Nhận dạng vân tay bằng phương pháp phân tích thành phần chính và mạng neural

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC VINH _ LÊ NHỊ BẢO CHÂU NHẬN DẠNG VÂN TAY BẰNG PHƯƠNG PHÁP PHÂN TÍCH THÀNH PHẦN CHÍNH VÀ MẠNG NEURAL LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Nghệ An, 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC VINH _ LÊ NHỊ BẢO CHÂU NHẬN DẠNG VÂN TAY BẰNG PHƯƠNG PHÁP PHÂN TÍCH THÀNH PHẦN CHÍNH VÀ MẠNG NEURAL Chuyên ngành: CÔNG NGHỆ THÔNG TIN Mã ngành: 8.48.02.01 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Người hướng dẫn khoa học: TS HOÀNG HỮU VIỆT Nghệ An, 2018 LỜI CAM ĐOAN Tôi tên Lê Nhị Bảo Châu, mã số học viên 16604802014002, học viên lớp CNTT K24, Trường Đại học Vinh, tác giả Luận văn thạc sĩ CNTT với đề tài “Nhận dạng vân tay phương pháp phân tích thành phần mạng neural” Tơi xin cam đoan cơng trình nghiên cứu khoa học độc lập, tất nội dung trình bày Luận văn kết nghiên cứu cá nhân hướng dẫn Thầy Tiến sĩ Hoàng Hữu Việt Các số liệu, thơng tin sử dụng Luận văn có nguồn gốc rõ ràng, phân tích cách khách quan, trung thực phù hợp với thực tiễn Trong Luận văn có sử dụng, trích dẫn số ý kiến, quan điểm khoa học số tác giả Các thông tin trích dẫn nguồn cụ thể, xác kiểm chứng Tác giả Lê Nhị Bảo Châu LỜI CẢM ƠN Trong suốt thời gian, từ bắt đầu vào học chương trình cao học chuyên ngành công nghệ thông tin đến Tôi nhận nhiều quan tâm, giúp đỡ quý Thầy, Cô môn, Thầy cô chủ nhiệm, cán phòng chức Khoa sau đại học Trường Đại học Vinh tận tình hướng dẫn, giúp đỡ, tạo điều kiện thuận lợi học tập truyền thụ kiến thức cho suốt thời gian học tập trường Sự hướng dẫn tận tâm, nhiệt tình q Thầy, khoa, phịng giúp tư kiến thức tiền đề, sở, động viên giúp tơi thực hồn thành tốt luận văn Tơi xin bày tỏ lịng cảm ơn sâu sắc chân thành giúp đỡ quý Thầy, Cô đặc biệt Thầy Tiến sĩ Hồng Hữu Việt người Thầy tận tình hướng dẫn, bảo động viên, giúp đỡ q trình học tập, kinh nghiệm, kiến thức để tơi hồn thành luận văn Tơi xin chân thành cảm ơn lãnh đạo, bạn bè, đồng nghiệp công tác Trung tâm Giáo dục Thường Xuyên Tỉnh Cà Mau gia đình chia cơng việc, động viên, khích lệ, tạo điều kiện giúp đỡ tơi suốt q trình học tập Cuối tơi xin cảm ơn tất người bạn, cá nhân tập thể chia kinh nghiệm, đóng góp ý kiến quý giá trình học tập hơm tơi hồn thành luận văn Nghệ An, ngày 10 tháng năm 2018 Tác giả Lê Nhị Bảo Châu MỤC LỤC Trang LỜI CAM ĐOAN LỜI CẢM ƠN MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH LỜI NÓI ĐẦU CHƯƠNG TỔNG QUAN 1.1 Đặt vấn đề 1.2 Tổng quan hệ thống nhận dạng mẫu 1.2.1 Phân lớp toán