SAU Fen Bilimleri Enstitüsü Dergisi 7.Cilt, 2.Sayı (Temmuz 2003)
Bir
Yapay Sinir A�•
\tlodeli
ile Tanıma Z.Dcmir,S.(ikoJllu, F.Temurtaş, r\.Yumuşuk
BİR YAPAY
SİNİR AÖI MOilELİ İLE İMZA
TANIMA
Zafer
DEMİR, Serdar ÇİKOGL·u,
Fevzullah
TE1\1tJRT
AŞ,
Nejat
YUMUŞAK
Özet
.. Bu çalışmada, yapay sinir ağı _kullanılarakimza tanıma işlemi gerçekleştirilmiştir.
Imza
tanıma işleminde, öncelikle imzalar normalize edilmiş ve arka planda oluşan gürültü ve kirlilikleri gidermel{ için eşiklenmiş ve ardından yapay sinir ağı eğitİnıinde•
kullanılacak özellikler elde edilıniştir. Inızalar, inıza yoğunluğu, imzanın merkezler arası göreli yatay farkı, imzanın merkezle r aras• göreli dil<ey farkı, imzanın genişliği, imzanın yiiksekliği olmak iizere
S
özelliğine bakılarak, birbirlerinden ayırt edilmişlerdir. Ayrıca yapay sinir ağı yapısınn1 öğrenme performansına gizli l<atn1an sinir sayasının etkisi, değişik sayıda gizli katman siniri kullanılarak gözlennıiştir.•
AnalıtarKelinıeler-
Yapay Sinir Ağlan, Imza TanımaAbstract
- ln this study, signature verifıcation wasdone using artifıcial neural net\vorks. ln signature verification process the first, the signatures were normalized and to eliminate the noise and blenıishes occured in background the signatures lVere thresbolded. The last, features used in artificial neural network's learning lvere extracted. Signatures and five features included; signature density, horizontal relative diffcrence benveen signature centers, vertical relative difference bet\\reen signature centers, sigııatuı·e lvidth, signature high was extracted. Further, effect of the artificial neoral network structure and hidden layer on learning performance were investigated.
KeyWords
- Artifical Intelligence Algorithms, Signature VerificationZ.Demir; SA.Ü Mühendislik Fakültesi, Elektrik-Elektronik Müh. Böl. Adapazarı zdemir@sakarya.edu.tr
S.
Çikoğlu;
Gebze Endüstri Meslek B ilgisayar Öğretmeni s_cikoglu@hotmai l.comF. Temuıtaş, N. Yumuşak; SA.Ü Mühendislik Fakültesi, Bilgisayar Müh. Böl. Adapazarı,
1.Y-tnH.LHlg�SLk.�!:
.Y
.�
1.
�Q_t
J.
.tT
myumusak@sakarya.edu .tr
I.GİRiŞ
İtnzalar günllik
hay
atta, milyonlarca kişı tarafından paıa transfeıi yapmak veya yetki için kullanı lu. Önıcğin banka çekleri, kredi kartları, karnıni dokümanlar gibi belg
elerinhepsi imza gerektirir. Sahtelikler ise
her
yıl milyonlarca dolara ma] olın
aktad
ır.Bu
sahtel
ikten kasıt .. başkaların1 doland1rmak amacıyla yazı 1nı
ış (p
riııt edilnıiş
) herhangi bir şekddekiimza
l
ardır. İmza doğruJanıa1ş
lcrni, verilen iınzanın sahte veya gerçek olduğunu belirlen1ck iç·in ot1aya çı karıJ
nııştır[ I].
1.1
İMZANIN
l'ANIMI
VEÖNI�Mİ
"İmza; sah
i
binin özel bir işaretidir. I3ir baş
k a ifade ile, bir yazn1ın alt1na l<imin tarafından yazıldığı veya içt:riğinin tasdik edildiğj
n1
belli etnıel
< anıacıyla konulan isinı veya işarettir.
Her türlü resnı1 veya öz.el belgenin geçerlilik kazanabilmesi için, üzerinde taşın1ası gereken en
öneınh
hususlardan biriimzadır. Bu bakırndan
imza, kişilere hak sağlayan, sorumluluk yükleyen bir husustur. Belgelere atılan imzalar, taraflann o belgenin içe1·iğini kabul ettiği anlamına gelmektedir. İmzas1zbir belgenin ne hak nede yükünılülül< getirn1csi n1ümkün
değl1dir.
H
ukuken, ancak imzah
belgeI
erin geçerhliği sözkonusudur[2].
