买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明提出了一种基于元学习的在线手写签名认证方法，实现步骤为：获取训练数据集和测试数据集；构建在线手写签名认证网络模型；基于元学习对在线手写签名认证网络模型进行训练；获取在线手写签名认证结果。本发明基于元学习对在线手写签名认证网络进行训练，通过训练支持集对在线手写签名认证网络的训练得到一组最优的权重参数，再基于这组权重参数对在线手写签名认证网络进行迭代训练，避免了利用随机权重参数进行训练耗时较大的缺陷，在保证认证准确率的前提下，提高了在少量手写签名情况下的认证效率。

主权项：1.一种基于元学习的在线手写签名认证方法，其特征在于，包括以下步骤：1获取训练数据集和测试数据集：1a对R个用户U＝{U1,U2,...,Ur,...,UR}中每个用户Ur的D个在线手写签名进行预处理，得到Ur的预处理后的在线手写签名集合其中，R≥5，Ur表示第r个用户，D≥5，分别表示Ur的第d个在线手写签名、预处理后的在线手写签名；1b提取每个用户Ur的每个预处理后在线手写签名的M个特征并通过Hr的类内差异性分数Nr,m和Hr与其他用户预处理后的在线手写签名Hr'的类间差异性分数Jr,m，r≠r'，计算每个特征的特征质量分数Qr,m： 其中，M≥12，表示的第m个特征，lg代表取对数操作，∑表示求和操作，dist·表示求曼哈顿距离操作，表示Hr、Hr'中第m个特征的均值；1c选取每个用户Ur的每个特征集合中特征质量分数最大的前N个特征组成在线手写签名得到包含所有用户的R×D个在线手写签名的数据集B，其中N＜M，并将其中半数以上的在线手写签名及其对应的用户标签组成训练数据集Btr，将剩余的在线手写签名及其对应的用户标签组成测试数据集Bte，然后将Btr中I个在线手写签名及其对应的用户标签组成训练支持集将剩余的J个在线手写签名及其对应的用户标签组成训练查询集同时将Bte中A个在线手写签名及其对应的用户标签组成测试支持集将剩余的C个在线手写签名及其对应的用户标签组成测试查询集其中I＞J，表示Bstr中的第i个在线手写签名及其用户标签，表示Bqtr中的第j个在线手写签名及其用户标签，A＞C，表示Bste中的第a个在线手写签名及其用户标签，表示Bqte中的第c个在线手写签名及其用户标签；2构建在线手写签名认证网络模型O：搭建包括顺次连接的多个卷积块及一个全连接层的在线手写签名认证网络模型O，每个卷积块包括顺次连接的卷积层、归一化层、激活层和池化层；3基于元学习对在线手写签名认证网络模型进行训练：3a初始化在线手写签名认证网络模型O的权值参数为θ，迭代次数为k，最大迭代次数为K，K≥1000，第k次迭代在线手写签名认证网络模型Ok的权值参数为θk，并令k＝1；3b将训练支持集Bstr作为在线手写签名认证网络模型O的输入，对Bstr中的每个在线手写签名进行预测，并采用交叉熵损失函数，通过的预测结果计算O的损失值L，然后采用梯度下降法，通过L对θ的梯度对θ进行更新，得到在线手写签名认证网络模型的每个在线手写签名的权值参数θi；3c将训练查询集Bqtr作为在线手写签名认证网络模型O的输入，多个卷积块对Bqtr中的每个在线手写签名进行卷积操作，然后对卷积后的进行归一化操作，再对归一化结果进行激活操作，最后对激活结果进行池化操作，得到的在线手写签名特征向量；全连接层对该签名特征向量进行全连接操作，得到的预测分数；3d采用交叉熵损失函数，并通过的预测分数计算O的损失值Lk，然后过Lk对θk、θi的梯度对θk进行更新，更新公式为： 其中，β表示学习率；3e判断k＝K是否成立，若是，得到预训练好的在线手写签名认证网络O'，并执行步骤3f，否则，令k＝k+1，并执行步骤3c；3f将测试支持集Bste作为预训练好的在线手写签名认证网络O'的输入进行前向传播，得到Bste中每个在线手写签名的预测结果，采用交叉熵损失函数，通过的预测结果计算O'的损失值L'，然后采用梯度下降法，通过L'对θ'的梯度对θ'进行更新，得到训练好的在线手写签名认证模型O*；4获取在线手写签名认证结果：将测试查询集Bqte作为训练好的在线手写签名认证模型O*的输入进行前向传播，得到的预测分数qc，并判断qc与预先设置的阈值σ是否满足qc＞σ，若是，则为真实签名，否则为伪造签名。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于元学习的在线手写签名认证方法