nhận dạng 1.2.2 Chu trình thiết kế hệ thống nhận dạng mẫu 1.2.3 Thiết kế hệ thống nhận dạng vân tay 1.3 Tình hình nghiên cứu toán nhận dạng vân tay 11 1.3.1 Tình hình nghiên cứu nước 11 1.3.2 Tình hình nghiên cứu nước 11 CHƯƠNG PHƯƠNG PHÁP PHÂN TÍCH THÀNH PHẦN CHÍNH 12 VÀ MẠNG NEURAL 12 2.1 Phương pháp phân tích thành phần 12 2.1.1 Giới thiệu 12 2.1.2 Thuật toán PCA cho nhận dạng vân tay 13 2.1.3 Ví dụ bước thuật tốn 17 2.2 Mạng neural 25 2.2.1 Lịch sử phát triển 25 2.2.2 Các ứng dụng mạng neural 26 2.2.3 Kiến trúc mạng neural 27 2.3 Mạng Perceptron lớp 37 2.3.1 Kiến trúc mạng 37 2.3.2 Luật học cho mạng 40 2.3.3 Hạn chế mạng 41 2.3.4 Mạng Perceptron nhiều lớp thuật toán lan truyền ngược 41 CHƯƠNG THIẾT KẾ HỆ THỐNG NHẬN DẠNG ẢNH VÂN TAY 44 3.1 Cơ sở liệu cho thử nghiệm 44 3.2 Tiền xử lý 45 3.3 Các thử nghiệm với thuật toán PCA 47 3.3.1 Thử nghiệm 47 3.3.2 Thử nghiệm 48 3.3.3 Thử nghiệm 48 3.3.4 Thử nghiệm 49 3.4 Các thử nghiệm với mạng Neural 50 3.4.1 Thử nghiệm 50 3.4.2 Thử nghiệm 53 3.4.3 Thử nghiệm 55 3.5 Một số nhận xét đề xuất 58 3.5.1 Nhận xét 58 3.5.2 Đề xuất 59 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 60 PHỤ LỤC: CÁC BỘ DỮ LIỆU ẢNH VÂN TAY DÙNG CHO THỬ NGHIỆM 62 TÀI LIỆU THAM KHẢO 65 DANH MỤC CÁC TỪ VIẾT TẮT CSDL: Cơ sở liệu MLP (Multilayer Perceptron): Mạng Perceptron nhiều lớp LDA (Linear Discriminant Analysis): Phương pháp phân tách tuyến tính LMS (Least Mean Square): Phương pháp bình phương trung bình tối thiểu PCA (Principal Components Phương pháp phân tích thành phần Analysis): MDP (Markov decision process): Markov trạng thái hữu hạn DANH MỤC CÁC BẢNG Trang Bảng 2.1 Biểu diễn ảnh ma trận số liệu 4x6 17 Bảng 2.2 Biểu diễn vector cột vân tay ảnh giá trị trung bình 18 Bảng 2.3 Biểu diễn vector cột vân tay ảnh giá trị trung bình 19 Bảng 2.4 Ma trận hiệp phương sai C 20 Bảng 2.5 Ma trận vector riêng C 20 Bảng 2.6 Ma trận giá trị riêng C 20 Bảng 2.7 Ma trận vector riêng C theo thứ tự giảm dần 20 Bảng 2.8 Ma trận giá trị riêng theo thứ tự giảm dần 21 Bảng 2.9 Ma trận vector riêng ui 21 Bảng 2.10 Các vector đặc trưng ảnh 22 Bảng 2.11 Lấy vector đặc trưng ảnh 22 Bảng 2.12 Biểu diễn ma trận ảnh I7 23 Bảng 2.13 Biểu diễn vector I7 thành cột trừ ảnh trung bình 23 Bảng 2.14 Biểu diễn vetor riêng I7 24 Bảng 2.15 Khoảng cách I7 với ảnh tập huấn luyện 25 Bảng 2.16 Một số hàm truyền mạng neural 31 Bảng Kết thử nghiệm phương pháp PCA cho liệu 47 Bảng Kết thử nghiệm phương pháp PCA cho liệu 48 Bảng 3 Kết thử nghiệm phương pháp PCA cho liệu 49 Bảng Kết thử nghiệm phương pháp PCA cho liệu 50 Bảng Kết