1.2
İMZ.l\.
Tı�IMA
İnsan el yazılaıın ın tanınması en karmaşık olay lardan
birioır.
B un lar, bi lgisayarlann etkisinin az olduğu ve insan tekelinde olan bazı alanları kapsarlar. İınza1ar; okunaklı yazılannveya
keliınelerin sergilenernediği
özel
bir sınıf o 1uştun.ıriar. B un lar; gerçeklik, yasal yetki, bankacılıkve d
iğer yüksekgüvenlik
alan ları için gi
zli anlamlar taşırlar.İmza
tanımafornıülü,
foımüle edilmesi zor olan kurallar içerir. Bu konu dikkatl
i analizler gerektirend
enenJelere dayalıbir çalışn1adır.
İnıza tannna;
b'ir
kiş
i tarafından atı Ian imzanın kime ait olduğunun bulunmasnıı ve sahteliklerin aç1ğa çıkrr1a
sın1 sağlar.Bir
imza tanımlan1a sisteıni on-line veya offSA{J Fen Bilimleri Enstitüsü Dergisi 7 .Ci lt,
2.Sayı (Terruııuz 2003)
kalem, yazını
hızı,
uygu
lan an
bas
mç
,vun.ış.
say1s1 ..g
_i
bidinamik
özellikleri bulunduran bir sisternd1
r.O ff
-hne
imz
a
tanım lama sistemindeise,
i
mzalarınkağıt üzerine
atılması yeterli olacaktır . İmzalar bir
scanner veyak
amer
ayardımıyla elektronik forma
dönüştürülür.F
ina
nsalzorlu k lar imza analizi gereken
uygulamalan online
te
k
nik
leri
kullanmadan yapmaya zorl
ar. Ayrıca,on-1ine
si
ste
nıler
e çok iht
i
yaç olmadığı
gibi bus1stemlerin
p
ra
tik oln1aması ku1lanınıtnı sınnlamaktadır.Bu
nede
nl
e;off-line
tekniği
daha ya ra
rlı v c ku Ilanı ş hgörülrnektedi
r[3].G
e
rç
ek inızalan sahtelerdena
y11mak için, çok çe
şitli
yollar vardır.
Fakat buyollar
her zaman başa
ntı
olmayabilir.
Mahkemedeki bu alanda uznıanla şmı�kis11er
yahuzca büyük miktarlardaki çek
ler veşü
p
hec
ıid
dial�
ri
ç
in imzanındiğer şeklini
veya gerçekliğininbelirlenınesini
isteyebi lir ler.Günlük işlemler için
b üt
l
in
imza doğrulama işlemleri, ya
ln
ızca gözle kontroledayah
olduğundan, sonuç ol
arak ç
ok b
.üyük m i kta rlarda para kaybına neden olur. Iş düny�sınd�,otomatikleştirilmiş
bir imza
doğrulamas1stemı,
sahtekarhklan azaltınak içjn çok
iyi derecede faydasağlayabilir[
4].
Elle atılmış imzalar, kişisel
k
i
ml
i
k
güvenliğ1için,
özelhkle de
çek ve kred ik
ar
tı iş
lenı
leri
n de kullanı hr.Fal..at birçok nedenlerden dolayı 1nsanlann imza1annı
doğrulama işlemi, önemsiz bir biçinı
tan
ıma pro
b
l
ern
j
g
ib
i düşünülmernelidir.İmza
doğ
rulama
işlemi zor birproblemdir.
Çünkü
ayn
ıkışinin imza
örnekleri benzerdi
r,fakattıpatıp ayn1 d
eğ
il
di
r[S].
Otomatikleştiri
Imiş i ınzado
ğrulama sisteminigeliştirmek amac ıyla
bir çok
en1ek
sarf
e diJlpbir çok
deney
yapılm1ştır. Bütün
bu
s
i
st
enıler yavaş ve gerçekçi
olm
ayan
l
ard
an uzak tutu
lmalıdır. YapıJan çahşmaların esası,geleneksel imza doğrulama
metotlarına dayanu. Elleatıinı
ış imzalarda sinirağlar
ıntn en iyi
perfornıansısinir ağları elle at1lmış iınza
doğrulamada başarı h mıdır, değil mjdir? sorusuile
ortaya çık
ar. Aynı zaınanda, mahkemede bu işle uğraşan
uzman kişile r
,çok
mik
tar
da
k
i imza doğrulama için insanlara verllecek çokbüyük maliyetten dolayı, bu sistenılere büyük ilgi
duymak
tad
ır(
1
].
Şekil
1'
deörnek
biri
n1za tanıma sistemi görülmektedir.Kullanıcının sisteın için, bir eğitim lınza
setiverir. Bir
kağıt üzerine
atılan vei
rnzan1nkesin ayırt edici
özelhklerini
içere
n verilerden birö
zel
l
ik
vek törü
çıkartılır. Tanıma için, test imzalanndanda, aynı özellik
vcktörü
çıkaııhr ve daha öncekişablon
ile
karşılaştı
rı
1 ır[ 6].45
Bir Yapay Sinir
Agı
Modeli ite TanamaZ.Oemir,
S.Çikoğlu,
F.Temurtaş, N.Yumuşakr---·--
--
�
!
eğitim
��?s
ı
�
:.
�1
• •" 1-' •:J
c • , ... ., 1 1- _, • ' 1 • -· � \1 .---. . '\. ,, .. ...� .� . . ı ., ., .. ·' r ı "'. • ro _., 1 ---� . ,, ,t : .' 1 \./' ı: , ---::::.::---r ... ·---· 1 • ıı
1 1 ı ı ı ·.: ı 1ı 1
' .l • örnek veritab anı,.. �-r--r'� ... sayıs-311aştıcma ��,)---/
(
özellık çıkarma t---T .___ta_n__m__, aŞekill
Tipik
Birİmza Tanıma
Sisten ıi1.3
EŞİKLEME
sonuç
Görüntü işlernede
kullandan
temel tekniklerden birisidir. Sayısal bir görü
ntün
U
neşikleme
işlenı1ne tutu
lma
s
ın
daki
amaç,
göıiintününözelliklerini
belirlemede
kola
ylık
s
ağl
anıa
kt1r.
Eşiklenıe işlcrniyle, görü�tü iki .ren kl�i
fa
d�
edilebilir biçin1e
ge
tiril
i
r
. Görüntüyü eşıkleme 1şl
emın
etabı
tutınadan önce bir eşik değeri
saptan1r. Eşik değerinden dahayü
k
se
k gris
e
viye değerine
sah
i
p
olanp
ik
s
elle
re, "1 ' ' değeri(arka sevjyesi O) , daha küçük değerlere sah
i
polan
piksellere
ise"O"
(grilik seviyesi 255)değer
atamasıyap
ıl
ar
ak, görüntü dahabasit b
i
r biçime (siyah-beyaz)getirilmiş
olur.Ş
ekil2
'de çal
ışm
ada kulJanılanbir
iınzanın, eşi
kl
em
eişlenıindcn
ön
ce
ki ve sonraki dur
unıugörü 1melctedir[7].
Şekil-2
Eş11deme işlemi yapıhn1ş bir imza görüntüsü.II. YAPAY
Sİl\TİR AGLARI
YSA,
i
nsan beyninin çal
ışmailkelerini taklit etme
esas1 üzerine kurulmuş, birbirine paralel
o]arakb
a ğla
nmış
, yapay sjnir hücrelerindenoluşmuş
b
ilgi
işlen1e yöntemleridir. YSA, konu itibariyle di
sip
linler arası olması sebebiyle daha ciddi
bir yapı
ya sah ipt
i
r . Böylece heryere kolayca adapte edilebilmesi
sebebiyle
çok çabukg
ell
ştnişve konuyla
il
g
i
li
ka
yd
ad
eğerçalışn1alarda bu
l
unul
muştur. Bu isekonunun
g
eJ
işi
mi
nSAU Fen Bilimleri Enstitüsü Dergisi 7.Cilt, 2.Sayı (Temmuz
2003)
YSA, bir
çok
nedenlerden dolayı imza doğrulama 1ş1enıiiçin uygun görülmektedir.
a) Sinir Ağlannın genelleıne ve öğrenınc
yetenekleri, insanlara in1za çeşitliliğinin
üstesinden gelmesini s
a
ğlayabilir.b)
Bur
adaönce
öğrenme başanlır. Bi r giriş için sinir ağının ce
va bı lı1zhdu. Buise,
inıza akışıiş1em1
için otomatikleşti
ri Imiş
bir i nızasistemi
gellştirilecekse, kayda değer bir önem arz etn1ektedir.
