量子启发的K-最近邻居分类器用于在法医文档分析中增强打印机源识别
Saad M Darwish1, Raad A Ali2, Adel A Elzoghabi2
1Department of Information Technology, Institute of Graduate Studies and Research, Alexandria University, 163 Horreya Avenue, El Shatby, P.O. Box 832, Alexandria, 21526, Egypt. saad.darwish@alexu.edu.eg.
本研究介绍了一种量子启发的K-近邻 (KNN) 方法,用于打印机取证. 量子启发的KNN (QKNN) 通过优化功能选择来提高识别文档源打印机的准确性.
科学领域:
- 计算机科学 计算机科学
- 法医科学 法医科学 法医科学
- 量子计算是一种量子计算.
背景情况:
- 在法医调查中,识别文档来源至关重要.
- 挑战包括模糊的文物和差异化的打印机.
- 机器学习需要强大的特征识别和适当的距离指标,用于像K-Nearest Neighbors (KNN) 这样的分类器.
研究的目的:
- 为了提高KNN分类器在打印机源识别中的性能.
- 探索量子启发的计算,以优化在噪音条件下的特征空间计算.
- 为了代地改进和选择KNN分类的最佳K值.
主要方法:
- 使用灰色级别共发生矩阵 (GLCM) 提取特征.
- 实施量子启发的KNN (QKNN) 分类器.
- 基于分类性能对邻数 (K) 的代优化.
主要成果:
- 与经典KNN相比,QKNN分类器表现出优越的性能.
- 在识别微妙的印刷文物方面,获得了更高的准确性.
- 该方法即使在变化和噪音条件下也被证明是有效的.
结论:
- 量子启发的方法可以显著提高KNN在打印机取证中的性能.
- QKNN为准确的文档来源识别提供了一个有前途的解决方案.
- 对于这个任务,GLCM特征提取方法非常强大.
更多相关视频
10:14Chromatographic Fingerprinting by Template Matching for Data Collected by Comprehensive Two-Dimensional Gas Chromatography
Published on: September 2, 2020
06:19Author Spotlight: Advancing SERS Technology: Au@Carbon Dot Nanoprobes for Label-Free Analysis and Imaging
Published on: June 9, 2023
相关概念视频
2D NMR: Heteronuclear Single-Quantum Correlation Spectroscopy (HSQC)
Methods of Classification and Identification