thử nghiệm sử dụng đặc trưng PCA kết hợp với mạng MLP tầng cho liệu 51 Bảng Kết thử nghiệm sử dụng đặc trưng PCA kết hợp với mạng MLP tầng cho liệu 52 Bảng Kết thử nghiệm sử dụng đặc trưng PCA kết hợp với mạng MLP tầng cho liệu 54 Bảng Kết thử nghiệm sử dụng đặc trưng PCA kết hợp với mạng MLP tầng cho liệu 54 Bảng Kết thử nghiệm sử dụng đặc trưng PCA kết hợp với mạng MLP tầng cho liệu 56 Bảng 10 Kết thử nghiệm sử dụng đặc trưng PCA kết hợp với mạng MLP tầng cho liệu 57 DANH MỤC CÁC HÌNH Trang Hình 1.1 Chu trình hệ thống nhận dạng mẫu Hình 1.2 Hệ thống nhận dạng vân tay 10 Hình 2.1 Biểu diễn vector ảnh vân tay người 13 Hình 2.2 Cấu tạo tế bào neural sinh học 28 Hình 2.3 Mơ hình neural nhân tạo 28 Hình 2.4 Mơ hình mạng neural đầu vào 30 Hình 2.5 Mơ hình neural nhiều đầu vào 31 Hình 2.6 Mơ hình neural nhiều đầu vào 32 Hình 2.7 Kiến trúc mạng neural lớp 33 Hình 2.8 Mạng neural lớp S neural R đầu vào 34 Hình 2.9 Mạng neural truyền thẳng nhiều lớp 35 Hình 2.10 Khối trễ Hình 2.11 Khối tích phân 36 Hình 2.12 Mạng hồi quy 37 Hình 2.13 Mạng Perceptron 37 Hình 2.14 Mạng Perceptron neural hai đầu vào 39 Hình 2.15 Mạng Perceptron nhiều neural 40 Hình 2.16 Mạng Perceptron nhiều lớp 42 Hình 3.1 Ba ảnh vân tay người liệu 44 Hình 3.2 Ba ảnh vân tay người liệu 45 Hình 3.3 Đồ thị tổng giá trị ma trận ảnh theo a) dòng b) cột 46 Hình 3.4 Ba ảnh vân tay người liệu sau chuẩn hóa 46 52 Bảng 3.6: Kết thử nghiệm sử dụng đặc trưng PCA kết hợp với mạng MLP tầng cho liệu Bộ liệu Bộ liệu Bộ liệu Giá trị Tỷ lệ Thời Thời Tỷ lệ Thời Tỷ lệ nhận K nhận gian gian nhận gian dạng dạng (giây) (giây) dạng (giây) 40 0.703 K=5 30 1.017 80 1.018 K = 10 30 0.710 60 1.153 40 1.008 K = 15 40 0.820 60 0.875 40 1.801 K = 20 40 1.003 50 0.899 30 1.003 K = 25 20 0.752 70 0.949 50 0.979 K = 30 30 0.926 40 1.204 20 0.859 K = 35 30 0.803 40 0.922 50 1.166 K = 50 20 0.747 50 0.856 40 1.067 Hình 3.5 so sánh tỷ lệ nhận dạng xác sử dụng thuật tốn PCA đặc trưng PCA kết hợp với mạng neuron cho a) liệu 1, b) liệu c) liệu Với liệu, thuật tốn PCA cho tỷ lệ nhận dạng xác thấp mạng neural tầng cho tỷ lệ nhận dạng xác cao a) Tỷ lệ nhận dạng xác cho liệu b) Tỷ lệ nhận dạng xác cho liệu 53 c) Tỷ lệ nhận dạng xác cho liệu Hình 3.5 So sánh tỷ lệ nhận dạng xác sử dụng thuật tốn PCA đặc trưng PCA kết hợp với mạng neuron cho a) liệu 1, b) liệu c) liệu 3.4.2 Thử nghiệm Trong thử nghiệm này, sử dụng liệu huấn luyện, liệu nhận dạng số chiều véc tơ đặc trưng giống thử nghiệm mục 3.3.3 Với giá trị K, chạy 10 lần chọn kết nhận dạng cao Chúng chọn mạng MLP mạng tầng với tầng gồm 10 