c) Si
n
ir Ağlarının öğrennıesi süreklidir, zanıana göre sunulınuş imzalan değerlendirirvekendini
günceller. Ayn ızamanda bu
yeni inızalarlasinir
ağlannı n tekrar eğiti1mes1 mütnkündür.Bu nedenle
rd
en dolayt, s·in1r ağları diğer biçinı tanıma(karakter tan una)p
a
rmakizi
ta
n
ın1a)
görevlerindede başanh bir şekilde kul1anıhn1ştır ve
imza
doğ
rulaınaişlemi 1çin uygundur. Bunun için imza doğrulan1
a
sistemine dayalı sinir ağlannın fizibilitesinin incelenmesi vakit ayırmaya değer bir iş1euıd1rl1 j.III. YAPAY SİNİR AGLARI
İLE
İMZA TANIMA
SİSTEMİ İÇİN GELiŞTİRiLEN SİSTEM
VE
UYGULAMASI
Bu
bölünı off-line ellea
tılnıtşiınza
doğrulaması için,adaptif geri yayılım algoritınah nö
ra
l ağla
rku
ll anarakdeneyierin tasarımı nt kapsar. Deney
atnaç Jan
içinaşağıdaki konular göz önüne
a
hnnıışt
u.
l.İn1zaları
elde etıne2.
Eşık1enıe veimzaların YSA,
ya verilebilir halegetirihnesi
3. Ağ
yapısının tasanmı111.1
İınzalan elde etme
Bu
çalış
ınada herbir
kişiden(
topla
rn13 kişiden)
30
gerçek
i
mza64*64 p
iksellik
kare kutulara alınmıştır.İ
m
zala
r ae, bg, eo, fb, hz, isa, ne, ot, sb sc, ss, u e, vb i letemsil edilmiştir. İnıza top� tnıa işlemi topla m
iki oturun1
olnıak üzere, her bir
oturumda l
5'
1e sınırlandırıln1ıştır.Ahnan irnzaların hepsi
kişilerin
günlük hay
at ta sürekliolarak
ku
llandıklan gerçek imzalardır.Bu
çalışma ile390 a
d
et imza veritabanı
oluşturulmuştur.Şekil
3' de aeşahsına ait, örnek
imzalar
görülmektedir.46
. d�
·
1 • ,:, ••• .;) ( L.
r,•
.r .t_ / / "' ... -. 1-.
/
·
Bir Yapay Sinir
Agı
Modeli ile Tanıma Z.Demir,S.Çiko�lu, F.Tctnurtaş, �.Yumuşak
Şekil 3
ac şahsın
a ait imza ön1eği111.2
Eşikleme ve irnzaların YSA' ya
verilebilir bale
getirilmesi
Taranın
ışinızalarnı
görüntüleri�
YSA' da girdi olarak
kullan1lnıadan
önce
daha uygunbir
şekle döniiştünnek içinönişlenıdcn
geç i rn1ck
gerek lidir. Eşik lenıe 1şletni
histogramg
r
afiğ
in c(şekil
4)
göre
yapılmıştır. Şeklis�
te ot şahsına aiteş1klcnnıiş
in1zalar
göriilnıcktcdir.
1,) .. 1(f) •• • • • • t 't !
Şekil
4
ot şahsn1aait
his1ograrn grafiği•
..
!ı}L. •
-
�
�·
SAU Fen Bilımieri Enstitüsü Dergisi 7.Ci!t,
2.Sayı (Temmuz 2003)
Şekil
5 ot şahsına ait
18
5 eşik değer i i le eşi klendi k ten sonraki iınzalanBu çahşmada 1nızalar, aşağıda verilen beş özelliğe
hakılarak, birbirlerinden ayırt cdilınişlerdir. Bu beş
özellik, imza
y
oğunluğu, ünzanın ıncrkezlcr aras1 göreli yatayf
arkı, imzanın rnerkeLler arası gö
rell dikey farkı,im7anın
genişliği, inızanın yüksckllğidir.G
iriş l {imza yoğun lu ğu};G iris( 1)
= a1
(
x *y)
a
- imzan1n ağırhğı (toplam piksel sayısı) ;x = imzanın yatay olarak ka
p
ladığı yer; y = im
zanı n dikey olarak kapladığ
ı yer ;Giriş
2 {
nıerkezler aras ı göreli yatay fark};Giris(2)
=abs(z- zl) 1
xz =
in1zanın
x eksen
ine göre boyut ınerkezi;zl .:_ imzan1n x
eksenille
göre ağırlık nıerkezi;Gıri
ş 3
{
ınerkezler aras1 göreli di
key fark};Giris(3)
=abs(t- tl)
1
y
t
= in1zanıny
eksenine göre boyut merkezi;t
1
= ımzanıny
ek
senine göre ağ
ırlık merkezi;Giriş
4
{genişlik}(
nonnalize edilmiş);Giris( 4)
= x164
47
Bir
Yapay SinirAğı
Modeli ileTanıma
Z.Dcmir, S.Çikoğlu,
F.Temurtaş, N.Yumu�akGir1ş
5
{yüksekhk}(ıJonnalize edilmiş);G1ris(5)
==y
1 64
01.3
Ağ
yapısının
tasarımıDeneyler ·jçin kullanılan ağ yapısı, ileri beslemehdir. Ağ
yapısın1n oluşumu şu şe ki lde gerçekleştirilmiştir.
