3.1 Person-independent (General) le

3.1 Person-independent (General) learning
The general learning approach uses two sets of signature pairs: genuine-genuine and genuine-forgery. Forgeries
in forensic document examination can be either simulated or traced. In this sense task is analogous to learning
from near misses in the machine learning literature.
Features are extracted for each pair of signatures and a similarity measure is used to compute the distance
between each pair. Let DS
denote the vector of distances between all pairs in set one, which represents the
distribution of distances when samples truly came from the same person. Similarly let DD denote the vector of
distances between all pairs in set two, which represents the distribution of distances when samples truly came
from different persons. These distributions can be modeled using known distributions such as Gaussian or gamma.
Fig. 5 shows typical distribution curves obtained when distances are modeled using a gamma distribution. The
Gaussian assigns non-zero probabilities to negative values of distance although such values are never encountered.
Since this problem in not there with the gamma it is to be preferred. The probability density function of the
gamma distributions is as follows:

Kết quả (Việt) 1:

3.1 học tập người độc lập (tổng hợp)Cách tiếp cận học tập tổng hợp sử dụng hai bộ chữ ký cặp: chính hãng chính hãng và giả mạo chính hãng. Giả mạotrong tài liệu pháp y thi có thể được mô phỏng hoặc truy tìm. Trong ý nghĩa này nhiệm vụ là tương tự như học tậptừ suýt trong máy học văn học.Các tính năng được trích ra cho mỗi cặp chữ ký và một biện pháp tương tự được sử dụng để tính toán khoảng cáchgiữa mỗi cặp. Hãy để DSbiểu thị vector khoảng cách giữa tất cả các cặp trong tập một, đại diện cho cácphân phối khoảng cách khi mẫu thực sự đến từ cùng một người. Tương tự như vậy để biểu thị các véc tơ của DDkhoảng cách giữa tất cả các cặp trong tập hai, đại diện cho sự phân bố của khoảng cách khi mẫu thực sự đếntừ những người khác nhau. Những bản phân phối có thể được mô hình bằng cách sử dụng bản phân phối được biết đến như Gaussian hay gamma.Hình 5 cho thấy đường cong phân phối đặc trưng thu được khi khoảng cách mô hình bằng cách sử dụng một phân bố gamma. CácGaussian gán-zero xác suất để phủ định giá trị của khoảng cách, mặc dù giá trị như vậy không bao giờ gặp phải.Kể từ khi vấn đề này không có với gamma là để được ưa thích. Hàm mật độ xác suất của cácphân bố gamma là như sau:

Kết quả (Việt) 2:

3.1 Người độc lập (chung) học
Phương pháp học tập chung sử dụng hai bộ của các cặp chữ ký: chính hãng chính hãng và chính hãng giả mạo. Giấy tờ giả mạo
trong khám, tài liệu pháp y có thể được, hoặc mô phỏng hoặc truy tìm. Trong nhiệm vụ có ý nghĩa này là tương tự với việc học
từ gần bỏ lỡ trong các tài liệu học máy.
Các tính năng được trích cho mỗi cặp chữ ký và một biện pháp tương tự được sử dụng để tính toán khoảng cách
giữa mỗi cặp. Hãy DS
biểu thị vector khoảng cách giữa tất cả các cặp trong bộ một, đại diện
phân phối của khoảng cách khi mẫu thực sự đến từ cùng một người. Tương tự như vậy để cho DD biểu thị vector của
khoảng cách giữa tất cả các cặp trong bộ hai, đại diện phân phối của khoảng cách khi mẫu thực sự đến
từ những người khác nhau. Những phân phối có thể được mô hình sử dụng phân phối được biết đến như Gaussian hoặc gamma.
Hình. 5 cho thấy đường cong phân phối điển hình thu được khi khoảng cách được mô hình hóa bằng cách sử dụng phân phối gamma. Các
Gaussian gán xác suất khác không để giá trị âm của khoảng cách mặc dù giá trị như vậy không bao giờ gặp phải.
Kể từ khi vấn đề này trong không có với gamma nó là được ưa thích. Hàm mật độ xác suất của
phân phối gamma là như sau: