雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

全球研究计算机科学杂志》上

菜单

石头:2229 - 371 x

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

手写签名验证利用自适应共振理论2型(艺术2》)

Tirtharaj破折号* 1,Subhagata将挑战2和Tanistha Nayak3
  1. 计算机科学与工程系转向苏伦德拉赛科技大学捉弄- 768018,印度
  2. 计算机科学与工程系bhabi mahato Unnayari工程研究所bhabi mahato - 722146,印度
  3. 学院的计算国家科学和技术研究所的berhampur - 761008,印度
通讯作者:Tirtharaj破折号,电子邮件:tirtharajnist446@gmail.com
相关文章Pubmed,谷歌学者

访问更多的相关文章全球研究计算机科学杂志》上

全球研究计算机科学杂志》上

文摘

授权手写签名来防止非法交易一直是一个挑战,特别是当伪造和原始签名都非常„相似吗?在自然界中。在本文中,我们的目标是伪造的签名验证过程的自动化,离线,利用自适应共振理论2型(艺术2》),已实现„C ?使用顺序和并行编程语言。说网络训练与原签名和测试了十二很相似但伪造签名。不匹配的阈值设置为5%;然而,灵活设置为每个案例的要求。为了获得期望的结果,警戒参数(ρ)和集群大小(m)已经被仔细的调优参数进行研究。艺术2》的准确性净被计算为近100%和ρ= 0.97 m = 20。

关键字
手写签名;自动验证;艺术2》;伪造签名

介绍
神经网络已被广泛应用于模式识别、特别是在模式是复杂由于密切的相似之处„originalA¢€Ÿ和„generatedA¢€Ÿ模式[1 - 4]。神经网络分类器的一个重要特性是,它学习的模式(作为输入)通过更新节点connectorsA¢€Ÿ权重。这种类型的学习的缺点是,当美联储新模式,权重更新结果,它失去了旧模式的记忆和存储新模式[5]的印象。来处理这个问题,Grossberg和木匠(1987)提出了自适应共振理论(ART)的概念网络,网络保留前面学习的地方,这的确是优于传统神经分类器[6]。
艺术是两种类型即1型和2型。ART-1以二进制输入向量,而艺术2》以模拟/连续输入向量,因此更值得称道的[7]。在我们的早期作品,ART-1网络一直被视为自动验证离线手写签名,与高水平的准确性(99.97%)[8]。然而,在这篇论文,只有两个被认为是伪造签名。摘要艺术2》一直被认为是离线验证的十二个非常相似但伪造手写签名。
手写签名是个人身份的主要生物测量。它是一个重要的方法来执行法律事务。然而,有机会时签名可以微妙地复制,这些显然像原件,肉眼很难识别。因此,自动化的检测过程可以对我们真正的优势。然而,它需要大量研究之前它的实际应用。在这个视图中,本文试图在艺术2》网络已经使用和实现使用顺序和并行编程技术要注意其检测精度和速度。
自动验证手写的签名是一个古老的研究课题。已有文献表明,一些传统的和软计算技术已经用于完成该任务。由于空间限制,所有的技术细节讨论超出了本文的范围。因此,一些相关的研究已经表明,在下面。
图像
图像
从这些研究中,它可能会指出,艺术没有测试这个领域的广泛,使得一个调查艺术2》的机会,这是这项工作的动机。
在下一节中,我们描述了艺术2》实现的方法使用„CA¢€Ÿ使用顺序和并行编程语言。

方法
图像
图像
图像
图像

结果
原始之间的平均相似度指数(SI)和伪造签名接近51%,这可能有更高的机会匹配,而不是拒绝伪造签名。期望,即使有轻微的不同,网络必须能够区分那些从原始签名基于其分配学习和警惕。本文表明,警惕参数(ρ)需要优化设置,这是第一个挑战。在这工作,优化ρ是通过一个细节设置参数研究(参见表1和2)。第二个挑战是确保网络学习的模式通过一些观察(集群)的数量。
表3显示了集群大小(m)如何影响精度和计算时间。在表1中,可以看到,伪造签名11和12不匹配< 5%,因此这些被接受作为原始。在情况下,设置不匹配阈值< 1%,该算法能够检测所有伪造签名。因此,我们的算法非常灵活,允许这样的修改,这取决于情况。表2显示,ρ= 0.97,检测精度几乎是100%与最低的时间顺序和并行编程。
图像
图像
图3块的„ρ与accuracyA¢€Ÿ参数研究。如表2所示,ρ= 0.97,精度99.9989在顺序和并行编程,我们展示了并行处理的情节。
图像
图像
表3显示,与„ρ= 0.97¢€Ÿ和马„¢€Ÿ= 20,检测精度是最高的。图4块集群的数量(m)和相应的精度水平。
图像
因此,我们得出结论,通过参数的研究,我们的方法给出了更精确的结果与其他技术相比,在部分中,我描述。

