[发明专利]签名识别系统和方法

权利要求书

1.一种识别签名的方法，它包括以下步骤：

对签名抽样并且存储代表所述签名的数据；

把所述数据转换成高维向量；

把所述高维向量馈送到无监督神经网络并且在所述高维向量上执行高阶主分量提取进程，由此识别高维点的聚类；以及

分析所述高维点的聚类以根据前面存储的信息来确定所述签名的真实性。

2.权利要求1的方法，其特征在于：它还包括对所述签名数字抽样的步骤。

3.权利要求1的方法，其特征在于：所述抽样是通过鼠标、压敏衬板、数字图形输入板、指示笔和电子笔中的至少一个来实现的。

4.权利要求1的方法，其特征在于：它还包括产生时间/位置对的列表。

5.权利要求3的方法，其特征在于：它还包括对加在所述鼠标、压敏衬板、数字图形输入板、指示笔和电子笔中的所述至少一个上的压力抽样。

6.权利要求1的方法，其特征在于：抽样是以至少每秒约40个样值的速率来进行的。

7.权利要求1的方法，其特征在于：所述转换步骤包括递归缩放处理。

8.权利要求7的方法，其特征在于：所述递归缩放处理包括迭代地聚焦于由更短的时间间隔确定的所述签名的越来越小的特征上。

9.权利要求8的方法，其特征在于：所述递归缩放处理包括12次迭代。

10.权利要求8的方法，其特征在于：与每次迭代相关的时段是按照以下标准：

(a)在所述第一个迭代中检验的所述时段是在签名时间的50％至70％之间(2％的步长)；

(b)在第二至第十三个迭代中检验的所述时段是在所述前一个迭代中检验的所述时段的70％；以及

(c)每个迭代中的所述时段或者在前一个迭代的所述时段的开头、或者在其结尾，但不在中间。

11.权利要求7的方法，其特征在于：所述递归处理持续不超过三秒钟。

12.权利要求1的方法，其特征在于：所述高阶主分量提取进程包括提取主椭球方向。

13.权利要求12的方法，其特征在于：所述主椭球方向提取步骤是通过累积标准正交化来完成的。

14.权利要求12的方法，其特征在于：防止神经元增长到该神经元把所有向量识别为属于单个聚类的程度。

15.权利要求1的方法，其特征在于：所述聚类是圆形或者气泡状的。

16.权利要求15的方法，其特征在于：气泡的半径对应于所述向量对于获胜神经元的距离的标准偏差。

17.权利要求1的方法，其特征在于：它还包括，

通过以下步骤产生所述信息：

提供多个样本签名；

对于所述签名中的每个实现所述抽样、转换和馈送步骤；

对于所述签名中的每个计算短暂积聚r和平均短暂积聚s；以及

基于所述计算的r和s值，输出全程签名结构偏差A的测量值和局部签名结构偏差B的测量值。

18.权利要求17的方法，其特征在于：r是椭球内的向量数量与向量总数之比并且s是所述椭球内的所有向量的距离的平均值。

19.权利要求17的方法，其特征在于：所述事先存储的信息与所述签名比较，以根据预定标准判断其真实性。

20.权利要求17的方法，其特征在于：它还包括把内含的值A与B相乘并且确定所述乘积是否小于1。

21.权利要求20的方法，其特征在于：它还包括在π-神经元中执行所述相乘步骤。

22.权利要求21的方法，其特征在于：使用20至40个π-神经元。

23.权利要求1的方法，其特征在于：它还包括估计在所述神经网络中过广义化的出现。

24.权利要求23的方法，其特征在于：认为过广义化的条件出现在椭球内的向量数与向量总数之比的平方(r2)与所述椭球内所有向量的距离的平均值的平方(s2)分别除以所述r或s值的方差、所得结果中至少有一个大于预定阈值时。