BİR YAPAY SİNİR AĞI MODELİ İLE İMZA TANIMA

SAU Fen Bilimleri Enstitüsü Dergisi 7.Cilt, 2.Sayı (Temmuz 2003)

Bir

Yapay Sinir A�•

\tl

odeli

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 _kullanılarak

imza 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 Tanıma

Abstract

- ln this study, signature verifıcation was

done 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 Verification

Z.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.com

F. 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

ha

y

atta_, milyonlarca kişı tarafından paıa transfeıi yapmak veya yetki için kullanı lu. Önıcğin banka çekleri, kredi kartları, karnıni dokümanlar gibi bel

g

elerin

hepsi imza gerektirir. Sahtelikler ise

her

yıl milyonlarca dolara ma] o

lın

akta

d

ır.

Bu

s_ahte

l

ikt_en kasıt _.. başkaların1 doland1rmak amacıyla yazı 1

nı

ış (

p

riııt edilnıi

ş

) herhangi bir şekddeki

imza

l

ardır. İmza doğruJanıa

1ş

l_cr_ni_, verilen iınzanın sahte veya gerçek olduğunu belirlen1ck iç·in ot1aya çı karı

J

nııştır

[ I].

1.1

İMZANIN

l'ANIMI

VE

ÖNI�Mİ

"İmza; sah

i

_{binin özel bir işaretidir. I3ir ba}

ş

_{k a ifade ile, bir} yazn1ın alt1na l<imin tarafından yazıldığı veya içt:riğinin tasdik edil

diğj

n

1

belli etnıe

l

< anıacıyla konulan isinı veya işarettir

.

Her türlü resnı1 veya öz.el belgenin geçerlilik kazanabilmesi için, üzerinde taşın1ası ger_ek_en en

öneınh

hususl_ard_an biri

imzadır. Bu bakırndan

imza, kişilere hak sağlayan, sorumluluk yükleyen bir husustur. Belgelere atılan imzalar, taraflann o belgenin içe1·iğini kabul ettiği anlamına gelmektedir. İmzas1z

bir belgenin _ne hak nede yükünılülül< getirn1csi n1ümkün

değl1dir.

H

ukuke_n, ancak imza

h

belge

I

_erin geçerhliği söz

konusudur[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 yazılann

veya

keliınelerin _{sergilenernediği}

özel

_bir sınıf o 1uştun.ıriar. B un lar; gerçeklik, yasal yetki, bankacılık

ve d

iğer yüksek

güvenlik

alan ları i

çin gi

zli anlamlar t_aşırlar_.

İmza

tanıma

fornıülü,

foımüle edilmesi zor olan kurallar içerir. Bu konu dikkat

l

i analizler gerektiren

d

_enen_Jel_ere dayalı

bir çalışn1adır.

İnıza tannna;

b'ir

ki

ş

i tarafından atı Ian imzanın kime ait olduğunun bulunmasnıı ve sahteliklerin aç1ğa ç_ıkrr₁

a

sın1 sağlar.

Bir

imza tanımlan1a sisteıni on-line veya off­

SA{J Fen Bilimleri Enstitüsü Dergisi 7 .Ci lt,

2.Sayı (Terruııuz 2003)

kalem, yazını

hızı,

uyg

u

lan an

ba

s

m

ç

,

vun.ış.

say1s1 ..

g

_

i

bi

dinamik

özellikleri bul

unduran bir sisternd1

r.

O ff

-h

ne

imz

a

tanım lama sisteminde

ise,

i

mzaların

kağıt üzerine

atılması yeterli olacaktır . İmzalar bir

scanner veya

k

ame

r

a

_{yardımıyla elektronik forma}

_{dönüştürülür.}

F

ina

nsal

zorlu k lar imza analizi gereken

uygulamalan on­

line

t

_e

k

n

ik

_ler

_i

_{kullanmadan yapmaya zo}

_rl

_{ar. Ayrıca,}

on-1ine

s

i

st

e

nıle

r

e çok ih

t

i

ya

ç olmadığı

gibi bu

s1stemlerin

p

ra

t_{ik oln1aması ku1lanınıtnı sınnlamaktadır.}

Bu

ne_d

_e

_n

l

e_;

off-line

tekniği

daha ya r

a

rlı v c ku Ilanı ş h

görülrnektedi

r[3].

G

e

r

ç

ek inızalan sahtelerden

a

y11mak için, çok ç

e

şitl

i

yollar vardır.

Fakat bu

yollar

her zaman baş

a

nt

_ı

olmayabilir.

