Отрывок: Нечёт- ких классификаторов и их ансамблей было построено 30 для каждой таблицы, поскольку при построении используются стохастические алгоритмы (метаэври- стика «кукушкин поиск»). Шаг 4. Проведены оценки качества каждого клас- сификатора на тестовой части таблицы наблюдений. Для нечётких классификаторов и их ансамблей оценки определялись усреднением по 30 классификаторам. Шаг 5. Обучающая и тестовая выборки были по- меняны местами, и шаги 3 и 4 повторены сн...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Сарин, К.С. | - |
dc.contributor.author | Ходашинский, И.А. | - |
dc.date.accessioned | 2019-11-28 15:15:12 | - |
dc.date.available | 2019-11-28 15:15:12 | - |
dc.date.issued | 2019-10 | - |
dc.identifier | Dspace\SGAU\20191117\80244 | ru |
dc.identifier.citation | Сарин, К.С. Метод баггинга и отбор признаков в построении нечётких классификаторов для распознавания рукописной подписи / К.С. Сарин, И.А. Ходашинский // Компьютерная оптика. – 2019. – Т. 43, № 5. – С. 833-845. – DOI: 10.18287/2412-6179-2019-43-5-833-845 | ru |
dc.identifier.uri | https://dx.doi.org/10.18287/2412-6179-2019-43-5-833-845 | - |
dc.identifier.uri | http://repo.ssau.ru/handle/Zhurnal-Komputernaya-optika/Metod-bagginga-i-otbor-priznakov-v-postroenii-nechetkih-klassifikatorov-dlya-raspoznavaniya-rukopisnoi-podpisi-80244 | - |
dc.description.abstract | Распознавание рукописной подписи является важной проблемой в области исследований аутентификации личности и биометрической идентификации. Известны два метода распознавания рукописной подписи: если возможно оцифровать скорость движения пера, то говорят о динамическом распознавании; в противном случае, когда доступно только изображение подписи, говорят о статическом распознавании. Доказано, что при использовании динамического распознавания достигается большая точность, чем при использовании статического распознавания. В настоящей работе в качестве характеристик подписи используются амплитуды, частоты и фазы гармоник, извлечённых из сигналов подписи координат X и Y движения пера с помощью дискретного преобразования Фурье. Предварительно все сигналы подвергаются предобработке, включающей в себя устранение разрывов, устранение угла наклона, нормализацию позиции и масштабирование. В качества инструмента распознавания подписи по полученным признакам предлагается использовать нечёткий классификатор. В работе исследуется эффективность данного инструмента в составе ансамбля, а также с применением процедуры отбора информативных признаков. Для построения ансамбля классификаторов используется известный метод баггинга, а отбор признаков основан на определении взаимной информации между признаком и классом объекта. Проведены эксперименты по распознаванию подписи на наборе данных SVC2004 с построением нечёткого классификатора и ансамблей из трёх, пяти, семи и девяти нечётких классификаторов. Эксперименты проводились как с использованием процедуры отбора, так и без отбора. Проведено сравнение эффективности работы построенных классификаторов между собой и с известными аналогами: деревьями решений, машинами опорных векторов, дискриминантным анализом и k-ближайшими соседями. | ru |
dc.description.sponsorship | Исследование выполнено в рамках проектной части государственного задания Министерства образования и науки Российской Федерации на 2017-2019 гг. № 2.3583.2017/4.6. | ru |
dc.language.iso | rus | ru |
dc.publisher | Новая техника | ru |
dc.relation.ispartofseries | 43;5 | - |
dc.subject | рукописная подпись | ru |
dc.subject | нечёткий классификатор | ru |
dc.subject | ансамбль | ru |
dc.subject | баггинг | ru |
dc.subject | отбор признаков | ru |
dc.title | Метод баггинга и отбор признаков в построении нечётких классификаторов для распознавания рукописной подписи | ru |
dc.title.alternative | Bagged ensemble of fuzzy classifiers and feature selection for handwritten signature verification | ru |
dc.type | Article | ru |
dc.textpart | Нечёт- ких классификаторов и их ансамблей было построено 30 для каждой таблицы, поскольку при построении используются стохастические алгоритмы (метаэври- стика «кукушкин поиск»). Шаг 4. Проведены оценки качества каждого клас- сификатора на тестовой части таблицы наблюдений. Для нечётких классификаторов и их ансамблей оценки определялись усреднением по 30 классификаторам. Шаг 5. Обучающая и тестовая выборки были по- меняны местами, и шаги 3 и 4 повторены сн... | - |
dc.classindex.scsti | 28.23.15 | - |
Располагается в коллекциях: | Журнал "Компьютерная оптика" |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
430517.pdf | Основная статья | 1.04 MB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.