Тип работы:
 Предмет:
 Язык работы:


ИДЕНТИФИКАЦИЯ АВТОРА ПО РУКОПИСНОМУ ТЕКСТУ

Работа №39107

Тип работы

Дипломные работы, ВКР

Предмет

информационные системы

Объем работы41
Год сдачи2019
Стоимость6500 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
292
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 3
Глава 1. Информационная безопасность 4
Глава 2. Уникальность почерка 5
Глава 3. Машинное обучение 9
3.1 Сверточные сети 10
Глава 4. Данные для обработки 12
Глава 5. Реализация 13
5.1 Выбор инструментов 13
5.2. Предобработка данных 14
5.3. Выбор и построение модели 19
ЗАКЛЮЧЕНИЕ 31
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 33
ПРИЛОЖЕНИЕ


В современном мире остро стоят вопросы информационной безопасности как безопасности общества. Очень важно сохранять приватность пользователей информационных систем, соблюдать выполнение трех аспектов информационной безопасности: конфиденциальности, целостности, доступности. Способы идентификации личности становятся всё более сложными, разнообразными и точными. Один из способов идентификации проводится по почерку, так как он уникален у каждого человека. С высокой вероятностью можно определить авторство и использовать эту информацию для дальнейшей аутентификации и авторизации. При сочетании с другими способами определения подлинности личности можно повышать вероятность правильной идентификации.
Цель проекта - разработать модель для идентификации автора по рукописному тексту. Поставленные задачи:
1) выделение значимых признаков рукописного текста;
2) сбор и обработка признаков текста;
3) изучение принципов машинного обучения;
4) изучение алгоритмов и архитектур нейронных сетей, а также способов их тренировки;
5) разработка и реализация различных моделей.
Актуальность задачи состоит в постоянной потребности обеспечения информационной безопасности и корректности процедуры идентификации как её составляющей, а также повсеместном применении машинного обучения, которое может обеспечить более высокие результаты решения задач, чем стандартные приёмы.


Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
Курсовые Статьи Диплом Рязань

Машинное обучение получает всё большее развитие и применение в разных сферах и задачах. Появляются инструменты, позволяющие относительно быстро и легко внедрить методы машинного обучения в поставленную задачу и сравнить скорость и качество решения с другими методами. В этой работе алгоритмы машинного обучения были применены для такой задачи, как идентификация автора по рукописному тексту. В ходе работы были изучены темы машинного обучения, обработки данных и нейронных сетей. Были разработаны методы для сбора определенного типа данных из изображений текста, а именно характеристики петель в прописных буквах. Было выяснено, что для обучения модели очень важны как её параметры, так и данные, на которых она проводит обучение, так как это серьезно сказывается на точности работы модели. Были реализованы модели для классификации данных и идентификации автора по рукописному тексту. Были изучены способы повышения точности работы нейронных сетей.
Одна из реализованных моделей показала достаточно высокие результаты и может применяться на практике. Можно проверить её производительность и точность на более большом объеме данных и большем количестве авторов, а также поменять тип данных с изображения строки на изображение целого листа. Так сверточной сети удастся выделить больше индивидуальных признаков, потому что текстура текста проявится в полной мере и станет более очевидной. Для повышения точности можно комбинировать классификацию по разным параметрам и затем объединять результаты.
Модели, созданные для анализа текста на основе петель, показали невысокие результаты. Для улучшения их производительности необходимо поработать над набором данных для обучения и верификации; но исключать эти методы как неработоспособные не следует. Для этого случая нужен более аккуратный и специфичный сбор данных: требуется обработка не целого текста, а отдельно прописанных букв, у которых есть петли и признаки которых можно собрать без больших погрешностей. Таким образом можно заключить, что все методы имеют потенциал и множество вариантов модернизации, и при дальнейшей разработке результаты могут стать лучше.



1. Дмитриев В.И., Прикладная теория информации. Учебник для студентов ВУЗов по специальности Автоматизированные системы обработки информации и управления [Текст] / Дмитриев В.И. - М: Высшая школа, 1989. - 320 с.
2. Галатенко В.А., Лекция из курса «Основы информационной
безопасности» [Электронный ресурс] / Галатенко В.А. - 2017. - Режим доступа: http://citfomm.ru/security/articles/galatenko/ (дата обращения 10.04.2019) .
3. Harralson H.H., Huber and Headrick's Handwriting Identification: Facts and Fundamentals, Second Edition [Текст] / Harralson H.H., Miller L.S. - CRC Press, 2017. - 420p.
4. Blankers, V.L., Writer identification by means of explainable features: shapes
of loops and lead-in strokes [Электронный ресурс] / Blankers V.L., Niels R.M.J., Vuurpijl L.G. - 2007. - Режим доступа:
https://repository.ubn.ru.nl/handle/2066/55893 (дата обращения 25.10.2018).
5. Shahabi F., Comparison of Gabor-Based Features for Writer Identification of Farsi/Arabic Handwriting [Электронный ресурс]/ Shahabi F., Rahmati M. - 2006.
- Режим доступа: https://hal.inria.fr/inria-00104466 (дата обращения 15.04.2019).
6. Воронцов К. В., Математические методы обучения по прецедентам (теория обучения машин), курс лекций [Электронный ресурс] / Воронцов К. В.
- 2017. - Режим доступа: http://www.machinelearning.ru/wiki, свободный (дата обращения 20.12.2018).
7. Г оликов И.С., Сверточная нейронная сеть, часть 1: структура, топология, функции активации и обучающее множество: статья [Электронный ресурс] / Голиков И.С - 2017. - Режим доступа: https://habr.com/ru/post/348000/ (дата обращения 07.02.2019).
8. Saha S., A Comprehensive Guide to Convolutional Neural Networks - the ELI5 way [Электронный ресурс] / Sumit S. - 2018. - Режим доступа:
https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural- networks-the-eli5-way-3bd2b1164a53 (дата обращения 07.02.2019).
9. A Beginner's Guide to Convolutional Neural Networks (CNNs), статья
[Электронный ресурс] / Свободная библиотека Skymind. - 2016. - Режим доступа: https://skymind.ai/wiki/convolutional-network (дата обращения 07.02.2019) .
10. Кузьмина Д. П., Отчет по практике по получению профессиональных умений и навыков [Текст] / Кузьмина Д. П. - Казань: КФУ, 2019. - 10 с.
11. Scikit-learn documentation [Электронный ресурс]. - 2019. - Режим доступа: https://scikit-learn.org/stable/index.html (дата обращения 10.04.2019).
12. Yousefi J., Image Binarization using Otsu Thresholding Algorithm
[Электронный ресурс] / Yousefi J. - 2016. - Режим доступа:
https://www.researchgate.net/publication/277076039_Image_Binarization_using_ Otsu_Thresholding_Algorithm (дата обращения 01.05.2019).
13. Karpathy A., Stanford CS class CS231n: Convolutional Neural Networks for Visual Recognition [Электронный ресурс] / Karpathy A. - 2017. - Режим доступа: http://cs231n.github.io/linear-classify (дата обращения 17.04.2019).


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы

Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Каталог работ (149688)

Новости

06.01.2018 Помощь студентам и аспирантам в выполнении работ от наших партнеров Помощь студентам и аспирантам в выполнении работ от наших партнеров

Помощь в выполнении учебных и научных работ на заказ ОФОРМИТЬ ЗАКАЗ

дальше

»» Все новости

Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Заказать диплом

Приглашаем авторов студенчесчких работ


©2024 Cервис помощи студентам в выполнении работ
.