一種脫機(jī)手寫簽名認(rèn)證方法

然后將每一個(gè)小塊的16(或64)個(gè)灰度值看成一個(gè)N×1的隨機(jī)變量．假設(shè)x是一個(gè)N×1的隨機(jī)向量，x的每一個(gè)元素都是用上面的一個(gè)小塊的16(或64)個(gè)灰度值構(gòu)成的隨機(jī)變量。實(shí)際x是一個(gè)16(或64)×L的矩陣，x的協(xié)方差矩陣由式(10)估計(jì)：

通過求得Cx的特征值來表征圖像的灰度主成分特征。將求得的特征值與先前的M×N個(gè)灰度特征相比，已明顯減少。這里取前10個(gè)最大的特征值作為特征分類依據(jù)，由于后面的特征值很小，對其忽略不會引起太大誤差。

3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)及其分類器設(shè)計(jì)
徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)RBFNN(Radial Basis FunctionNeural Network)起源于數(shù)值分析中的多變量插值的徑向基函數(shù)，它不僅具有任意精度的泛函逼近能力和最優(yōu)泛函逼近特性，而且具有較快的收斂速度。這里利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)構(gòu)成一個(gè)分類器實(shí)現(xiàn)簽名真?zhèn)蔚恼J(rèn)證采用高斯核函數(shù)作為徑向基函數(shù)，形式為：

式中，Zi是核函數(shù)的中心，δi為核函數(shù)的寬度，可控制基函數(shù)的徑向作用范圍，即方差。
而第i個(gè)隱結(jié)點(diǎn)的輸出定義為：

式中，wi是第i個(gè)隱結(jié)點(diǎn)到輸出層結(jié)點(diǎn)的權(quán)值，θ是輸出層結(jié)點(diǎn)的閾值。
一般常利用K均值聚類算法確定各基函數(shù)中心及相應(yīng)的方差，網(wǎng)絡(luò)權(quán)值的確定用局部梯度下降法修正。由于K均值聚類方法要事先給出聚類個(gè)數(shù)K，且聚類結(jié)果對K 值大小都很敏感，不同K值的聚類學(xué)習(xí)結(jié)果往往大相徑庭，因此，如何確定K值是一個(gè)難題。這里不采用上述的K均值聚類方法，而采用文獻(xiàn)[4]中的一種根據(jù)相似性閾值和最小距離原則的簡單聚類方法確定RBF網(wǎng)絡(luò)的中心。其主要步驟為：
(1)設(shè)待分類的模式集為{x1，x2…xn}，選定類內(nèi)距離門限T；
(2)seed=RandomSelect(x)；∥從對象集合x中，任選一對象Seed；

(3)Dist1，2=Compute Distance(seed,x2)；∥計(jì)算下一模式特征矢量x2到Seed的距離；
(4)若Dist1，2>T，則建立新的一類ω2，其中心Z2=x2，若Dist1，2≤T,則x2∈ω1；
(5)假設(shè)已有聚類中心Z1?Z2…Zk，計(jì)算尚未確定類別的特征矢量xi到各聚類中心Zj(j=1，2…，k)的距離dij。如果dij>T，則 xi作為新的一類ωk+1的中心，Zk+1=xi，否則，如果dij=mindij，則判斷xi∈ωg,檢查是否所有的模式都劃分完類別，如都劃分完則結(jié)束，否則返同(5)，
上述算法采用規(guī)格化的Euclidean計(jì)算公式度量兩個(gè)對象間的距離。具體公式定義如下：

在包含有N個(gè)對象的m維單位空間(各屬性取值均采用規(guī)格化處理)中，對象間的平均距離為

。對象間的平均距離與對象的個(gè)數(shù)及維數(shù)有關(guān)。在一定空間內(nèi)，待分類的對象個(gè)數(shù)越少，各對象的維數(shù)越大，各對象間的距離就越大；反之，對象數(shù)量越大，各對象的維數(shù)越小，則各對象間的距離就越小。