تصدیق امضا با استفاده از بخش بندی تابعی و ویژگیهای دینامیکی

در این مقاله سعی شده است پیش پردازش مناسبی روی امضا انجام شده و زاویه آن به بهترین نحو ممکن با کمترین خطا نسبت به محورxها اصلاح شود. برای استخراج ویژگی از دو روش نسبتا ساده با کارآیی خوب استفاده شده است. در این دو روش توابع زمانیy(t) و x(t) که هریک به 512 نقطه توسعه داده شده اند به 32 بخش بصورت یکسان تقسیم می گردند. در روش اول متوسط 16 نقطه قرار گرفته در هر بخش بعنوان ویژگی و در روش دوم مرکز 16 نقطه بعنوان ویژگی انتخاب می گردد در نتیجه برای هر امضا 6نقطه بعنوان ویژگی تعیین می شود. اندازهxیاyاین نقاط که تقریب خوبی از توابعy و xرا نشان می دهند به شبکه عصبی با 64 ورودی یک لایه پنهان با چهار نرون و با خروجی خطی اعمال و آموزش لازم انجام می گیرد و با آزمایش سیستم، خطای 10.75 % بدست می آید.در مرحله بعد زمان ماکزیمم امضا بعنوان ویژگی اضافی به 64 ویژگی قبلی اضافه و به شبکه عصبی با 65 ورودی اعمال و پس از آموزش و آزمایش خطای 9.25 % بدست می آید که در مقایسه با روشهای دیگر که به محاسبات پیچیده پرداخته اند جواب مناسبی ارائه می نماید

Keywords:

تصدیق امضا , استخراج ویژگی , ویژگیهای استاتیک , ویژگیهای دینامیک , شبکه عصبی , خوشه بندی