Mahkemedeki bu alanda uznıanla şmı�

kis11er

yahuzca büyük miktarlardaki ç

ek

ler ve

şü

p

h

ec

ı

id

dial�

r

i

ç

in imzanın

diğer şeklini

veya gerçekliğinin

belirlenınesini

isteyebi lir ler.

Günlük işlemler için

b ü

t

l

i

_n

imza doğrulama işlemleri, y

a

l

n

ızca gözle kontrole

dayah

olduğundan, sonuç o

l

ara

k ç

o

k b

.üyük m i kta rlarda para kaybına neden olur. Iş düny�sınd�,

otomatikleştirilmiş

bir imz

a

_doğrulama

_s1stemı,

sahtekarhklan azaltınak içjn çok

iyi derecede fayda

sağlayabilir[

4].

Elle atılmış imzalar, kişisel

k

i

m

l

i

k

güvenliğ1

için,

özelhkle de

çek ve kred i

k

ar

tı i

ş

len

ı

l

eri

n _{de kullanı hr.}

Fal..at birçok nedenlerden dolayı 1nsanlann imza1annı

doğrulama işlemi, önemsiz bir biçinı

t

_an

_ım_{a pr}

o

b

_l

_er

_n

j

g

i

b

i düşünülmernelidir.

İmza

do

ğ

_ru_lam

_a

_{işlemi zor bir}

problemdir.

Çünkü

ay

n

ı

kışinin imza

örnekleri benzerd

i

r,

fakattıpatıp ayn1 d

eğ

i

l

d

i

r[

S].

Otomatikleştiri

Imiş i ınza

do

ğrulama sistemini

geliştirmek amac ıyla

bir çok

en1ek

sarf

e diJlp

bir çok

deney

yapılm1ştır. Bütü

n

bu

s

i

st

e_nıle

_{r yavaş ve gerçekçi}

olm

ayan

l

ard

an uzak tu

tu

lmalıdır. YapıJan çahşmaların esası,

geleneksel imza doğrulama

metotlarına dayanu. Elle

atıinı

ış imzalarda sinir

ağlar

ınt

n en iyi

perfornıansı

sinir ağları elle at1lmış iınza

doğrulamada baş_{arı h mıdır,} değil mjdir? sorusu

ile

ortaya çı

k

a_{r. Aynı zaınanda,} mahkemede bu işle uğraş

an

uzman kişi

le r

,

çok

m

ik

tar

d

a

k

i imza doğrulama için insan_{lara verllecek çok}

büyük maliyetten dolayı, bu sistenılere büyük ilgi

duym

ak

t

_ad

_ır

(

1

].

Şekil

1'

de

örnek

bir

i

n1za tanıma sistemi görülmektedir.

Kullanıcının sisteın için, bir eğitim lınza

s_eti

_{verir. Bir}

kağıt üzerine

atılan ve

i

rnz_an1n

_{kesin ayırt edici}

özelhklerini

içer

e

n verilerden bir

ö

z_e

l

_l

_i

k

_{vek törü}

çıkartılır. Tanıma için, test imzalanndan

da, aynı özellik

vcktörü

çıkaııhr ve daha önceki

şablon

ile

karşılaştı

rı

1 ır[ 6].

45

Bir Yapay Sinir

Agı

Modeli ite Tanama

Z.Oemir,

S.Çikoğlu,

F.Temurtaş, N.Yumuşak

r---·--

--

�

!

eğitim

_��?s

_ı

_�

_:.

_�1

• •" 1-' •

:J

c • , ... ., 1 1- _, • ' 1 • -· � \1 .---. . '\. ,, _{.. ...� .� . .} ı ., ., .. ·' r ı "'. • ro _., 1 ---� . ,, ,t : .' 1 \./' _{ı: ,} ---::::.::---r ... ·---· 1 • ı

ı

1 1 ı ı ı ·.: ı 1

ı 1

' .l _• örnek veritab anı,.. �-r--r'� ... sayıs-311aştıcma _��,

)---/

(

özellık çıkarma t---T .___ta_n__m__, a

Şekill

Tipik

Bir

İmza Tanıma

Sisten ıi

1.3

EŞİKLEME

sonuç

Görüntü işlernede

kullandan

t_{emel tekniklerden birisidir.} Sayısal bir gö

rü

nt

_ün

U

_n

_eşikleme

_{işlenı1ne t}ut

u

_lm

_a

s

_ı

_n

_dak

_i

amaç,

göıiintünün

özelliklerini

belirlemede

kol

a

ylı

k

s

a

ğl

an_ı

_a

_kt1r

.

