基于非参数回归和卷积神经网络的在线手写签名身份认证模型研究
外文标题：Online Handwriting Signature Authentication Model Study Based on Nonparametric Regression Combined with CNN
文献类型：期刊
作者：王星[1]
机构：[1]中国人民大学应用统计研究中心,北京100872;中国人民大学统计学院,北京100872
[2]中国人民大学应用统计研究中心,北京100872;中国人民大学统计学院,北京100872
[3]北京大学数学学院,北京,100871
[4]霍尼韦尔(北京)技术研发实验有限公司,北京,100015
期刊名称：数理统计与管理
年：2018
卷：37
期：4
页码：610-623
ISSN：1002-1566
关键词：在线手写签名认证;CNN;k近邻回归;轨迹复杂性度量;样条回归
所属部门：统计学院
链接地址：http://d.oldg.wanfangdata.com.cn/Periodical_sltjygl201804004.aspx
摘要：在线手写签名身份识别模型受训练签名的变异复杂性、签名数量有限、真伪签名不均、动态特征等实际因素影响,需要对签名轨迹数据曲线拟合与深度学习的图像特征提取的联合建模.文章设计了在三种签名变异复杂性情形下,比较了不同的非参数回归和卷积神经网络建模的试验效果.实验的主要发现如下:1.单独使用CNN可获得较高的签名鉴别率,其效果好于单独使用非参数回归的效果,代价是需用较为复杂的神经网络结构,训练时间可能过长;2.真伪签名轨迹样本方差和训练样本量不均衡都会不同程度地影响到CNN的学习效果;3.签名的动态特征相较于仅使用静态特征而言有助于提升模型的识别能力;4.当真假签名数量有限,只用样条回归或CNN的独立判定效果都不甚理想,选择合适自由度的样条回归与CNN联合建模在达到可用精度条件下,可有效降低训练时间,降低卷积神经网络的核个数,减小模型复杂性,达到较好的识别性能.
DOI：10.13860/j.cnki.sltj.20180605-001
百度学术：基于非参数回归和卷积神经网络的在线手写签名身份认证模型研究
语言：中文
作者其他论文
高维异方差高斯混合罚模型聚类.李沐雨;王星.数学的实践与认识.2013,43(5),163-170.
基于时序图模型结构估计的股票联动研究.王星;朱建旭.数理统计与管理.2012,31(5),813-822.
基于加权网随机区块模型的学术热点提取算法.王星;张波.统计研究.2013,30(3),86-93.
少数民族大学生宗教信仰研究.王星;孟盛彬.当代青年研究.2012,53-58.
参与观察与研究者角色处理的伦理探讨--由《中县干部》谈起.王星;孟盛彬.阿坝师范高等专科学校学报.2012,29(2),61-65,82.