5
gir işkullanıl
m
ışt
ır.
Ara kattnan sayısı her bir girişte aynı oln1aküzere 25, 3 0, 35 olarak ayarlanm1ştır.
Tüm
ağlar için çıkışkatman sayıs ı ise 13'
tür. Güvenilirlik
der
ecesiO
veya1'
dir.O'
ı
n an lam ı 1nıza tmnaıncn sahte, 1' 1n anlaını ise imzataınarnen gerçektir.
Şekil
6'
da uygulanan genel mimarigösteri Im iştir.
• •
ı
ağırlıklar
J
ağırlık.lar
- .
gn·tş
katınanı
katman
ara
·ı---+1 .
çıkış
katmanı
Şekil
6
Ağ yapısında kullanılan genelmimari
5 g
i
r işli
bir
ağ yap1sı için girişlerG 1, G2, G3, G4, GS
şeklindedir. Ara katınan da ise
25, 30, 35
olmak üzere üçde
ğ
i
şikkatman
kullanılınıştır. Çıkışlar toplatn13
(İMZA
I,
...
İl\1ZA]
3)
adettir.Ağ
yap
ısında yer alaniterasyon(ağlan e
ğ
itınck
için kull anı lan devir sayısı-=epoch)�ayısı
0- I 000,
l
000-5000, 5000-1 0000, 10000-50000,50000-l 00000 o50000-l nı
a
kli zere
5 tan edir.YSA J i
çin hesapl aına şu şekilde gerçekleştiriln1iştir.5
giriş,25 ara katn1an, 1 3
ç
ık ış
olmak üzere ağ yapısı oluşturulmuştur.O
luşturu lan bu ağ, 100.000 iterasyona k adarc
ir öncekiparagrafta anlatılan ar
a
l ıklarda eğ]tilmiştir.YSA
1
bu şek11decğitild ik ten sonra test aşamas1 gerçekleştirilmiştir. Bu test
aşaması veri tab anında bulunan toplam 390 imza içinde
gerçeklcştirilip, sonuçlar
b
ulunmuştur.YSA2'
nin hesapl anmasında iseYSA
1' de kul1anılan yap1dansadece ara katman sayısı
25'
den 30' a çıkarılmıştır.YSA3'
ünhesaplanınasında da
sadece
yine arakatman
sayısı değiştirdipSAU Fen Bilimleri Enstitüsü
Dergisi
7.Cilt: 2.Sayı (Temmuz 2003)
Özet olarak;
YSA2,
YSA3 oluştuıulurken YSA1'
e aitağ yapıs1 kullan1lmış ve
ınodifiye
edilmiştir. Bu ağda,5
giriş,
25
ara katman, 13 ç1k1ş bulunmaktadır. YSA2 ve'{SA3
oluşturulurkensadece
arakatnıan sayılan sıra
sıyla 30 ve35
yapılm1ş ve sonuçlar bulunn1uştur.IV.
SOJ\UÇJ_,AR
VE
TARTIŞMAI.�AR:
Tmza tanıma 1çin oluşturulan yapay sinir ağlat·n11rı
perfomıansları, iterasyon sayılarına bağlı olarak şekil 7
�de ve tablo
l
'de veıilmiştlr.20 . . ... .
..
....
. .. . -....- YSA1 - 18�---
---1
-o-VSAJ.
-j
-=-c � .... -o- YSA3 l---·---o 16 �--- ---... Cl)�
� � ('1;1 14 \ 1 ..'- -·-�--- -·--' ';;.
