自組織增量神經(jīng)網(wǎng)絡的驗證碼識別模型與算法.pdf

1、計算機互聯(lián)網(wǎng)的普及使圖像技術(shù)越來越受到人們關(guān)注，用戶對圖像信息識別以及安全意識也越來越強，其中驗證碼圖像識別在初級的信息安全保證領(lǐng)域以及日常圖像處理領(lǐng)域等方面有較廣泛的應用。不僅涉及到日常生活的手機指紋解鎖、PC打卡等，同時，也涉及到敏感的軍事目標識別、交通主動安全規(guī)避等領(lǐng)域。故無論民用還是軍用，對驗證碼識別技術(shù)的研究都具有重要的實際和理論指導意義。
　　由于實際運用中的驗證碼數(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，使得傳統(tǒng)的驗證碼識別模型（即每次新數(shù)據(jù)載入后模型都需要重新對全部數(shù)據(jù)進行學習）在面對增量數(shù)據(jù)識別時不僅計算成本較高（主要成本為時間和空間），而且識別效果不佳。為了更好的適應實際運用需求，進一步降低驗證碼識別模型對時間和空間的依賴成本，本文結(jié)合相關(guān)圖像識別技術(shù)，圍繞著圖像去噪、切割、離線識別、在線增量識別進行算法分析、建模、設計與實驗仿真展開。
　　本文以基礎(chǔ)文本驗證碼（包括a-z，A-Z，0-9,共計62個基礎(chǔ)字符）為研究對

3、象，提出一種基于PNN-SOINN-RBF網(wǎng)絡構(gòu)建的自組織增量神經(jīng)網(wǎng)絡模型對驗證碼進行識別，首先對驗證碼進行去噪、切割圖像預處理;其次，通過離線數(shù)據(jù)對SOINN-RBF模型進行訓練學習先驗知識;最后，通過PNN對字符進行預判別，接著將新數(shù)據(jù)不斷輸入到SOINN-RBF網(wǎng)絡中進行增量學習（結(jié)合節(jié)點增、刪策略），實現(xiàn)離線模型與在線模型的轉(zhuǎn)換。模型借助了RBF、PNN模型的分類識別能力以及SOINN的數(shù)據(jù)表征能力，其整體識別效果得到了實驗驗證

4、。
　　經(jīng)實驗表明，基于PNN-SOINN-RBF網(wǎng)絡模型對于驗證碼識別有較高實用性和準確性，其中，離線、在線模型在驗證集中的單個字符整體識別預測準確率依次為72.75％、50.25％，其驗證碼綜合識別準確率依次為29.31％、20.47％。離線、在線模型在驗證集中引入新數(shù)據(jù)后對于單個字符識別準確率依次為60.44％、78.78％，其綜合識別準確率依次為23.05％，28.83％。本文構(gòu)建的算法為增量學習方法提供了模型框架參考，同