手写签名识别算法小实验.docx
版权申诉
5星 · 超过95%的资源 132 浏览量
2023-02-22
22:42:47
上传
评论
收藏 178KB DOCX 举报 
手写签名识别算法的简单实现
1.理解机器学习、反向传播神经网络和梯度下降法的原理，掌握反向传播算法对神经元
的训练过程，了解反向传播公式，熟悉前馈网络的原理及结构。通过构建BP网络训练手写
签名数据实现对签名真伪的识别。
2.学会使用 tensorflow平台写较简单的程序，熟悉 tensorflow的框架，熟悉 open cv
用来处理图像的简单函数，加强对 python语言及其丰富的库和框架的熟练使用。
编写简单的神经网络程序，分别使用传统随机梯度下降法和tensorflow平台下的随机
梯度下降法，能简单地实现手写签名的识别。
手写签名识别技术是一种生物特征身份认证技术，源于每个人都有不同的书写习惯，又
因为文字书写具有通用性、独特性、易获取等优点，所以易于推广普及。根据鉴别时机的不
同，可将签名识别分为离线签名识别和在线签名识别，在线签名保留了更多有价值的信息，
笔尖运动的速度、加速度、压力等信息使得鉴定识别率较高。对于离线签名识别，书写的动
态信息几乎全部丢失，只能依靠签名图片的静态信息，即每个人的笔迹特点来反映签名的书
写风格和习惯，因此鉴定难度较大。但从实际需求和工作场景来看，离线签名识别的社会意
义更大，因此也有必要对手写签名的离线识别方法展开深入的研究工作
反向传播算法（BP算法）是一种计算单个权值变化引起网络性能变化值的较为简单的
方法。由于 BP算法过程包含从输出节点开始，反向地向第一隐含层(即最接近输入层的隐含
层)传播由总误差引起的权值修正，所以称为"反向传播"。反向传播特性与所求解问题的性
质和所作细节选择有极为密切的关系。反向传播算法的特性为能够在网络内部的隐藏层发现
有用的中间表示，具体表现为：训练样例仅包含网络输入和输出，权值调节的过程可以自由
地设置权值，来定义任何隐藏单元表示，这些隐藏单元表示在使误差E 达到最小时最有效；
引导反向传播算法定义新的隐藏层特征，这些特征在输入中没有明确表示出来，但能捕捉输
入实例中与学习目标函数最相关的特征。
tensorflow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。
节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数
据数组，即张量（tensor）。其主要用于机器学习和深度神经网络方面，具有高度的灵活性
和可移植性。
资源评论
若骜2024-06-13非常有用的资源，有一定的参考价值，受益匪浅，值得下载。