_{Eşiklenıe işlcrniyle, görü�tü iki .ren kl�}

i

_fa

_d

�

edilebilir biçin1e

g

e

t_iri

_l

i

_r

_{. Görüntüyü eşıkleme 1}

_şl

e_mı

_n

_e

_tabı

tutınadan önce bir eşik değeri

saptan1r. Eşik değerinden daha

yü

k

se

k gri

s

e

v

iye değerine

s_a

h

_i

p

_olan

p

_i

k

_s

_ell

_e

_{re, "1 ' '} değeri(arka sevjyesi O) , daha küçük değerlere sa

h

i

p

olan

piksellere

ise

"O"

(grilik seviyesi 255)

değer

ataması

yap

ıl

a

r

ak, görüntü daha

basit b

i

r biçime (siyah-beyaz)

getirilmiş

olur.

Ş

e_kil

2

_{'de ça}

_l

_ış

_m

a_{da kulJanılan}

_bir

_iınzanın, eş

_i

_k

_l

_e

_m

e

_{işlenıindcn}

_ö

_n

_c

_e

_{ki ve sonraki du}

_r

u_nıu

görü 1melctedir[7].

Şekil-2

Eş11deme işlemi yapıhn1ş bir imza görüntüsü.

II. YAPAY

Sİl\TİR AGLARI

YSA,

i

nsan beyninin ça

l

ışma

_{ilkelerini taklit etme}

_esas1 üzeri

ne kurulmuş, birbirine paralel

o]arak

b

a ğl

a

nm_ı

_ş

_{, yapay} sjnir hücrelerinden

oluşmuş

b

ilg

i

işlen1e yöntemleridir. YSA, konu itibariyle d

i

si

p

li

nler arası olması sebebiyle daha ciddi

bir yap

ı

ya sa

h ipt

i

r . Böylece her

yere kolayca adapte edilebilmesi

sebebiyle

çok çabuk

g

e_l

l

_ştn_iş

_{ve konuyla}

_i

_l

g

_i

_l

_i

_k

_a

_y

d

_a

d

_eğer

çalışn1alarda bu

l

unu

_l

muştu_r. Bu _ise

konunun

_g

e

J

_i

_şi

_m

_i

n

SAU Fen Bilimleri Enstitüsü Dergisi 7.Cilt, 2.Sayı (Temmuz

2003)

YSA, bir

çok

nedenlerden dolayı imza doğrulama 1ş1enıi

için uygun görülmektedir.

a) Sinir Ağlannın genelleıne ve öğrenınc

yetenekleri, insanlara in1za çeşitliliğinin

üstesinden gelmesini s

a

ğlayabilir.

b)

B_u

_r

_ada

_önce

_{öğrenme başanlır. Bi r giriş için} sinir ağının c

e

va bı lı1zhdu. Bu

ise,

inıza akışı

iş1em1

için otomatikleşti

ri Imiş

bir i nıza

sistemi

gellştirilecekse, kayda değer bir önem arz etn1ektedir.

c) Si

n

ir Ağlarının öğrennıesi süreklidir, zanıana göre sunulınuş imzalan değerlendirirve

kendini

günceller. Ayn ı

zamanda bu

yeni inızalarla

sinir

ağlannı n tekrar eğiti1mes1 mütnkündür.

Bu _nedenle

_rd

_{en dolayt, s·in1r ağları diğer biçinı} tanıma(karakter tan una)

p

a

rmak

izi

t

a

n

ın1

a)

görevlerinde

de başanh bir şekilde kul1anıhn1ştır ve

imza

do

_ğ

_rulaı_na

işlemi 1çin uygundur. Bunun için imza do_ğrulan1

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 elle

a

tılnıtş

iınza

doğrulaması için,

adaptif geri yayılım algoritınah nö

ra

l ağl

a

r

ku

ll anarak

deneyierin tasarımı nt kapsar. Deney

atnaç Jan

için

aşağıdaki konular göz önüne

a

hnnıış

t

u

.

l.

İn1zaları

elde etıne

2.

Eşık1enıe ve

imzaların YSA,

ya verilebilir hale

getirihnesi

3. Ağ

yapısının tasanmı

111.1

İınzalan elde etme

Bu

çalı

ş

ınada her

bir

kişiden

(

topl

a

rn

13 kişiden)

30

gerçek

i

mza

64*64 p

ikselli

k

kare kutulara alınmıştır.

İ

m

zal

a

r ae, bg, eo, fb, hz, isa, ne, ot, sb sc, ss, u e, vb i le

temsil edilmiştir. İnıza top� tnıa işlemi topla m

iki oturun1

olnıak üzere, her bir

oturumda l

5'

1e sınırlandırıln1ıştır.

Ahnan irnzaların hepsi

kişilerin

günlük h

ay

at ta sürekli

olarak

ku

llandıklan gerçek imzalardır.

