فایل ورد کامل تائید امضای آنلاین به وسیله نمایش برداری i

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل تائید امضای آنلاین به وسیله نمایش برداری i،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۴ صفحه

چکیده

تائید امضا (SV) یکی از روش های رایج برای تشخیص هویت در بانکداری است، که به دلایل امنیتی، داشتن روش دقیقی برای SV خودکار (ASV) حائز اهمیت است. ASV معمولا با مقایسه امضای آزمایشی و امضای ثبت شده توسط فردی بررسی می شود که هویت او به دو روش ادعا شده است: آنلاین و آفلاین. در این مطالعه، یک روش جدید مبتنی بر برداری i برای SV آنلاین پیشنهاد شده است. در روش پیشنهادی، برداری با طول ثابت، به نام بردار i، از هر امضا استخراج شده است و سپس این بردار به ساخت الگو مورد استفاده قرار گرفته است. چند تکنیک مانند طرح ریزی ویژگی مزاحمت (NAP) و هنجار سازی کوواریانس درون کلاس (WCCN) نیز برای کاهش تغییر درون کلاسی در فضای بردار i مورد بررسی قرار گرفته اند. در مرحله امتیاز دادن و تصمیم گیری، استفاده از یک روش ماشین بردار پشتیبان کلاس نیز پیشنهاد شده است. نتایج تجربی نشان می دهند که روش پیشنهادی در بهترین حالت می تواند در پایگاه داده SigWiComp2013 به نرخ خطای برابر % (EER) برسد. در پایگاه داده SVC2004، EER 5% به دست آمده است که به معنای بهبود نسبی درصد در مقایسه با بهترین نتیجه گزارش شده است. علاوه بر افزایش دقت قابل توجه آن، نسبت به روش معمول انحراف زمانی پویا، بهبود قابل توجهی در هزینه محاسباتی نشان داده شده است.

نتیجه گیری

در سال های اخیر، بردار های i به بهترین نتایج برای تشخیص گوینده رسیده اند. در این مطالعه، هدف ما استفاده از این روش برای استفادهSV آنلاین است. در نتیجه، یک روش مبتنی بر بردار i پیشنهاد می شود که در مقایسه با روش های قبلی در پایگاه داده SigWiComp2013 به نتایج بهتری رسیده است. در این روش، ما از تکنیک های NAP و WCCN برای کاهش تغییرات درون کلاس استفاده کردیم که منجر به بهبود قابل توجه نتایج شدند. علاوه بر این، با استفاده از تغییرات ویژگی محاسبه شده برای هر فرد، نتایج بهبود یافتند. همچنین یک تکنیک مبتنی بر SVM کلاس برای تمایز امضاهای واقعی و جعلی مورد پیشنهاد شد که عملکرد روش بردار i را به طور قابل توجهی بهبود بخشید. در این مورد نیز، استفاده از مدل های SVM وابسته منجر به افزایش مقدار EER شد. در پایگاه داده SigWiComp2013، این روش به EER 8.75 % رسید که بهترین نتیجه گزارش شده در مورد این پایگاه داده است. برای تائید ثبات بهبود روش مبتنی بر بردار i پیشنهادی در سایر پایگاه داده ها، پایگاه داده SVC2004 نیز ارزیابی شد. در این پایگاه داده، در مورد سایر نتایج گزارش شده، پیشرفت هایی ایجاد شدند، اما نه به اندازه پایگاه داده SigWiComp2013. روش مبتنی بر SVMوابسته در بهترین حالت به درصد EER می رسد.

عنوان انگلیسی:Online signature verification using i-vector representation~~en~~

Abstract

Signature verification (SV) is one of the common methods for identity verification in banking, where for security reasons, it is very important to have an accurate method for automatic SV (ASV). ASV is usually addressed by comparing the test signature with the enrolment signature(s) signed by the individual whose identity is claimed in two manners: online and offline. In this study, a new method based on the i-vector is proposed for online SV. In the proposed method, a fixed-length vector, called i-vector, is extracted from each signature and then this vector is used for template making. Several techniques such as nuisance attribute projection (NAP) and within-class covariance normalisation (WCCN) are also investigated in order to reduce the intra-class variation in the i-vector space. In the scoring and decision making stage, they also propose to apply a 2-class support vector machine method. Experimental results show the proposed method could achieve 8.75% equal error rate (EER) on SigWiComp2013 database in the best case. On SVC2004 database, it also achieved 5% EER that means 11% relative improvement compared with the best reported result. In addition to its considerable accuracy gain, it has shown significant improvement in the computational cost over conventional dynamic time warping method.

– Conclusion

In recent years, i-vectors have achieved the best results for speaker verification. In this paper, we aimed at adopting this method for the application of online SV. As a result, we proposed a method based on i-vector which achieved better results compared with previous methods on the SigWiComp2013 database. In this method, we used the techniques of NAP and WCCN to reduce intra-class variations which improved the results remarkably. In addition, we further improved the results by using separately computed feature transformations for each individual. We also proposed a 2-class SVM-based technique to discriminate genuine and forged signatures which improved the performance of the i-vector method considerably. In this case also applying individual dependent SVM models resulted in some gain in the EER value. On SigWiComp2013 database, this method achieved 8.75% EER that is the best reported result on this database so far. To verify the consistency of improvement of the proposed ivector-based method on other databases, the SVC2004 database was also evaluated. On this database, we obtained some improvement over other reported results, but not as much as the SigWiComp2013 database. The individual dependent SVM-based method reaches 5% EER in the best case.

$$en!!