| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-24页 |
| 1.1 引言 | 第10页 |
| 1.2 生物特征识别技术概述 | 第10-14页 |
| 1.2.1 生物特征识别技术的产生背景及意义 | 第10-11页 |
| 1.2.2 主要的生物特征识别技术和优势比较 | 第11-14页 |
| 1.3 在线手写签名识别技术概述及本课题的研究意义 | 第14-21页 |
| 1.3.1 在线手写签名技术概述 | 第15-21页 |
| 1.3.2 本课题的研究意义 | 第21页 |
| 1.4 本文的主要研究内容及结构安排 | 第21-24页 |
| 第2章 在线手写签名的数据处理 | 第24-33页 |
| 2.1 签名数据的获取 | 第24-26页 |
| 2.2 签名数据的特征选取 | 第26-29页 |
| 2.2.1 平均值方差法 | 第26-27页 |
| 2.2.2 最大最小值法 | 第27-29页 |
| 2.3 数据处理 | 第29-31页 |
| 2.3.1 滤除噪声 | 第30页 |
| 2.3.2 签名位置的归一化 | 第30页 |
| 2.3.4 起落笔处的畸变以及断笔处不稳定信号的处理 | 第30-31页 |
| 2.4 判别函数的计算 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于贝叶斯阴阳机的高斯混合模型 | 第33-45页 |
| 3.1 高斯混合模型概述 | 第33-34页 |
| 3.2 高斯混合模型的学习—期望最大化(EM)算法 | 第34-38页 |
| 3.2.1 EM算法的介绍 | 第34-36页 |
| 3.2.2 EM算法在高斯混合模型学习中的应用 | 第36-38页 |
| 3.3 贝叶斯阴阳机 | 第38-41页 |
| 3.3.1 贝叶斯阴阳机的基本概念 | 第38-39页 |
| 3.3.2 贝叶斯阴阳机的学习方法 | 第39-41页 |
| 3.4 贝叶斯阴阳机在高斯混合模型中的应用 | 第41-44页 |
| 3.4.1 批处理梯度下降学习算法 | 第42页 |
| 3.4.2 BYY退火学习算法 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于贝叶斯阴阳机的高斯混合模型在在线手写签名中的应用 | 第45-61页 |
| 4.1 基于贝叶斯阴阳机的GMMs的在线手写签名系统 | 第45-48页 |
| 4.1.1 数据处理 | 第46-47页 |
| 4.1.2 模型的建立 | 第47-48页 |
| 4.1.3 判别函数的计算 | 第48页 |
| 4.2 基于BYY的GMMs对签名数据的识别结果 | 第48-52页 |
| 4.3 传统GMMs对签名数据的识别结果 | 第52-55页 |
| 4.4 DTW算法对签名数据的识别结果 | 第55-58页 |
| 4.5 不同算法对签名数据识别结果的比较 | 第58-59页 |
| 4.6 本章小结 | 第59-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 全文总结 | 第61-62页 |
| 5.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-70页 |
| 作者在攻读硕士学位期间的学术成果 | 第70-71页 |
| 卷内备考表 | 第71页 |
