This paper aims to verify offline s

This paper aims to verify offline signatures using
improved feature analysis and artificial neural
network. Feature analyzer can reduce the large
domain of feature space and extract invariable
information. We incorporated different features from
multi-dimensional feature analysis perspective. For
verification from extracted features, we used neural
network classifier. Instead of using feed forward
neural network, multiple feed forward neural networks
are used which are trained in the form of ensemble.
Using such ensemble makes the system more general
than a regular single neural network based system.
Use of resilient back propagation for each neural
network training, provides faster recognition. Using
cross validation techniques, we performed significant
amount of testing. Experimental evaluation of the
signature verifier is reported.

Results (Thai) 2:

กระดาษนี้มีวัตถุประสงค์เพื่อตรวจสอบลายเซ็นแบบออฟไลน์โดยใช้การวิเคราะห์คุณลักษณะที่ดีขึ้นและประสาทเทียมเครือข่าย วิเคราะห์คุณสมบัติสามารถลดขนาดใหญ่โดเมนของพื้นที่บาร์และสารสกัดคงข้อมูล เรารวมคุณสมบัติที่แตกต่างจากมุมมองการวิเคราะห์คุณลักษณะหลายมิติ สำหรับการตรวจสอบจากคุณสมบัติที่สกัดเราใช้ประสาทลักษณนามเครือข่าย แทนการใช้ไปข้างหน้าฟีดเครือข่ายประสาทหลายฟีดไปข้างหน้าเครือข่ายประสาทถูกนำมาใช้ซึ่งมีการฝึกอบรมในรูปแบบของชุด. ใช้ชุดดังกล่าวทำให้ระบบทั่วไปมากขึ้นกว่าเครือข่ายประสาทปกติเดียวตามระบบ. ใช้ขยายพันธุ์กลับมามีความยืดหยุ่นสำหรับแต่ละประสาทเครือข่ายการฝึกอบรมให้รับรู้ได้เร็วขึ้น โดยใช้เทคนิคการตรวจสอบข้ามเราดำเนินการอย่างมีนัยสำคัญจำนวนของการทดสอบ การประเมินผลการทดลองของตรวจสอบลายเซ็นมีรายงาน

Results (Thai) 3:

บทความนี้มีวัตถุประสงค์เพื่อตรวจสอบลายเซ็นแบบออฟไลน์โดยใช้โครงข่ายประสาทเทียมและการวิเคราะห์คุณลักษณะปรับปรุง

เทียม วิเคราะห์คุณสมบัติสามารถลดโดเมนขนาดใหญ่
คุณลักษณะพื้นที่และสารสกัดจากข้อมูลไม่เปลี่ยนแปลง

เราได้รวมคุณลักษณะที่แตกต่างจาก
คุณลักษณะมุมมองการวิเคราะห์หลายมิติ สำหรับตรวจสอบคุณสมบัติได้

เราใช้เครือข่ายประสาท , ลักษณนามแทนการใช้โครงข่ายประสาทเทียมแบบป้อนไปข้างหน้า
,
ใช้ป้อนไปข้างหน้าโครงข่ายประสาทเทียมที่ผ่านการฝึกอบรมในรูปแบบของ ensemble
ใช้เช่นวงดนตรีทำให้ระบบทั่วไปมากขึ้นกว่าปกติ
โสดประสาทเครือข่ายที่ใช้ระบบ การใช้ยืดหยุ่นกลับ

แต่ละประสาทเครือข่ายการฝึกอบรม มีการรับรู้ได้เร็วขึ้น การใช้เทคนิค
ข้ามการตรวจสอบเราดำเนินการอย่างมีนัยสำคัญ
จำนวนของการทดสอบ การประเมินผลการทดลองของ
ลายเซ็นตรวจสอบรายงาน .