Bu

çalışma ile

390 a

d

et imza veri

tabanı

oluşturulmuştur.

Şekil

3' de ae

şahsına 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 şahsı

n

a ait imza ön1eği

111.2

Eşikleme ve irnzaların YSA' ya

verilebilir bale

getirilmesi

Taranın

ış

inızalarnı

görüntüleri�

YSA' da girdi olara

k

kullan1lnıadan

önce

daha _uygun

_bir

_{şekle döniiştünnek için}

önişlenıdcn

geç i rn1ck

gerek li

dir. Eşik lenıe 1şletni

histogram

g

r

a_fi

_ğ

_{in c}

_(şekil

4)

göre

_{yapılmıştır. Şekli}

s�

_{te ot şahsına ait}

eş1klcnnıiş

in1zalar

göriilnıcktcdir.

1,) .. 1(f) •• • • • • t 't !

Şekil

4

ot şahsn1a

ait

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 iınzalan

Bu çahşmada 1nızalar, aşağıda verilen beş özelliğe

hakılarak, birbirlerinden ayırt cdilınişlerdir. Bu beş

özellik, imza

y

oğunluğu_{, ünzanın ıncrkezlcr aras1 göreli} yatay

f

a_{rkı, imzanın rnerkeLler arası g}

_ö

_{rell dikey farkı,}

im7anın

genişliği, inızanın yüksckllğidir.

G

iriş l {imza yoğun lu ğu};

G iris( 1)

= a

1

(

x *

y)

a

- imzan1n ağırhğı (toplam piksel sayısı) ;

x = imzanın yatay olarak ka

p

ladığı yer; y = i

m

zanı n dikey olarak kapladı

ğ

ı yer ;

Giriş

2 {

nıe_rkez_{ler aras ı göreli yatay fark};}

Giris(2)

=

abs(z- zl) 1

x

z =

in1zanın

x ekse

n

ine göre boyut ınerkezi;

zl .:_ imzan1n x

eksenille

göre ağırlık nıerkezi;

Gıri

ş 3

{

ınerkezle_{r aras1 göreli d}

i

_{key fark};}

Giris(3)

=

abs(t- tl)

1

y

t

= in1zanın

y

eksenine göre boyut merkezi;

t

1

= ımzanın

y

e

k

senine göre a

ğ

ırlık merkezi;

Giriş

4

{genişlik}

(

nonnalize edilmiş);

Giris( 4)

= x

164

47

Bir

Yapay Sinir

Ağı

Modeli ile

Tanıma

Z.Dcmir, S.Çikoğlu,

F.Temurtaş, N.Yumu�ak

Gir1ş

5

{yüksekhk}(ıJonnalize edilmiş);

G1ris(5)

==

y

1 64

01.3

Ağ

yapısının

tasarımı

Deneyler ·jçin kullanılan ağ yapısı, ileri beslemehdir. Ağ

yapısın1n oluşumu şu şe ki lde gerçekleştirilmiştir.

5

gir iş

kullanıl

m

ış

t

ı_r

.

_{Ara kattnan sayısı her bir girişte aynı oln1ak}

üzere 25, 3 0, 35 olarak ayarlanm1ştır.

Tüm

ağlar için çıkış

katman sayıs ı ise 13'

tür. Güvenilirlik

de

r

e_ces_i

O

_veya

1'

_dir.

O'

ı

n an lam ı 1nıza t_mnaıncn _{sahte, 1' 1n anlaını ise imza}

taınarnen gerçektir.

Şekil

6'

da uygulanan genel mimari

gösteri Im iştir.

• •

ı

ağırlıklar

J

ağırlık.lar

- .

gn·tş

katınanı

katman

ara

·ı---+1 .

çıkış

katmanı

Şekil

6

Ağ yapısında kullanılan genel

mimari

5 g

i

r işl

i

bir

ağ yap1sı için girişler

G 1, G2, G3, G4, GS

şeklindedir. Ara katınan da ise

25, 30, 35

olmak üzere üç

de

ğ

i

şik

katman

kullanılınıştır. Çıkışlar toplatn

13

(İMZA

I,

.

..

İl\1ZA]

3)

adettir.

Ağ

ya

p

ısında yer alan

iterasyon(ağlan e

ğ

itın_c

k

_{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

k

li zere

5 tan edir.

YSA J i

çin hesapl aına şu şekilde gerçekleştiriln1iştir.

5

giriş,

25 ara katn1an, 1 3

ç

ık ı

ş

olmak üzere ağ yapısı oluşturulmuştur.

