自組織增量神經(jīng)網(wǎng)絡(luò)的驗(yàn)證碼識(shí)別模型與算法.pdf

1、計(jì)算機(jī)互聯(lián)網(wǎng)的普及使圖像技術(shù)越來(lái)越受到人們關(guān)注，用戶對(duì)圖像信息識(shí)別以及安全意識(shí)也越來(lái)越強(qiáng)，其中驗(yàn)證碼圖像識(shí)別在初級(jí)的信息安全保證領(lǐng)域以及日常圖像處理領(lǐng)域等方面有較廣泛的應(yīng)用。不僅涉及到日常生活的手機(jī)指紋解鎖、PC打卡等，同時(shí)，也涉及到敏感的軍事目標(biāo)識(shí)別、交通主動(dòng)安全規(guī)避等領(lǐng)域。故無(wú)論民用還是軍用，對(duì)驗(yàn)證碼識(shí)別技術(shù)的研究都具有重要的實(shí)際和理論指導(dǎo)意義。
　　由于實(shí)際運(yùn)用中的驗(yàn)證碼數(shù)據(jù)存在更新迭代頻率快、數(shù)據(jù)積累量大以及數(shù)據(jù)冗余性高等

2、特點(diǎn)，使得傳統(tǒng)的驗(yàn)證碼識(shí)別模型（即每次新數(shù)據(jù)載入后模型都需要重新對(duì)全部數(shù)據(jù)進(jìn)行學(xué)習(xí)）在面對(duì)增量數(shù)據(jù)識(shí)別時(shí)不僅計(jì)算成本較高（主要成本為時(shí)間和空間），而且識(shí)別效果不佳。為了更好的適應(yīng)實(shí)際運(yùn)用需求，進(jìn)一步降低驗(yàn)證碼識(shí)別模型對(duì)時(shí)間和空間的依賴成本，本文結(jié)合相關(guān)圖像識(shí)別技術(shù)，圍繞著圖像去噪、切割、離線識(shí)別、在線增量識(shí)別進(jìn)行算法分析、建模、設(shè)計(jì)與實(shí)驗(yàn)仿真展開(kāi)。
　　本文以基礎(chǔ)文本驗(yàn)證碼（包括a-z，A-Z，0-9,共計(jì)62個(gè)基礎(chǔ)字符）為研究對(duì)

3、象，提出一種基于PNN-SOINN-RBF網(wǎng)絡(luò)構(gòu)建的自組織增量神經(jīng)網(wǎng)絡(luò)模型對(duì)驗(yàn)證碼進(jìn)行識(shí)別，首先對(duì)驗(yàn)證碼進(jìn)行去噪、切割圖像預(yù)處理;其次，通過(guò)離線數(shù)據(jù)對(duì)SOINN-RBF模型進(jìn)行訓(xùn)練學(xué)習(xí)先驗(yàn)知識(shí);最后，通過(guò)PNN對(duì)字符進(jìn)行預(yù)判別，接著將新數(shù)據(jù)不斷輸入到SOINN-RBF網(wǎng)絡(luò)中進(jìn)行增量學(xué)習(xí)（結(jié)合節(jié)點(diǎn)增、刪策略），實(shí)現(xiàn)離線模型與在線模型的轉(zhuǎn)換。模型借助了RBF、PNN模型的分類識(shí)別能力以及SOINN的數(shù)據(jù)表征能力，其整體識(shí)別效果得到了實(shí)驗(yàn)驗(yàn)證

4、。
　　經(jīng)實(shí)驗(yàn)表明，基于PNN-SOINN-RBF網(wǎng)絡(luò)模型對(duì)于驗(yàn)證碼識(shí)別有較高實(shí)用性和準(zhǔn)確性，其中，離線、在線模型在驗(yàn)證集中的單個(gè)字符整體識(shí)別預(yù)測(cè)準(zhǔn)確率依次為72.75％、50.25％，其驗(yàn)證碼綜合識(shí)別準(zhǔn)確率依次為29.31％、20.47％。離線、在線模型在驗(yàn)證集中引入新數(shù)據(jù)后對(duì)于單個(gè)字符識(shí)別準(zhǔn)確率依次為60.44％、78.78％，其綜合識(shí)別準(zhǔn)確率依次為23.05％，28.83％。本文構(gòu)建的算法為增量學(xué)習(xí)方法提供了模型框架參考，同