Neural networks (NNs) have been a f

Neural networks (NNs) have been a fundamental part of computerised pattern recognition tasks for more than half a century, and continue to be used in a very broad range of problem domains. The two main reasons for their widespread usage are: 1) power (the sophisticated techniques used in NNs allow a capability of modeling quite complex functions); and 2) ease of use (as NNs learn by example it is only necessary for a user to gather a highly representative data set and then invoke training algorithms to learn the underlying structure of the data).
The HSV process parallels this learning mechanism. There are many ways to structure the NN training, but a very simple approach is to firstly extract a feature set representing the signature (details like length, height, duration, etc.), with several samples from different signers. The second step is for the NN to learn the relationship between a signature and its class (either “genuine” or “forgery”). Once this relationship has been learned, the network can be presented with test signatures that can be classified as belonging to a particular signer. NNs therefore are highly suited to modeling global aspects of handwritten signatures.

ผลลัพธ์ (ไทย) 1:

เครือข่ายประสาท (NNs) ได้รับส่วนหนึ่งของรูปแบบระบบคอมพิวเตอร์รู้งานมากกว่าครึ่งศตวรรษ และยังสามารถใช้ในช่วงกว้างมากของปัญหาโดเมน มีเหตุผลหลักสองประการสำหรับการใช้งานอย่างแพร่หลายของพวกเขา: 1) พลังงาน (เทคนิคซับซ้อนที่ใช้ใน NNs ให้ความสามารถในการสร้างโมเดลฟังก์ชันค่อนข้างซับซ้อน); และ 2) ความสะดวกใช้ (เป็น NNs ขึ้นมันจำเป็นสำหรับผู้ใช้การรวบรวมชุดข้อมูลตัวแทนสูง และจากนั้น เรียกใช้อัลกอริทึมในการฝึกอบรมเพื่อเรียนรู้โครงสร้างพื้นฐานของข้อมูลตัวอย่าง)การ HSV parallels กลไกการเรียนรู้นี้ มีหลายวิธีการจัดโครงสร้างการฝึก NN แต่วิธีที่ง่ายมากคือสารสกัด firstly คุณลักษณะตั้งแทนลายเซ็น (รายละเอียดเช่นความยาว ความสูง ระยะเวลา ฯลฯ), มีตัวอย่างหลายตัวจากชื่อแตกต่างกัน ขั้นตอนสองคือสำหรับ NN เพื่อเรียนรู้ความสัมพันธ์ระหว่างลายเซ็นของคลาส ("แท้" หรือ "ของปลอม") เมื่อความสัมพันธ์นี้มีการเรียนรู้ เครือข่ายสามารถนำเสนอ ด้วยลายเซ็นทดสอบที่ classified เป็นชื่อเฉพาะของ NNs จึงได้สูงเหมาะกับโมเดลด้านโลกของลายเซ็นลายมือเขียน

ผลลัพธ์ (ไทย) 2:

โครงข่ายประสาทเทียม (NNs) ได้รับเป็นส่วนพื้นฐานของรูปแบบการรับรู้งานคอมพิวเตอร์มานานกว่าครึ่งศตวรรษและยังคงถูกนำมาใช้ในช่วงกว้างมากของโดเมนปัญหา ทั้งสองเหตุผลหลักสำหรับการใช้งานอย่างแพร่หลายคือ 1) พลังงาน (เทคนิคที่มีความซับซ้อนที่ใช้ในการ NNs ช่วยให้ความสามารถในการสร้างแบบจำลองการทำงานที่ค่อนข้างซับซ้อน); และ 2) ความสะดวกในการใช้งาน (ตามที่ NNs เรียนรู้จากตัวอย่างมันเป็นเพียงที่จำเป็นสำหรับผู้ใช้ในการรวบรวมข้อมูลเป็นตัวแทนสูงตั้งแล้วเรียกขั้นตอนวิธีการฝึกอบรมเพื่อเรียนรู้โครงสร้างพื้นฐานของข้อมูล).
กระบวนการ HSV แนวกลไกการเรียนรู้นี้ มีหลายวิธีที่จะจัดโครงสร้างการฝึกอบรม NN แต่เป็นวิธีการที่ง่ายมากคือการ fi rstly ดึงชุดคุณลักษณะที่เป็นตัวแทนของลายเซ็น (รายละเอียดเช่นความยาวความสูง, ระยะเวลา, ฯลฯ ) โดยมีตัวอย่างจากหลายที่แตกต่างกันลงนาม ขั้นที่สองคือการที่จะเรียนรู้ NN ความสัมพันธ์ระหว่างลายเซ็นและระดับ (ทั้ง "ของแท้" หรือ "ของปลอม") เมื่อความสัมพันธ์นี้ได้รับการเรียนรู้เครือข่ายสามารถนำเสนอที่มีลายเซ็นการทดสอบที่สามารถจัดประเภทเป็นที่เป็นผู้ลงนามโดยเฉพาะอย่างยิ่ง NNs จึงมีความเหมาะสมอย่างมากที่จะสร้างแบบจำลองระดับโลกด้านของลายเซ็นที่เขียนด้วยลายมือ

ผลลัพธ์ (ไทย) 3:

โครงข่ายประสาทเทียม ( nns ) เป็นส่วนพื้นฐานของคอมพิวเตอร์รูปแบบงานมานานกว่าครึ่งศตวรรษ และยังคงถูกใช้ในช่วงที่กว้างมากของโดเมนปัญหา สองเหตุผลหลักสำหรับการใช้อย่างแพร่หลายของพวกเขาคือ 1 ) พลังงาน ( มีเทคนิคที่ใช้ใน nns ให้ความสามารถในการจำลองการทำงานค่อนข้างซับซ้อน )2 ) ใช้งานง่าย ( nns เรียนรู้จากตัวอย่างมันเป็นเพียงที่จำเป็นสำหรับผู้ใช้ในการรวบรวมข้อมูล และจากนั้น เรียกใช้ตัวแทนสูงขั้นตอนวิธีการฝึกอบรมเพื่อเรียนรู้พื้นฐานโครงสร้างของข้อมูล ) .
กระบวนการ HSV แนวกลไกการเรียนรู้นี้ มีหลายวิธีที่จะจัดโครงสร้าง NN การฝึกอบรม