neuron tầng 10 neuron thử nghiệm Kết thử nghiệm mô tả bảng 3.7 Một số nhận xét kết hợp đặc trưng PCA với mạng neural so với thử nghiệm mục 3.3.3 sau: - Với liệu 1, tỷ lệ nhận dạng xác khơng thay đổi đáng kể - Với liệu 2, tỷ lệ nhận dạng xác tăng lên nhiều, từ 50% lên 80% - Với liệu 3, tỷ lệ nhận dạng xác tăng lên không đáng kể 54 Bảng 3.7: Kết thử nghiệm sử dụng đặc trưng PCA kết hợp với mạng MLP tầng cho liệu Bộ liệu Bộ liệu Bộ liệu Giá trị Tỷ lệ Thời Tỷ lệ Thời Tỷ lệ Thời K nhận gian nhận gian nhận gian dạng (giây) dạng (giây) dạng (giây) K=5 30 1.023 80 1.024 35 1.114 K = 10 30 1.100 70 0.916 35 0.870 K = 15 25 0.685 75 1.078 40 0.651 K = 20 25 0.737 75 1.173 30 1.063 K = 25 30 0.708 55 0.948 35 1.030 K = 30 35 0.894 55 0.827 35 0.986 K = 35 20 0.750 50 1.113 35 0.989 K = 50 30 0.916 55 1.178 35 0.869 Bảng 3.8: Kết thử nghiệm sử dụng đặc trưng PCA kết hợp với mạng MLP tầng cho liệu Giá trị K K=5 Bộ liệu Tỷ lệ Thời nhận gian dạng (giây) 25 1.064 Bộ liệu Thời Tỷ lệ gian nhận dạng (giây) 70 1.089 Bộ liệu Tỷ lệ Thời nhận gian dạng (giây) 45 1.288 K = 10 30 1.083 70 1.184 35 1.042 K = 15 20 0.984 60 1.233 40 1.196 K = 20 35 0.979 55 1.271 50 1.147 K = 25 25 1.191 50 1.111 40 1.131 K = 30 25 0.821 45 1.229 50 0.896 K = 35 30 1.010 45 1.338 40 1.169 K = 50 20 1.118 35 1.631 40 0.846 55 a) Tỷ lệ nhận dạng xác cho liệu b) Tỷ lệ nhận dạng xác cho liệu c) Tỷ lệ nhận dạng xác cho liệu Hình 3.6 So sánh tỷ lệ nhận dạng xác sử dụng thuật toán PCA đặc trưng PCA kết hợp với mạng neuron cho a) liệu 1, b) liệu c) liệu Tiếp theo chọn mạng MLP mạng tầng với tầng gồm 10 neuron, tầng neuron tầng 10 neuron thử nghiệm Kết thử nghiệm mô tả bảng 3.8 Với liệu 2, tỷ lệ nhận dạng xác giảm xuống với liệu 3, tỷ lệ nhận dạng xác tăng lên so với mạng tầng Kết so sánh tỷ lệ nhận dạng xác sử dụng thuật toán PCA đặc trưng PCA kết hợp với mạng neuron cho a) liệu 1, b) liệu c) liệu hình 3.6 3.4.3 Thử nghiệm Trong thử nghiệm này, sử dụng liệu huấn luyện, liệu nhận dạng số chiều véc tơ đặc trưng giống thử nghiệm 56 mục 3.3.3 Các phương pháp thực thử nghiệm giống thử nghiệm thử nghiệm Bảng 3.9 mô tả kết thử nghiệm cho mạng MLP tầng tầng có 10 neuron tầng có 10 neuon Mặc dù với liệu thử nghiệm này, đặc trưng PCA kết hợp với mạng neural cho tỷ lệ nhận dạng xác khơng cao, cao tỷ lệ nhận dạng xác phương pháp PCA Bảng 3.9: Kết thử nghiệm sử dụng đặc trưng PCA kết hợp với mạng MLP tầng cho liệu Bộ liệu Bộ liệu Bộ liệu Giá trị Tỷ lệ Thời Thời Tỷ lệ Thời Tỷ lệ nhận K nhận gian gian nhận gian dạng dạng (giây) (giây) dạng (giây) 42.5 1.272 K=5 20 1.106 45 