Wyniki wyszukiwania - BazTech

1

Dynamic handwritten signature identification using spiking neural network

Kutsman Vladislav, Kolesnytskyj Oleh

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2021

|

T. 11, nr 3

34--39

EN

The article proposes a method for dynamic signature identification based on a spiking neural network. Three dynamic signatureparameters l(t), xy(t), p(t) are used, which are invariant to the signature slope angle, and after their normalization, also to the signature spatial and temporal scales. These dynamic parameters are fed to the spiking neural network for recognition simultaneously in the form of time series without preliminary transformation into a vector of static features, which, on the one hand, simplifies the method due to the absence of complex computational transformation procedures,and on the other hand, prevents the loss of useful information, and therefore increases the accuracy and reliability of signature identificationand recognition (especially when recognizing forged signatures that are highly correlated with the genuine). The spiking neural network used has a simple training procedure, and not all neurons of the network are trained, but only the output ones. If it is necessary to add new signatures, it is not necessaryto retrain the entire network as a whole, but it is enough to add several output neurons and learn only their connections. Inthe results of experimental studies of the software implementation of the proposed system, it’s EER = 3.9% was found when identifying skilled forgeries and EER = 0.17% when identifying random forgeries.

PL

W artykule zaproponowano metodę dynamicznej identyfikacji podpisów opartą na pulsującej sieci neuronowej. Wykorzystywane są trzy parametry dynamiczne podpisu l(t), xy(t), p(t), które są niezmienne względem kąta nachylenia podpisu, a po ich normalizacji –także do skali przestrzennej i czasowej podpisu. Te dynamiczne parametry są podawane do sieci neuronowej w celu rozpoznania jednocześnie jako szeregi czasowe bez uprzedniej konwersji na wektor cech statycznych, co z jednej strony upraszcza metodę ze względu na brak skomplikowanych procedur konwersji obliczeniowej,a z drugiej ręka zapobiega utracie przydatnych informacji –zwiększa dokładność i wiarygodność identyfikacjii rozpoznawania podpisów (zwłaszczaw rozpoznawaniu podpisów sfałszowanych, które są silnie skorelowane z autentycznymi).Zastosowana sieć neuronowa typu spiking ma prostą procedurę treningu, przy czym nie wszystkie neurony sieci są trenowane, a jedynie te wyjściowe.Jeśli konieczne jest dodanie nowych sygnatur, nie jest konieczne trenowanie całej sieci, ale wystarczy dodać kilka neuronów wyjściowych i uczyć tylko te połączenia.W wyniku eksperymentu programowego zaproponowanego systemu otrzymano EER = 3,9% przy identyfikacji sfałszowanych podpisów i EER = 0,17% przy identyfikacji fałszerstw losowych.

2

Pattern classification by spiking neural networks combining self-organized and reward-related spike-timing-dependent plasticity

Nobukawa Sou, Nishimura Haruhiko, Yamanishi Teruya

Journal of Artificial Intelligence and Soft Computing Research

|

2019

|

Vol. 9, No. 4

283--291

EN

Many recent studies have applied to spike neural networks with spike-timing-dependent plasticity (STDP) to machine learning problems. The learning abilities of dopaminemodulated STDP (DA-STDP) for reward-related synaptic plasticity have also been gathering attention. Following these studies, we hypothesize that a network structure combining self-organized STDP and reward-related DA-STDP can solve the machine learning problem of pattern classification. Therefore, we studied the ability of a network in which recurrent spiking neural networks are combined with STDP for non-supervised learning, with an output layer joined by DA-STDP for supervised learning, to perform pattern classification. We confirmed that this network could perform pattern classification using the STDP effect for emphasizing features of the input spike pattern and DA-STDP supervised learning. Therefore, our proposed spiking neural network may prove to be a useful approach for machine learning problems.

3

Spiking Neural P Systems with Rules on Synapses Working in Sum Spikes Consumption Strategy

Su Y., Wu T., Xu F., Păun A.

