本发明属于图像识别应用,尤其涉及一种基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法。
背景技术:
1、手写签名识别系统是目前文本分类中一个比较热点的方向,签名的自动验证可以在联机或脱机模式下完成。在联机过程中,签名是通过电子方式收集的,即在签名板上,并且还包含其他一些辅助信息,例如,笔向上,笔向下,压力,角度等。在离线模式下,签名是仅通过笔和纸进行收集,并且不存在辅助信息,因此脱机签名验证的功能和灵活性更少,这使过程更具挑战性。离线签名验证的目的是根据一个人的签名以及肯定或否定决策的结果来自动验证一个人。通过伪造来破坏签名验证系统是可能的。文献中主要报道了两种类型的伪造,即随机伪造和熟练伪造。在随机伪造中,所有真正的签名都被视为数据集中所有其他用户的伪造签名,而在熟练的伪造中,熟练的技术人员练习对特定人的签名进行签名。
2、手写签名识别系统主要涉及到图像处理、模式识别等方面的学科知识,主要包括图像预处理、信息区域定位和识别等处理过程,已被广泛应用于信息处理、身份认证和人机交互等领域。而由于现实生活中的手写签名由于签名者在签名时的心理状态及所处的环境都可能使得签名存在不同程度的差异,导致签名特征提取和特征表示是一件非常复杂的事情,因此识别的准确率不高。针对提高手写签名的识别率成为一项重要的研究热点。
技术实现思路
1、本发明针对现有手写签名识别系统的所存在的技术问题,提出一种方法简单、操作方便且能够有效对图像进行有效识别的基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法。
2、为了达到上述目的,本发明采用的技术方案为:一种基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法,包括以下步骤:
3、步骤1、初始化胶囊神经网络参数,由胶囊神经网络的参数构成鲸鱼种群;
4、步骤2、对胶囊神经网络参数进行实值编码,得到初始鲸鱼种群;
5、步骤3、计算初始鲸鱼个体适应度;
6、步骤4、对鲸鱼种群进行寻优更新,根据改进woa算法更新鲸鱼种群并计算个体生成概率;
7、步骤5、判定是否满足终止条件,即达到给定的最大迭代次数;若满足则输出鲸鱼种群的最优个体及最优宽度、中心和权值;反之跳转到步骤4继续执行优化;
8、步骤6、更新胶囊神经网络的参数,即可实现对手写签名识别的识别;
9、其中,所述步骤4包括以下步骤:
10、步骤4.1、差分算法通过差分变异得到新个体,使得算法可以从局部最优点跳出;
11、步骤4.2、对鲸鱼算法的变异、交叉操作过程进行优化;
12、步骤4.3、进行权值位置更新。
13、作为优选,所述步骤3中,初始鲸鱼个体适应度的计算公式为:
14、
15、其中,yij为胶囊神经网络输出的预测值,为待测样本空间的理论实际值,k为训练样本总数,m为胶囊神经网络输出层神经元个数。
16、作为优选,所述步骤4.1为:
17、差分算法通过差分变异得到新个体,使得算法可以从局部最优点跳出;
18、假设待捕猎物是当前的最优个体,其数学模型为:
19、x(t+1)=xp(t)-a*|c
20、式中:x(t)是代表个体位置的向量;t代表当前迭代次数;xp代表猎物的位置向量。
21、作为优选,所述步骤4.2的具体操作方法为:
22、假设针对每一个目标个体x(i=1,2,3...,n)从当前代g中随机选择3个没有相同点的个体进行变异,相关函数表达式为:
23、vi,g+1=xr1,g+f×(xr2,g-xr3,g)
24、其中,为任意整数,并且满足r1≠r,r2≠i;f为缩放比例因子,大小在[0,1]范围内,这里取0.5;基于差分进化鲸鱼算法的交叉操作中,为实现目标个体的xi,g(i=1,2,...,n)进化,通过交叉操作,随机选择可使试验向量中至少含有一个贡献的目标个体xi,g,通过贡献的目标个体改变种群。具体公式为:
25、
26、式中,为矩形分布的任意数;为任意整数;
27、为交叉概率。
28、与现有技术相比,本发明的优点和积极效果在于:
29、本发明提供一种基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法,通过增加鲸鱼优化算法的惯性权重来加强算法的寻优广度和精度,再通过胶囊神经网络采用改进的鲸鱼算法输出的最优权值、阈值作为初始参数值训练模型。实验验证,改进的鲸鱼算法-胶囊神经网络方法相比传统的方法在收敛速度和预测精度方面都有更优的表现。
1.一种基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法,其特征在于,所述步骤3中,初始鲸鱼个体适应度的计算公式为:
3.根据权利要求2所述的基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法,其特征在于,所述步骤4.1为:
4.根据权利要求3所述的基于改进鲸鱼算法的胶囊神经网络的手写签名识别方法,其特征在于,所述步骤4.2的具体操作方法为: