專利名稱：通過類神經(jīng)網(wǎng)絡(luò)生成/驗證密碼的方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種生成/驗證密碼的系統(tǒng)及方法，尤其是一種通過類神經(jīng)網(wǎng)絡(luò) 處理使用者輸入筆跡來生成/驗證密碼的系統(tǒng)及方法。
背景技術(shù)：
保護自有財產(chǎn)是人類的本性。為防止他人竊取私有資產(chǎn)，從一般保險箱上的 密碼轉(zhuǎn)盤，到計算機的開機密碼、電子郵箱的登錄密碼，銀行交易的交易密碼 等等，密碼保護技術(shù)已廣泛地應用于當代日常生活中。
不同的密碼保護技術(shù)存有不同的優(yōu)缺點，以目前最被廣泛使用于各方面的字 符密碼來說，其多以字母、數(shù)字等可鍵入符號組成，具有實現(xiàn)簡單、成本低及 使用方便的特點。但使用者必須記憶作為密碼的字符，對記憶力不佳的人來說 實為一種負擔。而且，由于字符密碼的密碼空間復雜度有限，因此被破解率相 當高。
目前尚有另一種密碼保護技術(shù)，其是在IC卡/磁卡內(nèi)建密碼，以便于使用者 直接使用IC卡/磁卡開啟以密碼保護的對象，而無須記憶密碼。雖然IC卡/磁卡在
使用上非常方便，但其缺點是容易遺失，且需要額外的成本制作卡片。 此外，為提高個人身份的辨識度，近年來更發(fā)展出以指紋作為密碼的技術(shù)，
此技術(shù)目前已逐漸在高價的筆記型計算機、個人數(shù)字助理(Personal Digital Assistant, PDA)等電子產(chǎn)品上普及化。指紋密碼與字符密碼相較而言，其在空間 上較為復雜，且由于指紋為個人獨特的特征，因此指紋密碼的可靠性相當高。 但欲以指紋作為密碼，需要配置特殊的指紋輸入裝置，顯著地增加了成本，無 法廣泛地應用于平價產(chǎn)品中。
另一種個人身份辨識度高的密碼保護技術(shù)為人臉識別/視網(wǎng)膜識別。此技術(shù) 需要專用的掃描設(shè)備，成本昂貴，且目前尚無成熟的技術(shù)可供一般大眾使用。

發(fā)明內(nèi)容
本發(fā)明為解決背景技術(shù)中的密碼保護技術(shù)無法有效的以低成本的方式來改
善密碼的被破解率的技術(shù)問題，而提供一種通過類神經(jīng)網(wǎng)絡(luò)生成/驗證密碼的方 法及系統(tǒng)，在低成本的前提下提高密碼的可靠度。
本發(fā)明的技術(shù)解決方案是本發(fā)明提供了一種通過類神經(jīng)網(wǎng)絡(luò)生成密碼的方 法，其特殊之處在于該方法包括以下步驟
1) 接收密碼筆跡；
2) 分析密碼筆跡，根據(jù)密碼筆跡得到密碼向量；
通常筆跡為一組用座標表示的采樣點，可使用多種方法將此采樣點處理為 一組向量，下面舉兩例說明
2.1) 按座標分為100X100的格子，把每一格子當中的采樣點濾波處理為直線， 得到此直線的斜率，把所有格子中的斜率記錄為一組向量。
2.2) 按采樣點的數(shù)目將所有采樣點均分為一段一段，比如50段，然后把每
段采樣點濾波處理為直線，得到此直線的斜率。把所有段的斜率記錄為一組向
且 里；
3) 提供干擾向量，將密碼向量和干擾向量輸入至類神經(jīng)網(wǎng)絡(luò)；
4) 類神經(jīng)網(wǎng)絡(luò)依據(jù)密碼向量與干擾向量進行自我學習，產(chǎn)生密碼權(quán)重值。 上述類神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層以及隱藏層，其中輸入層具有輸入神經(jīng)