1.001 K = 10 22.5 1.123 40 1.783 37.5 1.352 K = 15 20 1.005 40 1.259 32.5 1.233 K = 20 20 1.018 45 1.416 25 0.912 K = 25 20 1.317 40 1.540 30 1.501 K = 30 22.5 1.247 40 1.268 27.5 1.370 K = 35 17.5 1.099 25 1.420 27.5 1.518 Bảng 3.10 mô tả kết thử nghiệm cho mạng MLP tầng tầng có 10 neuron, tầng có neuon tầng có 10 neuron Mạng MLP tầng cho tỷ lệ nhận dạng xác thấp mạng MLP tầng với liệu liệu cao liệu Mạng MLP tầng cho tỷ lệ nhận dạng xác cao phương pháp PCA Hình 3.7 so sánh tỷ lệ nhận dạng xác sử dụng thuật tốn PCA đặc trưng PCA kết hợp với mạng neuron cho a) liệu 1, b) liệu c) liệu Với liệu 1, mạng MLP tầng cho tỷ lệ nhận dạng xác cao Với liệu 2, mạng MLP tầng cho tỷ lệ nhận dang 57 xác cao Với liệu 3, tỷ lệ nhận xác xác cao mạng MLP tầng hay tầng tùy theo số chiều véc tơ đặc trưng chọn Bảng 3.10: Kết thử nghiệm sử dụng đặc trưng PCA kết hợp với mạng MLP tầng cho liệu Bộ liệu Bộ liệu Bộ liệu Giá trị Tỷ lệ Thời K nhận gian dạng (giây) K=5 17.5 1.353 K = 10 25 K = 15 Thời Tỷ lệ Thời gian nhận gian (giây) dạng (giây) 42.5 1.497 32.5 1.762 1.207 37.5 4.043 40 1.181 20 0.944 30 1.399 40 1.489 K = 20 22.5 1.430 35 1.063 35 1.839 K = 25 22.5 1.339 42.5 1.560 25 1.681 K = 30 17.5 1.123 25 1.609 25 1.633 K = 35 20 1.453 27.5 1.353 22.5 1.631 Tỷ lệ nhận a) Tỷ lệ nhận dạng xác cho liệu dạng b) Tỷ lệ nhận dạng xác cho liệu 58 c) Tỷ lệ nhận dạng xác cho liệu Hình 3.7 So sánh tỷ lệ nhận dạng xác sử dụng thuật tốn PCA đặc trưng PCA kết hợp với mạng neuron cho a) liệu 1, b) liệu c) liệu 3.5 Một số nhận xét đề xuất 3.5.1 Nhận xét Từ thử nghiệm thực với liệu cách thay đổi số chiều véc tơ đặc trưng số tầng mạng MLP, số nhận xét đưa sau: - Phương pháp nhận dạng PCA ln cho tỷ lệ nhận dạng xác 100% liệu huấn luyện liệu nhận dạng giống - Phương pháp nhận dạng PCA cho tỷ lệ nhận dạng xác cao số mẫu huấn luyện nhiều, số mẫu nhận dạng - Tỷ lệ nhận dạng xác sử dụng phương pháp PCA không thay đổi nhiều thay đổi số chiều vector đặc trưng Nói cách khác, số chiều véc tơ đặc trưng chọn thấp tỷ lệ nhận dạng xác phương pháp PCA cao so với việc chọn số chiều véc tơ đặc trưng cao - Với liệu mà ảnh vân tay khơng có chất lượng tốt liệu liệu phương pháp PCA cho tỷ lệ nhận dạng xác thấp 59 - Khi sử dụng đặc trưng PCA kết hợp với mạng MLP, tỷ lệ nhận dạng xác tăng lên cao Điều phương pháp PCA sử dụng độ đo khoảng cách Euclide để xác định "giống nhau" mẫu Trong mạng MLP tầng tầng cho phép phân lớp liệu phi tuyến - Mạng MLP cho kết nhận dạng tốt số chiều véc tơ đặc trưng cao so với phương pháp nhận dạng PCA - Tùy theo đặc trưng liệu vân tay, mạng