结论和未来的工作
一种艺术2》净了这项工作的自动化验证非常相似(SI ~ 51%)伪造签名,离线。已经实现的顺序和并行处理实现更快更准确的检测不匹配阈值为5%。通过参数研究的最佳„ρA¢€Ÿ和马„¢€Ÿ获得。发现的准确性为99.98%。
提到是很重要的,在这个研究中我们已经测试了只有12伪造签名,这是一个小尺寸的样品。这是一个限制这项工作。网络需要与原有许多不同类型的测试以及伪造的签名获得更真实的证明其性能。我们正在努力。

引用
  1. s将·考尔碰头Rabhi,采用Acharya——“神经网络方法级成人抑郁症”,医疗系统杂志》(2011),在线发表在21/07/2011 DOI: 10.1007 / s10916 - 011 - 9759 - 1
  2. s将·考尔碰头Rabhi,采用Acharya——“一个自动化的系统诊断成人抑郁症”的严重性。第二次国际会议的公报中新兴的应用信息技术(CSI eait - 2011), 2月19-20th加尔各答,印度(编辑- Jana D。和朋友p), 121 - 124页。出版商:发布服务IEEE Xplore IEEE计算机学会和会议上,谷歌学者,DOI: 10.1109 / EAIT.2011.17。
  3. 将S。,Pratihar D. K, De Sarkar S. C. –"Statistical Modelling of Psychoses Data”. Computer Methods and Programs in Biomedicine (2010); 100(3): pp. 222-236.
  4. 美国将挑战。,D. K. Pratihar, S.C. De Sarkar - "Some Studies on Fuzzy clustering of psychosis data". International Journal of Business Intelligence and Data Mining (2007); 2(2): pp. 143-159.
  5. ”栏目Ahmed A.K. Ramasamy, a . Khairuddin j·奥马尔。“自动在线签名验证:原型使用神经网络”。TENCON 2009 1 - 4页。
  6. G.A.木匠,s . Grossberg”监督学习的自组织神经网络,识别和预测。神经网络可以学习认识新对象没有忘记熟悉的吗?“IEEE通讯》杂志,1992年,页38-49。
  7. 总督S.N. Sivanandan S.N. Deepa”原则的软计算(第二版)”WILEY-INDIA, 2011。isbn - 978 - 81 - 265 - 2741 - 0, 2011
  8. Dash T。,Nayak T., Chattopadhyay S., “Offline Verification of Hand Written Signature Using Adaptive Resonance Theory Net (Type-1),” ICECT-2012, Vol-2, pp. 205-210, 2012.
  9. s . Inglis I.H.威滕。“Compression-based模板匹配”。Proc, IEEE会议数据压缩。洛杉矶类似CA, 106 - 115年,1994页。
  10. y Mizukami, m . Yoshimura h .三Yoshimura。“离线签名验证系统使用一个提取位移函数”。模式识别字母。23日,1569 - 1577年,2002年。
  11. a . Kholmatov Yanikoglu。“身份验证使用改进的在线签名验证方法”。模式识别字母。26日,1400 - 2408年,2005年。
  12. 美联社夏克尔,A.N. Rajagopalan。“使用DTW离线签名验证”。模式识别字母。28岁,1407 - 1414年,2007年。
  13. 马俏w .田,y, z。“离线签名验证新方案利用DWT和模糊网”。埃西斯Int,相依。软件工程、人工智能、网络、和并行/分布式计算。3、pp.30-35 2007。
  14. K。R完婚,抗议Venkatesha, G.N. Sekhar。“一个方法为在线签名验证使用泽尼克时刻”。模式识别字母。32岁,749 - 760年,2011年。
  15. A.K.M.。,Hossain, Md. G. Rahman, R.C. Debnath. “Comparative study of signature verification system using Supervised (BPNN) and Unsupervised (HMM) Models”. ICCIT-2003, pp. 732-737, , 2003.
  16. 问:c . h . Lv w . Wang Wang卓。“中国离线签名验证基于支持向量机”。模式识别字母。26日,2390 - 2399年,2005年。
  17. 硕士Aksoy h . Mathkour。“签名验证使用规则3-ext归纳学习系统”。Int。j .物理科学。6(18):4428 - 4434年,2011年。
  18. Dash T。,Nayak T., Chattopadhyay S., “Offline Hand Written Signature Verification Using Associative Memory Net ”. Int. J. of Advanced Research in Computer Engineering & Technology. 1(4):370-374,2012.
  19. Banerjee s将挑战美国。F。Rabhi,采用Acharya“案例推理系统复杂的医疗诊断。“专家系统:《知识工程(2012);DOI: 10.1111 / j.1468-0394.2012.00618。x(新闻)。
全球技术峰会