Fundamenta Informaticae

|

2017

|

Vol. 156, nr 2

187--208

EN

Spiking neural P systems with rules on synapses (RSSN P systems, for short) are a class of distributed and parallel computation models inspired by the way in which neurons process and communicate information with each other by means of spikes, where neurons only contain spikes and the evolution rules are on synapses. RSSN P systems have been proved to be Turing universal, using the strategy that restricts all the applied rules to consume the same number of spikes from the given neuron, termed as equal spikes consumption strategy. In this work, in order to avoid imposing the equal spikes consumption restriction on the application of rules, a new strategy for rule application, termed as sum spikes consumption strategy, is considered in RSSN P systems, where a maximal set of enabled rules from synapses starting from the same neuron is nondeterministically chosen to be applied, in the sense that no further synapse can use any of its rules, and the sum of these numbers of spikes that all the applied rules consume is removed from the neuron. In this way, the proposed strategy avoids checking whether all the applied rules consume the same number of spikes from the given neuron. The computation power of RSSN P systems working in the proposed strategy is investigated, and it is proved that such systems characterize the semilinear sets of natural numbers, i.e., such systems are not universal. Furthermore, RSSN P systems with weighted synapses working in the proposed strategy are proved to be Turing universal. These results show that the weight on synapses is a powerful ingredient of RSSN P systems in terms of the computation power, which makes RSSN P systems working in sum spikes consumption strategy become universal from non-universality.

4

Communication maintenance in Multi-agent System with use of Spiking Neural Network

Karoń I.

Przegląd Elektrotechniczny

|

2013

|

R. 89, nr 10

94-96

EN

Present article discusses the position control system for autonomous agents on the test map. The main objectives for the system are: maintain best possible communication between the agents in the case of both limited local communication rang and disturbance in the communication. The control algorithm is based on Spiking Neural Network (SNN).

PL

W przedstawionym artykule został omówiony system kontroli pozycji autonomicznych agentów w określonym terenie testowym. Podstawowym kryterium działania systemu jest zachowanie komunikacji pomiędzy agentami w sytuacji zarówno ograniczonego zasięgu łączności lokalnej jak i możliwych zakłóceń w łączności. Algorytm sterowania został oparty na Impulsowej Sieci Neuronowej.

5

Graphical representation of data for a multiprocessor array emulating spiking neural networks

Sokolnicki A., Sanchez G., Mardenas J., Moreno M., Sakowicz B.

Przegląd Elektrotechniczny

|

2012

|

R. 88, nr 11a

332-336

EN

It is crucial for any hardware platform emulating neural networks to have tools that give valuable insight to emulated network. A solution that adresses these needs for the specific multiprocessor array used in the Perplexus project [1] will presented in this paper. It consists of a software that exploits interface between the platform and outside world. It instructs and fetches the needed data from the device. The precise data source is defined by user-defined JavaScripts' expressions that are evaluated by the program and presented simultaneously using waveform, histogram and raster plots in real time.

PL

Dla każdej sprzętowej platformy emulującej sieci neuronowe bardzo istotne jest aby posiadała ona narzędzia pozwalające monitorować jej stan. Oprogramowanie które rozwiązuje ten problem dla dedykowanej wieloprocesorowej platformy stosowanej w projekcie Perplexus [1] zostanie zaprezentowane w tym artykule. Wykorzystuje ono interfejs platformy do komunikacji ze światem zewnętrznym, wykonuje kod oraz pobiera dane z urządzenia. Dokładne położenie danych jest definiowane przez wyrażenia JavaScript pisane przez użytkownika, które następnie zostają˛ wykonane przez program. Dane mogą zostać zaprezentowane równolegle na wykresach falowych, histogramowych oraz rastrowych.

6

FPGA implementation of the Predator-Prey algorithm with adrenalin boost based on a Spiking Neural Network

Karoń I., Gugała K., Pochmara J., Rybarczyk A.

Elektronika : konstrukcje, technologie, zastosowania

|

2011

|

Vol. 52, nr 12

25-28

EN

In presented paper new approach to Predator-Prey algorithm was proposed. With the additional mechanism based on more complex biological behaviors like" adrenalin boost" and usage of Spiking Neural Network minimization of implementation cost and maximization of algorithm efficiencies was obtained. Thanks to that algorithm can be easily implemented as one of abstract layers in complex standalone robotic systems.

PL

W prezentowanej pracy przedstawiono nowe podejście do zmodyfikowanego algorytmu drapieżnik-roślinożerca. Minimalizacja kosztów implementacji oraz maksymalizacja efektywności algorytmu została osiągnięta poprzez dodanie mechanizmów bazujących na złożonych procesach biologicznych jak ''skok adrenalinowy" oraz zastosowanie impulsowych sieci neuronowych. Dzięki takiemu podejściu prezentowany algorytm może być łatwo implementowany jako jedna z powłok w bardziej złożonych systemach robotyki.