基于狼群优化概率神经网络的笔迹鉴定应用

李琰延 李大娟 李楠 邢问天

【摘要】笔迹鉴定是文件检验的重要组成部分，但目前的笔迹鉴定存在识别率低、识别速度慢等问题。为此，提出一种狼群优化概率神经网络（ WAPNN）的笔迹鉴定方法。该方法融合概率神经网络（PNN）和狼群算法（WA）的优势来构造WAPNN，采用狼群算法寻求PNN中最优平滑参数α值，优化概率神经网络结构，应用表明，基于狼群优化概率神经网络（WAPNN）的方法提高了笔迹鉴定的识别率和识别速度，能够为笔迹鉴定的进一步发展提供科学的理论支持，具有一定的使用价值。

【关键词】笔迹鉴定 概率伸进网络 狼群算法 平滑参数

笔迹鉴定是根据书写痕迹所体现的书写技能、习惯特征等来鉴别书写人的一门科学。目前，笔迹鉴定多使用于公安、安全、法院等领域的手写文件检验以及银行、电子商务等领域的签名核实等方面。传统的笔迹鉴定主要靠文检人员根据笔迹的线条和运笔进行判断，鉴定过程中主观随意性缺乏有效的控制，具有一定的局限性。近几年，人工神经网络已被证实具有良好的容错性、自适应性以及并行处理和样本学习能力，被广泛应用于笔迹鉴定、信息融合、故障诊断等领域。

早在2008年何延鹏等人借助计算机进行笔迹鉴定，发挥了计算机高效、客观的自动初筛功能，提高了鉴定的速度，但缺乏对笔迹的特征提取和学习，其识别具有一定的局限型；赵宏伟等人利用改进多数规则信息融合算法提高了笔迹鉴定的识别率，但忽视了笔迹鉴定的识别速度，因此该方法在笔迹鉴定的识别率与识别速度方面仍存在一定缺陷。

本文将狼群算法（WA）与概率神经网络（PNN）融合在一起，构造狼群优化概率神经网络模型。运用概率神经网络模型对笔迹进行识别，鉴于概率神经网络模型中的平滑参数的取值对笔迹鉴定的识别率及识别速度具有重要影响，因此，采用狼群算法优化所需平滑参数，使笔迹鉴定达到最优效果。

一、PNN神经网络结构

概率神经网络是集统计方法与前馈神经网络与一体的神经网络模型。具有训练时间短、结构稳定、获取正确识别结果的最大可能概率等优点。其结构为4层前馈网络，即输入层、模式层、求和层和输出层，如图l所示。

二、狼群优化PNN结构

PNN神经网络中，唯一需调整的参数是平滑参数δ，该参数对样本的分类正确率具有重要影响，优取平滑参数，将会得出分类效果的最优值。因此，如何获得平滑参数的最优解是概率神经网络的关键问题。狼群算法是一种模式狼群捕食的智能优化算法，能有效解决连续变量的全局优化问题，具有后期收敛速度快，不易陷入局部最优和计算精度高等优点。

2.1 狼群算法的构造

由PNN中8参数的取值范围（0-1）构造算法中的狼群。具体步骤如下：

2.2 全结构狼群优化PNN的实现

根据狼群算法进行PNN结构优化的介绍，本文狼群算法优化PNN的算法流程如图2所示

由图2可知，首先对笔迹数据及控制参数进行初始化，并判断其迭代数是否符合要求，然后运用概率神经网络对笔迹进行鉴定识别，在其过程中，采用狼群算法不断对平滑参数进行优化，直到仿真中的识别误差小于设定的误差值，最后，输出理想的识别率和识别速度。

三、实验研究

3.1 实验数据

为验证狼群算法对概率神经网络优化的有效性，本文采集了来自10个人的1600个手写字体，将字体图像归一化为32×32大小，如图3所示。

然后将每个人的字体数据分为两部分，从而建立实验所需的笔迹训练识别的数据集。

3.2 实验结果分析

为验证狼群优化PNN算法的有效性，本文对所采集的实验数据进行训练识别，所得结果如表1所示。

从表1可得，WAPNN识别率和识别速度都取得了一定幅度的提高，囚此通过狼群算法对概率神经网络中平滑参数的优化确实对普通PNN的识别率和识别速度的提高具有一定的有效性。

四、结语

本文提出的狼群优化概率神经网络是一种基于WA算法和PNN优点构造而成的。

运用狼群算法在整个种群范围内寻优，搜索获取概率神经网络中的最优平滑参数，增强了网络结构的稳定，提高了网络收敛的速度和精度。

由仿真实验结果对比可知，基于狼群优化PNN的笔迹鉴定识别方法相对于其他识别方法具有识别率高、识别速度快、网络结构稳定、推广泛化能力好等优点。经多次实验表明，该方法能够达到人们所需的标准要求，为笔迹的鉴定识别提供了科学的方法支持和理论依靠。