\
�
�-i
l
� 12�
·s -
-
--- -e.:.'"·�"'"""
,..._ ct . ....___ -----1
ık:-
--
� �--LL. 10 ---=-�-
�-- -:::---... s.... �---::i
·
-
-
---=
.o
8�--�---�---�----�---�---'20COO 400()) ı:ma:ı 80000 lOOCOO
lterasyon
Şekil7
İmza
tanınıa için oluşturulan YSA' ]arınperformans lar1
Tablo
1
YSA1 ,
YSA2, YSA3'e
ait iterasyon sayılan ve hata ret oranlan tablosu�
lterasyon
FRR
(o/o)
(Epoach)
YSA1
YSA2
YSA3
- -
ı---1000
17,692
18,077
15,000
5000
13,846
14,615
1 2,308
10000
13,462
13,462
11,538
50000
11,154
10,000
9,6154
--·-··-· - ---100000
9,2308
9,6154
8,8462
Test
16,154
16,667
15,641
Şekil
8
de, oluşturulan 11er1 beslerrıeli YSA yapısınıngizli katınan si nir say1sına göre perforrnansı
verihnektcdir.
Ş
eki lden de
görüleceği gibi en iyi sonuç35 gizli katman siniri bulunduğu durun1da yani YSA3
durumunda elde edi Jmjşti r.
Bu sonuçlara bakarak, iterasyon sayı artma
sı ile
ağın
öğrenmesınİn daha iyi ol
d
uğu ve ara katman
sinirsayısınnı ayarlanm ası ile o
p
tinıun1 bir öğrenmesonucunun elde edilebileceği söylenebilir.
48
Bir Yapa)' Sinir
Ağa Modeli ile Tanıma
Z.Demir, S.('ikoğhı,
F.Tcnnartaş, N. YumuşakCgrt.f'iff:e ��atı�: �.ıl O
ı
9(i(J+---
- � ...,-
------ -
�
I
...//
\\
1
---- -- --0 9 �o +---- --.---�
./-
. � � � 9�0 �---e�·ro!-
--a: 1 a: 1.4. :ıe(' -- --[:(>:' -1---·- ---- .:
'( Gıt ll kdtnıcın sinir <;ayısıŞekil
8
Gizli katınan sayısına göre h.Jta reto
ranlanBu çalışnıada o
f
f- line iınza doğrulan1a görevi iç
in, adaptjfalgoritmah nöra
I
ağların uyg
unluğun u de
ğerl
en
dinnek içinitn7alar.
5
öze1 I
i ği ne bakılarakbn·bi
rlerindena
yırtedilmişlerdir
.
Bu beşözellık,
1ınza yoğunluğu, imzanınınerkezler ar
a
sı göreli yatay farkı, inı?anın ınerkezler arasıgöreli dikey
farkı,
inı7an1n genişliği, inızanın yüksekliği
dir.YSA' dakj öğrenme özelliği, değişik birçok
p
robleınde olduğugibi in1za tanıma problcnıindc de olun1lu sonuçlar ahnamtza
sebep olmuştur.
[1] ABB .. A.S,
Rasha, K./T3ack P
rop
agation NetworksPr ot otype
For
Off-Line Signaturc Verification", MasterThesis,
l\.1arch
1994.
[2] BALCI,
0., '�Imza
ve El Yaı:ıları Sahteciliklerinin Araştınhnası",Yüksek
Lisans Te;;i, Ankara Üniversitesi, Sağlık Bilimleril--:nstitüsü. Ankara, 1995.[3] RAMESH,V.E
.
.. MURTY,M.N.,
O ff
-line signatureverification us ing g
e
netical Iy
<'ntimized weightedfeatures,Patten1
R
ecogn1
tion 32(
l999) 2 1 7-233.[4]
SENSIOR
A.\Al,
�·off-line handwriting reco0nitions: A revi
ew and experinıcnts. ,., Techn icaJ report, CambridgeUniversity
E
ngin eeri
ng Deparınıent, f)eccmber1992.
[5] PLAMONDON,R. And
LORETE, G.,
�'Automat1-: signature verification and \\'li ter iden tif
ication - the state of the art", Pattern Rccognition 22(2):1 0
7
-129,
l989.
[6] ANIL K. Jain
.
,FR IEDERIKE D. G., SCOTT D.
C.,"On
line s1g nature verification", Pattcn1 Recogniti on35 (2002),
2963-2972
.. � .
(7]
TURI<OGL lJ,
1. "YapayS
inir Ağları ile Nesııe Tanıma",Fırat Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi,
1996.
[8] DOGUÇ, lJ.
''Esnek İınalat Sistenılerinde MakineS
ay1lannın ve 'fesl i nıTarihinin
Belirlenmesinde Yapay ShıirAğlarının Kullunalnıası", Sakarya