Signature verification performance of Elman's recurrent neural network

Özet

Bu çalışmada, Elman geri beslemeli ağ yapısı kullanılarak imza tanıma işlemi gerçekleştirilmiştir. İmza tanıma işleminde, öncelikle imzalar normalize edilmiş ve arka planda oluşan gürültü ve kirlilikleri gidermek için eşiklenmiştir. Sonra Elman geri beslemeli ağ öğreniminde kullanılan özellikler çıkarılmıştır. İmzalar, imza yoğunluğu, imzanın merkezler arası göreli yatay farkı, imzanın merkezler arası göreli dikey farkı, imzanın genişliği, imzanın yüksekliği olmak üzere 5 özelliğine bakılarak, birbirlerinden ayırt edilmişlerdir. Elman ağının öğrenme performansına, gizli katman sayısının etkisi araştırılmıştır.

Abstract

In this study, the Elman's Recurrent Neural Networks is used for signature verification. In the signature verification process first, the signatures were are normalized, and in order to eliminate the background noise occured in background the signatures were are thresholded. Then, features used in Elman's recurrent neural network's learning were extracted. Signatures and five features are included;signature density, relative horizontal difference between signature centers, relative vertical difference between signature centers, signature width, and signature high height was were extracted. The effect of hidden layer number on learning performance of Elman's network was investigated.