基于狼群優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的筆跡鑒定應(yīng)用

李琰延 李大娟 李楠 邢問(wèn)天

【摘要】筆跡鑒定是文件檢驗(yàn)的重要組成部分，但目前的筆跡鑒定存在識(shí)別率低、識(shí)別速度慢等問(wèn)題。為此，提出一種狼群優(yōu)化概率神經(jīng)網(wǎng)絡(luò)（ WAPNN）的筆跡鑒定方法。該方法融合概率神經(jīng)網(wǎng)絡(luò)（PNN）和狼群算法（WA）的優(yōu)勢(shì)來(lái)構(gòu)造WAPNN，采用狼群算法尋求PNN中最優(yōu)平滑參數(shù)α值，優(yōu)化概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，應(yīng)用表明，基于狼群優(yōu)化概率神經(jīng)網(wǎng)絡(luò)（WAPNN）的方法提高了筆跡鑒定的識(shí)別率和識(shí)別速度，能夠?yàn)楣P跡鑒定的進(jìn)一步發(fā)展提供科學(xué)的理論支持，具有一定的使用價(jià)值。

【關(guān)鍵詞】筆跡鑒定 概率伸進(jìn)網(wǎng)絡(luò) 狼群算法 平滑參數(shù)

筆跡鑒定是根據(jù)書(shū)寫(xiě)痕跡所體現(xiàn)的書(shū)寫(xiě)技能、習(xí)慣特征等來(lái)鑒別書(shū)寫(xiě)人的一門(mén)科學(xué)。目前，筆跡鑒定多使用于公安、安全、法院等領(lǐng)域的手寫(xiě)文件檢驗(yàn)以及銀行、電子商務(wù)等領(lǐng)域的簽名核實(shí)等方面。傳統(tǒng)的筆跡鑒定主要靠文檢人員根據(jù)筆跡的線條和運(yùn)筆進(jìn)行判斷，鑒定過(guò)程中主觀隨意性缺乏有效的控制，具有一定的局限性。近幾年，人工神經(jīng)網(wǎng)絡(luò)已被證實(shí)具有良好的容錯(cuò)性、自適應(yīng)性以及并行處理和樣本學(xué)習(xí)能力，被廣泛應(yīng)用于筆跡鑒定、信息融合、故障診斷等領(lǐng)域。

早在2008年何延鵬等人借助計(jì)算機(jī)進(jìn)行筆跡鑒定，發(fā)揮了計(jì)算機(jī)高效、客觀的自動(dòng)初篩功能，提高了鑒定的速度，但缺乏對(duì)筆跡的特征提取和學(xué)習(xí)，其識(shí)別具有一定的局限型；趙宏偉等人利用改進(jìn)多數(shù)規(guī)則信息融合算法提高了筆跡鑒定的識(shí)別率，但忽視了筆跡鑒定的識(shí)別速度，因此該方法在筆跡鑒定的識(shí)別率與識(shí)別速度方面仍存在一定缺陷。

本文將狼群算法（WA）與概率神經(jīng)網(wǎng)絡(luò)（PNN）融合在一起，構(gòu)造狼群優(yōu)化概率神經(jīng)網(wǎng)絡(luò)模型。運(yùn)用概率神經(jīng)網(wǎng)絡(luò)模型對(duì)筆跡進(jìn)行識(shí)別，鑒于概率神經(jīng)網(wǎng)絡(luò)模型中的平滑參數(shù)的取值對(duì)筆跡鑒定的識(shí)別率及識(shí)別速度具有重要影響，因此，采用狼群算法優(yōu)化所需平滑參數(shù)，使筆跡鑒定達(dá)到最優(yōu)效果。

一、PNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

概率神經(jīng)網(wǎng)絡(luò)是集統(tǒng)計(jì)方法與前饋神經(jīng)網(wǎng)絡(luò)與一體的神經(jīng)網(wǎng)絡(luò)模型。具有訓(xùn)練時(shí)間短、結(jié)構(gòu)穩(wěn)定、獲取正確識(shí)別結(jié)果的最大可能概率等優(yōu)點(diǎn)。其結(jié)構(gòu)為4層前饋網(wǎng)絡(luò)，即輸入層、模式層、求和層和輸出層，如圖l所示。

