AbstractHandwritten signatures are

Abstract
Handwritten signatures are considered as the
most natural method of authenticating a person’s identity
(compared to other biometric and cryptographic forms of
authentication). The learning process inherent in Neural
Networks (NN) can be applied to the process of verifying
handwritten signatures that are electronically captured via
a stylus. This paper presents a method for verifying handwritten
signatures by using a NN architecture. Various static
(e.g., height, slant, etc.) and dynamic (e.g., velocity, pen tip
pressure, etc.) signature features are extracted and used to
train the NN. Several Network topologies are tested and
their accuracy is compared. The resulting system performs
reasonably well with an overall error rate of 3.3% being
reported for the best case.

ผลลัพธ์ (ไทย) 2:

บทคัดย่อลายเซ็นที่เขียนด้วยลายมือถือเป็นวิธีการที่เป็นธรรมชาติมากที่สุดของการตรวจสอบตัวตนของคน(เมื่อเทียบกับรูปแบบไบโอเมตริกซ์และการเข้ารหัสลับอื่น ๆ ของการตรวจสอบ) กระบวนการเรียนรู้อยู่ในประสาทเครือข่าย (NN) สามารถนำไปใช้กับกระบวนการของการตรวจสอบลายเซ็นที่เขียนด้วยลายมือที่ถูกจับด้วยระบบอิเล็กทรอนิกส์ผ่านทางสไตลัส บทความนี้นำเสนอวิธีการตรวจสอบที่เขียนด้วยลายมือลายเซ็นโดยใช้สถาปัตยกรรม NN คงที่ต่างๆ(เช่นความสูงเอียง ฯลฯ ) และแบบไดนามิก(เช่นความเร็วปลายปากกาดัน ฯลฯ ) คุณสมบัติลายเซ็นสกัดและใช้ในการฝึกอบรมNN โครงสร้างเครือข่ายหลายคนได้รับการทดสอบและความถูกต้องของพวกเขาจะถูกเปรียบเทียบ ส่งผลให้ระบบดำเนินการได้ดีพอสมควรที่มีอัตราความผิดพลาดโดยรวม 3.3% ถูกรายงานกรณีที่ดีที่สุด

ผลลัพธ์ (ไทย) 3:

ลายเซ็นที่เขียนด้วยลายมือนามธรรม

ที่เป็นธรรมชาติมากที่สุดจะถือว่าเป็นวิธีการตรวจสอบ
ตัวตนของบุคคล ( เมื่อเทียบกับรูปแบบอื่น ๆของการตรวจสอบ Biometric และ รหัสลับ
) กระบวนการเรียนรู้ที่แท้จริงในโครงข่าย
( NN ) สามารถใช้กับกระบวนการของการตรวจสอบลายเซ็นที่เขียนด้วยลายมือที่ใช้

จับผ่านสไตลัส .งานวิจัยนี้เสนอวิธีการในการตรวจสอบลายเซ็นที่เขียนด้วยลายมือ
โดยใช้ NN สถาปัตยกรรม
คงต่างๆ ( เช่น ความสูง เอียง ฯลฯ ) และแบบไดนามิก ( เช่นความเร็ว , ปากกาปลาย
ความดัน ฯลฯ ) คุณสมบัติลายเซ็นจะถูกแยกและใช้

ฝึกต. . topologies เครือข่ายหลายแบบ
ความถูกต้องของพวกเขาเปรียบเทียบ ส่งผลให้ระบบมีประสิทธิภาพ
ด้วยดีกับอัตราความผิดพลาดโดยรวมของ 33 ) การรายงานกรณีที่ดีที่สุด

.