| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景及意义 | 第9-10页 |
| ·国际国内研究进展及现状 | 第10-12页 |
| ·本文主要工作 | 第12-14页 |
| ·本文章节安排 | 第14-15页 |
| 第二章 签名识别关键技术概述 | 第15-31页 |
| ·签名预处理 | 第15-21页 |
| ·去除噪声 | 第16-18页 |
| ·二值化图像 | 第18-19页 |
| ·骨架提取 | 第19-21页 |
| ·特征提取 | 第21-23页 |
| ·几何矩 | 第21-22页 |
| ·高密区域 | 第22-23页 |
| ·签名识别 | 第23页 |
| ·加权欧氏距离 | 第23页 |
| ·隐马尔科夫模型 | 第23页 |
| ·HTM (Hierarchical Temporal Memory) | 第23-30页 |
| ·HTM 基本原理和概念 | 第24-26页 |
| ·训练过程 | 第26-29页 |
| ·推理过程 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 PCNN 签名识别系统 | 第31-39页 |
| ·数据采集 | 第31-32页 |
| ·图像预处理 | 第32-34页 |
| ·灰度化处理 | 第32页 |
| ·二值化处理 | 第32-33页 |
| ·骨架提取 | 第33-34页 |
| ·脉冲耦合神经网络 | 第34-36页 |
| ·基于欧氏距离的识别 | 第36页 |
| ·实验结果与分析 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 签名识别的HTM 模型 | 第39-59页 |
| ·HTM 网络的训练和推理 | 第39-43页 |
| ·节点完整的训练过程 | 第39-40页 |
| ·节点的推理过程 | 第40-41页 |
| ·HTM 网络的推理过程 | 第41-43页 |
| ·NuPIC 框架 | 第43-47页 |
| ·NRE 监督进程 | 第44-45页 |
| ·NRE 节点处理器 | 第45-46页 |
| ·NRE 监督者和会话 | 第46-47页 |
| ·签名识别HTM 模型的建立 | 第47-58页 |
| ·定义问题 | 第47-48页 |
| ·数据表示 | 第48-50页 |
| ·创建网络 | 第50-54页 |
| ·训练HTM 网络 | 第54-57页 |
| ·推理识别 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第五章 HTM 签名识别系统的设计与实现 | 第59-67页 |
| ·系统设计与流程 | 第59-63页 |
| ·数据获取模块的设计 | 第60页 |
| ·网络创建模块的设计 | 第60-61页 |
| ·网络训练模块的设计 | 第61-62页 |
| ·识别推理模块的设计 | 第62-63页 |
| ·实验结果与分析 | 第63-65页 |
| ·系统评价 | 第65页 |
| ·本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 个人简介和攻读硕士期间的成果 | 第74-75页 |