引入一种改进的保局投影方法进行特征提取并同时实现高效降维;签名识别方面,使用基于Hadamard纠错编码方法的ECOC支持向量机多类分类方法,并引入近似概率对ECOC解码进行改进,以提升多类分类器的性能。实验结果表明此方法的可行性和有效性。     

基于分类器联合的表情识别

提出了一种基于分类器联合的人脸表情识别方法。首先采用CKFD算法在双决策子空间中提取两类表情特征并融合;分别利用最近邻、最小距离和神经网络三种子分类器进行识别;最后运用模糊积分对子分类器的识别结果进行融合。基于JAFFE的实验结果表明,它是一种有效的表情识别方法。     

基于Gist和IPCA算法的多文种离线手写签名识别

由于离线手写签名图像有效的笔画部分普遍比较稀疏,存在大量的无效白色背景,目前常用的特征描述方法会使得得到的特征数据存在大量冗余,影响识别准确率。识别准确率的提高,需要依赖大量的训练数据和提取多个特征并进行融合,但这样又会因特征数据过多和维度过大而造成计算困难,影响识别效率。为此,提出了一种基于Gist和IPCA算法的多文种离线手写签名识别方法,利用Gist特征聚焦图像的整体布局和笔画部分,同时利用IPCA算法的批处理能力来提高识别效果和运行效率。使用中、英、维3种语言的实验数据集,并使用SVM分类器进行识别实验。结果显示,3个数据集上的识别准确率分别为97.97%,98.43%和97.19%,3种数据混合后的识别准确率为97.70%。经过对比分析可知,提出的方法与之前的相关方法相比明显较优。     

基于动态权值集成的手写数字识别方法

提出了一种基于动态权值集成的多分类器手写数字识别方法。该方法采用BP神经网络的方法,对不同的特征输入向量构建不同的神经网络分类器,通过设定动态权值,进而对不同的分类器的输出向量采用多类器集成方法进行系统集成。实验结果表明该方法具有较高的识别率和识别精度。     

基于HMM的离线签名识别

给出一种以隐马尔可夫（HMM）模型为基础的离线签名的识别方法,此方法把离线签名图像中的所有汉字作为一个整体,首先利用图像处理技术,把整个字体区域分割出来,再统计每一行字体部分的像素点数。利用隐马尔可夫模型来对这个整体进行建模;然后利用Baum-Welch算法对模型进行训练;最后,利用已经训练好的HMM模型对一些签名图片进行识别。试验表明,识别率可达95.7%,为离线签名识别系统的进一步应用奠定了基础。     

基于信息融合技术的集装箱号码自动识别系统

运用信息融合技术进行集装箱号码自动识别系统的设计。根据集装箱号码的特性、组成规律及分布特点，在预处理阶段，采用了基于产生式规则的融合算法。该算法采用串行融合的方式并生成了一系列的规则，能够快速准确地输出具有较高质量的号码分割图，为后续的特征提取和号码识别提供更精确的信息。使用了3种不同类型的特征提取方法，分别生成基于神经网络的分类器，并将各自的分类结果通过D-S证据理论进行融合以完成最终的决策，提高了系统的识别率。该系统对光线与阴影具有较强的鲁棒性，结构简单、快捷有效，在实验中得到了满意的效果。     

基于D-S证据理论的邮件筛选方法

针对目前色情邮件筛选中只针对邮件的文本内容进行过滤的不足，考虑邮件的文本和附件中所携带的图片信息，提出了一种基于证据理论的色情邮件的筛选方法。新方法分别使用一个色情图片检测器和一个文本分类器分别对邮件的附件及其内容进行初判别，然后将两个检测器的判别结果作为证据，使用D-S理论融合两个检测器的输出得到最后的判别结果。实验表明，该方法能有效地提高色情邮件的识别率。     

基于证据理论的多分类器融合方法研究

证据理论是建立在独立性假设基础上,理论和实际应用都需要突破这一限制。最近提出的一种相关证据模型认为,两个相关证据由一个相关源证据分别与两个独立源证据通过正交和合成得到,相关证据的合成可以归结为这三源证据的正交和,为此首先要由相关证据和相关源证据辩识独立源证据,这是证据理论中的反问题,其解是否有意义取决于相关源证据是否合适。该文给出一个充分条件,如果相关源证据满足此条件,反问题有唯一有意义的解,在此指导下,研究了字符识别中的多分类器融合问题,实验结果表明,识别性能优于传统证据理论方法。     

Probabilistic ensemble simplified fuzzy ARTMAP for sonar target differentiation

This study investigates the processing of sonar signals with ensemble neural networks for robust recognition of simple objects such as plane, corner and trapezium surface. The ensemble neural networks can differentiate the target objects with high accuracy. The simplified fuzzy ARTMAP (SFAM) and probabilistic ensemble simplified fuzzy ARTMAP (PESFAM) are compared in terms of classification accuracy. The PESFAM implements an accurate and effective probabilistic plurality voting method to combine outputs from multiple SFAM classifiers. Five benchmark data sets have been used to evaluate the applicability of the proposed ensemble SFAM network. The PESFAM achieves good accuracy based on the twofold cross-validation results. In addition, the effectiveness of the proposed ensemble SFAM is delineated in sonar target differentiation. The experiments demonstrate the potential of PESFAM classifiers in offering an optimal solution to the data-ordering problem of SFAM implementation and also as an intelligent classification tool in mobile robot application.     

Optimal linear combination of neural networks for improvingclassification performance

This paper presents a new method for linearly combining multiple neural network classifiers based on the statistical pattern recognition theory. In our approach, several neural networks are first selected based on which works best for each class in terms of minimizing classification errors. Then, they are linearly combined to form an ideal classifier that exploits the strengths of the individual classifiers. In this approach, the minimum classification error criterion is utilized to estimate the optimal linear weights. In this formulation, because the classification decision rule is incorporated into the cost function, a more suitable better combination of weights for the classification objective could be obtained. Experimental results using artificial and real data sets show that the proposed method can construct a better combined classifier that outperforms the best single classifier in terms of overall classification errors for test data     

手写体字符识别的多特征多分类器设计

特征选取和分类器设计是字符识别系统设计的关键。文章针对手写体汉字和阿拉伯数字混和字符集的识别提出了依据不同的分类要求,分别选取不同的字符特征并采用神经网络多分类器进行识别的设计方法。实验结果表明,该方法用于手写体混合字符集的识别是行之有效的。     

Feature selection for ensembles applied to handwriting recognition

Feature selection for ensembles has shown to be an effective strategy for ensemble creation due to its ability of producing good subsets of features, which make the classifiers of the ensemble disagree on difficult cases. In this paper we present an ensemble feature selection approach based on a hierarchical multi-objective genetic algorithm. The underpinning paradigm is the “overproduce and choose”. The algorithm operates in two levels. Firstly, it performs feature selection in order to generate a set of classifiers and then it chooses the best team of classifiers. In order to show its robustness, the method is evaluated in two different contexts:supervised and unsupervised feature selection. In the former, we have considered the problem of handwritten digit recognition and used three different feature sets and multi-layer perceptron neural networks as classifiers. In the latter, we took into account the problem of handwritten month word recognition and used three different feature sets and hidden Markov models as classifiers. Experiments and comparisons with classical methods, such as Bagging and Boosting, demonstrated that the proposed methodology brings compelling improvements when classifiers have to work with very low error rates. Comparisons have been done by considering the recognition rates only.