O

luşturu lan _{bu ağ, 100.000 iterasyona k adar}

c

_{ir önceki}

paragrafta anlatılan ar

a

l ıklarda eğ]tilmiştir.

YSA

1

bu şek11de

c_{ğitild ik ten sonra} t_{est aşamas1 gerçekleştirilmiştir. Bu test}

aşaması _{veri tab anında} bulunan toplam 390 imza içinde

gerçeklcştirilip, sonuçlar

b

ulunmuşt_ur.

YSA2'

nin hesapl anmasında ise

YSA

1' de kul1anılan yap1dan

sadece ara katman sayısı

25'

den 30' a çıkarılmıştır.

YSA3'

ün

hesaplanınasında da

sadece

yine ara

katman

sayısı değiştirdip

SAU Fen Bilimleri Enstitüsü

Dergisi

7.Cilt: 2.Sayı (Temmuz 2003)

Özet olarak;

YSA2,

YSA3 oluştuıulurken YSA

1'

e ait

ağ yapıs1 kullan1lmış ve

ınodifiye

edilmiştir. Bu ağda,

5

giriş,

25

ara katman, 13 ç1k1ş bulunmaktadır. YSA2 ve

'{SA3

_{oluşturulurken}

_sadece

_{arakatnıan sayılan sır}

_a

_sıyla 30 ve

35

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' ]arın

performans lar1

Tablo

1

YSA

1 ,

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 yapısının

gizli katınan si nir say1sına göre perforrnansı

verihnektcdir.

Ş

eki lde

n de

görüleceği gibi en iyi sonuç

35 gizli katman siniri bulunduğu durun1da yani YSA3

durumunda elde edi Jmjşti r.

Bu sonuçlara bakarak, iterasyon sayı artma

sı ile

ağı

n

öğrenmesınİn daha iyi ol

d

uğu ve ara katma

n

sinir

sayısınnı ayarlanm ası ile o

p

tinıun1 bir öğrenme

sonucunun elde edilebileceği söylenebilir.

48

Bir Yapa)' Sinir

Ağa Modeli ile Tanıma

Z.Demir, S.('ikoğhı,

F.Tcnnartaş, N. Yumuşak

Cgrt.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 <;ayısı

Şekil

8

Gizli _{katınan sayısına göre h.Jta ret}

o

_ranlan

Bu çalışnıada o

f

f- line iınza doğrulan1a görevi i

ç

in, adaptjf

algoritmah nöra

I

ağların uy

g

unluğun u d

e

ğe

rl

e

n

dinnek için

itn7alar.

5

öze

1 I

i ği ne bakılarak

bn·bi

rlerinden

a

yırt

edilmişlerdir

.

Bu beş

özellık,

1ınza yoğunluğu, imzanın

ınerkezler ar

a

sı göreli yatay farkı, inı?anın ınerkezler arası

göreli dikey

farkı,

inı7an1n genişliği, inızanın yüksekli

ği

dir.

YSA' dakj öğrenme özelliği, değişik birçok

p

robleınde olduğu

gibi in1za tanıma problcnıindc de olun1lu sonuçlar ahnamtza

sebep olmuştur.

[1] ABB .. _A.S,

Rasha, K./T3ack P

ro

p

agation Networks

Pr ot otype

For

Off-Line Signaturc Verification", Master

Thesis,

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 signature

verification us ing g

e

n

etical Iy

<'ntimized weighted

features,Patten1

R

ecogn

1

tion 32

(

l999) 2 1 7-233.

[4]

SENSIOR

A.

\Al,

�·off-line handwriting reco0nitions: A rev

i

ew and experinıcnts. ,., Techn icaJ report, Cambridge

University

E

ngin ee

ri

ng Deparınıent, f)eccmber

1992.

[5] PLAMONDON,R. And

LORETE, G.,

�'Automat1-: signature verification and \\'li ter iden ti

f

ication - the state of the art", Pattern Rccognition 22(2):

1 0

7

-

129,

l

989.

[6] ANIL K. Jain

.

,

FR IEDERIKE D. G., SCOTT D.

C.,

"On­

line s1g nature verification", Pattcn1 Recogniti on

35 (2002),

2963-2972

.. � .

(7]

TURI<OGL lJ,

_1. "Yapay

S

_inir _{Ağları ile Nesııe Tanıma"},

Fırat Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisan_s Tezi,

1996.

[8] DOGUÇ, lJ.

''Esnek İınalat Sistenılerinde Makine

S

ay1lannın ve 'fesl i nı

Tarihinin

Belirlenmesinde Yapay Shıir

Ağlarının Kullunalnıası", Sakarya

Ü

niv

e

rsitesi Fen

Bilimleıi