Designing an Fuzzy RBF Neural Network With Optimal Number of Neuron in Hidden Layer for Persian Signature Recognition By Zernike Moment and PCA
محل انتشار: شانزدهمین کنفرانس مهندسی برق ایران
سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 2,075
فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICEE16_013
تاریخ نمایه سازی: 6 اسفند 1386
چکیده مقاله:
This paper presents an efficient method for Persian signature recognition based on Fuzzy RBF neural network (FRBF). A new training method will be presented which had a very low error rates in Persian signature recognition. In this training algorithm, connection weights, centers, width and number of RBF units will be determined during training phase. FCM algorithm will be used for initializing parameters. The membership of input patterns and distance from centers in each RBF unit calculate cost function for each input pattern. In this study Zernike Moment (ZM) and Principle Component Analysis (PCA) have been used as features. Simulation results on signature database from Persian peoples which contains 200 pictures indicate that the proposed system not only has a low error rate, but also determine the optimal number of RBF units.
کلیدواژه ها:
نویسندگان
Zohre Fasihfar
Science & Research Branch Islamic Azad University Of Tehran
Javad Haddadnia
Tarbiat Moallem University of Sabzevar
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :