基于LSTM神经网络的手写签名鉴定研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 本文结构安排 | 第11-12页 |
| 第2章 基于Android平台的签名数据采集系统 | 第12-23页 |
| 2.1 手写签名数据库的建立 | 第12-17页 |
| 2.1.1 国内外签名鉴定相关数据库的现状 | 第12-13页 |
| 2.1.2 手写签名数据采集 | 第13-15页 |
| 2.1.3 后台整理标记归档 | 第15-16页 |
| 2.1.4 构建数据库 | 第16-17页 |
| 2.2 预处理技术 | 第17-20页 |
| 2.2.1 方向倾斜矫正 | 第17-18页 |
| 2.2.2 大小归一化 | 第18-19页 |
| 2.2.3 滤波平滑处理 | 第19页 |
| 2.2.4 轨迹点重采样 | 第19页 |
| 2.2.5 预处理流程图 | 第19-20页 |
| 2.3 特征选择 | 第20-22页 |
| 2.3.1 时序特征 | 第20-21页 |
| 2.3.2 空间特征 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于LSTM的模型构建和训练 | 第23-46页 |
| 3.1 LSTM模型的产生背景 | 第23-32页 |
| 3.1.1 神经网络的产生 | 第23-27页 |
| 3.1.2 深度学习技术 | 第27-28页 |
| 3.1.3 RNN模型 | 第28-30页 |
| 3.1.4 RNN模型的弊端和LSTM模型的产生 | 第30-32页 |
| 3.2 LSTM模型 | 第32-38页 |
| 3.2.1 LSTM对模型的设计 | 第33-34页 |
| 3.2.2 LSTM训练的核心思想和计算 | 第34-37页 |
| 3.2.3 LSTM模型的改进 | 第37-38页 |
| 3.2.4 LSTM模型的优点和性能分析 | 第38页 |
| 3.3 实验模型设计 | 第38-44页 |
| 3.3.1 实验模型框架 | 第38-42页 |
| 3.3.2 实验模型的实现 | 第42-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第4章 实验和分析 | 第46-52页 |
| 4.1 实验环境 | 第46页 |
| 4.2 评测标准 | 第46页 |
| 4.3 基于LSTM模型的手写签名分类实验 | 第46-50页 |
| 4.3.1 本文实验模型结果分析 | 第46-48页 |
| 4.3.2 不同隐藏层节点数的LSTM模型实验 | 第48-49页 |
| 4.3.3 不同层数的LSTM模型实验 | 第49页 |
| 4.3.4 单向与双向LSTM模型实验 | 第49-50页 |
| 4.4 LSTM网络模型优化 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 本文工作总结 | 第52页 |
| 5.2 研究不足与进一步研究方向 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间发表的论文与研究成果 | 第58页 |