二、狼群優(yōu)化PNN結(jié)構(gòu)

PNN神經(jīng)網(wǎng)絡(luò)中，唯一需調(diào)整的參數(shù)是平滑參數(shù)δ，該參數(shù)對(duì)樣本的分類正確率具有重要影響，優(yōu)取平滑參數(shù)，將會(huì)得出分類效果的最優(yōu)值。因此，如何獲得平滑參數(shù)的最優(yōu)解是概率神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問(wèn)題。狼群算法是一種模式狼群捕食的智能優(yōu)化算法，能有效解決連續(xù)變量的全局優(yōu)化問(wèn)題，具有后期收斂速度快，不易陷入局部最優(yōu)和計(jì)算精度高等優(yōu)點(diǎn)。

2.1 狼群算法的構(gòu)造

由PNN中8參數(shù)的取值范圍（0-1）構(gòu)造算法中的狼群。具體步驟如下：

2.2 全結(jié)構(gòu)狼群優(yōu)化PNN的實(shí)現(xiàn)

根據(jù)狼群算法進(jìn)行PNN結(jié)構(gòu)優(yōu)化的介紹，本文狼群算法優(yōu)化PNN的算法流程如圖2所示

由圖2可知，首先對(duì)筆跡數(shù)據(jù)及控制參數(shù)進(jìn)行初始化，并判斷其迭代數(shù)是否符合要求，然后運(yùn)用概率神經(jīng)網(wǎng)絡(luò)對(duì)筆跡進(jìn)行鑒定識(shí)別，在其過(guò)程中，采用狼群算法不斷對(duì)平滑參數(shù)進(jìn)行優(yōu)化，直到仿真中的識(shí)別誤差小于設(shè)定的誤差值，最后，輸出理想的識(shí)別率和識(shí)別速度。

三、實(shí)驗(yàn)研究

3.1 實(shí)驗(yàn)數(shù)據(jù)

為驗(yàn)證狼群算法對(duì)概率神經(jīng)網(wǎng)絡(luò)優(yōu)化的有效性，本文采集了來(lái)自10個(gè)人的1600個(gè)手寫(xiě)字體，將字體圖像歸一化為32×32大小，如圖3所示。

然后將每個(gè)人的字體數(shù)據(jù)分為兩部分，從而建立實(shí)驗(yàn)所需的筆跡訓(xùn)練識(shí)別的數(shù)據(jù)集。

3.2 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證狼群優(yōu)化PNN算法的有效性，本文對(duì)所采集的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行訓(xùn)練識(shí)別，所得結(jié)果如表1所示。

從表1可得，WAPNN識(shí)別率和識(shí)別速度都取得了一定幅度的提高，囚此通過(guò)狼群算法對(duì)概率神經(jīng)網(wǎng)絡(luò)中平滑參數(shù)的優(yōu)化確實(shí)對(duì)普通PNN的識(shí)別率和識(shí)別速度的提高具有一定的有效性。

四、結(jié)語(yǔ)

本文提出的狼群優(yōu)化概率神經(jīng)網(wǎng)絡(luò)是一種基于WA算法和PNN優(yōu)點(diǎn)構(gòu)造而成的。

運(yùn)用狼群算法在整個(gè)種群范圍內(nèi)尋優(yōu)，搜索獲取概率神經(jīng)網(wǎng)絡(luò)中的最優(yōu)平滑參數(shù)，增強(qiáng)了網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定，提高了網(wǎng)絡(luò)收斂的速度和精度。

由仿真實(shí)驗(yàn)結(jié)果對(duì)比可知，基于狼群優(yōu)化PNN的筆跡鑒定識(shí)別方法相對(duì)于其他識(shí)別方法具有識(shí)別率高、識(shí)別速度快、網(wǎng)絡(luò)結(jié)構(gòu)穩(wěn)定、推廣泛化能力好等優(yōu)點(diǎn)。經(jīng)多次實(shí)驗(yàn)表明，該方法能夠達(dá)到人們所需的標(biāo)準(zhǔn)要求，為筆跡的鑒定識(shí)別提供了科學(xué)的方法支持和理論依靠。