MLP tầng mạng MLP tầng cho kết nhận dạng cao Chẳng hạn với liệu vân tay thứ 2, mạng MLP tầng cho kết nhận dạng tốt mạng MLP tầng, với liệu 3, mạng MLP tầng cho kết nhận dạng tốt mạng MLP tầng - Vì tính ngẫu nghiên khởi tạo tập trọng số độ lệnh tầng mạng, nên lần thử nghiệm khác mạng MLP thường cho tỷ lệ nhận dạng xác khác 3.5.2 Đề xuất Từ thử nghiệm trên, nói phương pháp nhận dạng PCA cho kết không tốt Khi sử dụng đặc trưng PCA làm đầu vào mạng MLP, tỷ lệ nhận dạng tăng lên nhiều Tuy nhiên để đạt tỷ lệ nhận dạng cao mà ứng dụng cho tốn thực tế cịn nhiều vấn đề cần phải nghiên cứu cẩn thận xem xét, lựa chọn tham số mạng gồm số tầng mạng MLP, số neuron cho tầng, hàm truyền tầng mạng phương pháp dùng để huấn luyện mạng phần mềm Matlab Ngoài ra, cần nghiên cứu để kết hợp thêm đặc trưng khác vân tay đường biên, đặc trưng vân tay để nâng cao tỷ lệ nhận dạng xác áp dụng Đây hướng nghiên cứu cho tương lai nhằm nâng cao tỉ lệ xác tốn nhận dạng vân tay 60 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận Sau thời gian thực luận văn, với nỗ lực thân giúp đỡ tận tình thầy giáo hướng dẫn, luận văn thực theo đề cương phê duyệt Bản thân tự đánh giá thu số kết sau: a) Về mặt lý thuyết - Hiểu tổng quan hệ thống nhận dạng ảnh vân tay, phương pháp tiếp cận để giải toán nhận dạng ảnh vân tay - Hiểu thuật tốn PCA cho tốn nhận dạng nói chung nhận dạng ảnh vân tay nói riêng - Hiểu mơ hình, kiến trúc phương nhận dạng nói chung mạng neural Hiểu mạng Perceptron đa tầng - Áp dụng ngôn ngữ Matlab với mạng neural cho toán nhận dạng b) Về thực nghiệm - Cài đặt thuật toán PCA sử dụng đặc trưng PCA kết hợp với mạng neural cho toán nhận dạng ảnh vân tay với ngôn ngữ Matlab - Thực thử nghiệm với liệu ảnh vân tay đưa đánh giá thuật toán với liệu thực nghiệm Kiến nghị hướng phát triển Từ kết nghiên cứu lý thuyết thực nghiệm, chúng tơi thu nhận kiến thức hữu ích việc xây dựng hệ thống nhận dạng Tuy nhiên chúng tơi nhận thấy cịn nhiều vấn đề cần phải nghiên cứu 61 nghiên cứu đặc trưng ảnh vân tay để nâng cao tỷ lệ nhận dạng; đánh giá, nghiên cứu ảnh hưởng tham số mạng neural cho toán nhận dạng, nghiên cứu cài đặt thêm mạng neural khác để đánh giá hiệu nhận dạng phương pháp mạng neural Trong thời gian thực luận văn, với nỗ lực thân giúp đỡ tận tình thầy giáo hướng dẫn, luận văn thực theo nhiệm vụ giao thời hạn theo yêu cầu Tuy nhiên với thân, đề tài khó, khơng thể tránh khỏi khiếm khuyết mong Quý Thầy, Cô giáo đồng nghiệp góp ý để tơi hồn thiện hướng nghiên cứu tương lai Một lần xin bày tỏ lịng biết ơn chân thành tới Thầy, Cơ giáo ngành Công nghệ Thông tin - Trường Đại học Vinh truyền thụ kiến thức, kinh nghiệm giúp đỡ tơi q trình học tập Đặc biệt tơi xin chân thành cảm ơn tới TS Hoàng Hữu Việt hướng dẫn tận tình Thầy, Cơ giáo phản biện đóng góp ý kiến quý báu để luận văn hoàn thành 62 PHỤ LỤC: CÁC BỘ DỮ LIỆU ẢNH VÂN TAY DÙNG CHO THỬ NGHIỆM A Bộ liệu 63 B Bộ liệu 64 C Bộ liệu 65 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Hoàng Hữu Việt (2016), "Bài giảng Nhận Dạng Mẫu" Tiếng Anh [2] Anil K.Jain (1996), ‘‘Artifical Neural network: A tutorial’’, Proceedings of the IEEE [3] Fukushima, K., & Miyake, S (1982) Neocognitron: A self-organizing neural network model for a mechanism of visual pattern recognition In Competition and cooperation in neural nets (pp 267-285) Springer, Berlin, Heidelberg [4] Geoffrey Hinton, Terrence J Sejnowski (editors) (1999) Unsupervised Learning and Map Formation: Foundations of Neural Computation, MIT Press, ISBN 026258168X (Cuốn sách tập trung vào học khơng có giám sát mạng nơ-ron.) [5] Howard Dtôiuth (2002), "Neural network Toolbox: For use with MATLAB" [6] Kresimir Delac, Mislav Grgic (2007), “PCA and LDA based Neural Networks for Human Face Recognition”, Face Recognition, ISBN 9783-902613-03-5, I-Tech, Vienna, Austria [7] Minsky, M.; Papert, S (1969) An Introduction to Computational Geometry Nhà xuất MIT [8] Rosenblatt, Frank (1957), The Perceptron a perceiving and recognizing automaton Report 85-460-1, Cornell Aeronautical Laboratory [9] W S McCulloch, W Pitts, "A logical calculus of the ideas immanent in neurons activity", Bull Math Biophys., vol 5, pp 115-133, 1943 [10] https://en.wikipedia.org/wiki/Supervised_learning 66 [11] https://en.wikipedia.org/wiki/Reinforctôient_learning [12] http://wellgen.vn/lich-su-nghien-cuu-sinh-trac-hoc-dau-van-tay-1.html [13] https://github.com/Matlab-Biometric-recognition/Matlab-FingerPrintRecognition/tree/master/DB1_B [14] http://www.kiv.zcu.cz/~mautner/zvi/images/fingerprints/ ... dấu vân tay Hiệp hội hình thái học Mỹ 12 CHƯƠNG PHƯƠNG PHÁP PHÂN TÍCH THÀNH PHẦN CHÍNH VÀ MẠNG NEURAL Chương trình bày sở lý thuyết phương pháp phân tích thành phần (PCA) mạng neural cho toán nhận. .. toán nhận dạng mẫu 2.1 Phương pháp phân tích thành phần 2.1.1 Giới thiệu Phương pháp phân tích thành phần (PCA) theo hướng tiếp cận nhận dạng vân tay dựa toàn ảnh vân tay Về bản, phương pháp PCA... tổng quan toán nhận dạng mẫu: phân lớp tốn nhận dạng, chu trình thiết kế hệ thống nhận dạng mẫu thiết kế hệ thống nhận dạng vân tay Chương 2: Phương pháp phân tích thành phần mạng neural Tìm hiểu