元；輸出層具有輸出神經(jīng)元；隱藏層則具有隱藏神經(jīng)元，所述輸入層通過輸入 神經(jīng)元接入隱藏層的隱藏神經(jīng)元，所述隱藏層通過隱藏神經(jīng)元接入輸出層的輸 出神經(jīng)元。
上述步驟4)的具體步驟如下-
4.1) 所述輸入神經(jīng)元接收密碼向量與干擾向量；
4.2) 依據(jù)隱藏層對密碼向量與干擾向量進行運算，將密碼向量輸入已使用 干擾向量訓練過的神經(jīng)網(wǎng)絡(luò)，然后由各輸出神經(jīng)元輸出運算結(jié)果；
4.3) 分別計算各輸出神經(jīng)元的輸出的運算結(jié)果與類神經(jīng)網(wǎng)絡(luò)所對應的學習 目標值之間的誤差值；
學習目標值為事先指定，比如干擾向量都指定輸出為000000到111110之間的 值，而密碼向量指定輸出為llllll。使用這些指定的學習目標值進行反饋訓練 類神經(jīng)網(wǎng)絡(luò)。
4.4) 判斷誤差值是否大于臨界值，當誤差值不大于臨界值時，將各輸出神 經(jīng)元的運算結(jié)果儲存為對照值，進至步驟；當誤差值大于臨界值時，進至步驟 4.5);
臨界值可通過使用者指定。當臨界值極高時要求筆跡高度一致才能確認。此 值通常可根據(jù)具體實現(xiàn)方案，實驗取得經(jīng)驗值。
4.5) 類神經(jīng)網(wǎng)絡(luò)根據(jù)誤差值調(diào)整輸出層與隱藏層的權(quán)重值(；
4.6) 得到類神經(jīng)網(wǎng)絡(luò)中的權(quán)重值即為密碼權(quán)重值； 其中權(quán)重值是神經(jīng)網(wǎng)絡(luò)訓練后，決定網(wǎng)絡(luò)功能的參數(shù)集合 該方法還包括初始化類神經(jīng)網(wǎng)絡(luò)的權(quán)重值的步驟。
本發(fā)明還提供了一種通過類神經(jīng)網(wǎng)絡(luò)生成密碼的系統(tǒng)，其特殊之處在于該 系統(tǒng)包括用來接收密碼筆跡的接收模塊、用來分析該密碼筆跡，并依據(jù)分析結(jié) 果輸出密碼向量的分析模塊、用來儲存干擾向量的儲存模塊以及依據(jù)干擾向量 與密碼向量來進行學習，而產(chǎn)生密碼權(quán)重值的類神經(jīng)網(wǎng)絡(luò)；接收模塊通過分析 模塊接入類神經(jīng)網(wǎng)絡(luò)，儲存模塊接入類神經(jīng)網(wǎng)絡(luò)。
該系統(tǒng)還包括用來初始化類神經(jīng)網(wǎng)絡(luò)的權(quán)重值的初始化模塊，初始化模塊接 入類神經(jīng)網(wǎng)絡(luò)。
該系統(tǒng)還包括用來讀取儲存模塊中的干擾向量的讀出模塊，儲存模塊通過讀 出模塊接入類神經(jīng)網(wǎng)絡(luò)。
本發(fā)明還提供了一種通過類神經(jīng)網(wǎng)絡(luò)驗證密碼的方法，其特殊之處在于該 方法包括以下步驟
1) 接收待檢筆跡；
2) 分析待檢筆跡，得到待檢向量；
此處獲得待檢向量的方法與獲得密碼向量的方法一樣。
3) 將待檢向量輸入至類神經(jīng)網(wǎng)絡(luò)，類神經(jīng)網(wǎng)絡(luò)的輸出神經(jīng)元根據(jù)待檢向量 而輸出待檢值；
4) 將這些待檢值與對照值(對照值是指前述步驟中4.3中的密碼向量指定輸 出的值)進行比對，根據(jù)比對結(jié)果對密碼進行驗證。
上述步驟4)的具體步驟如下4.1) 判斷待檢值中的最大值是否小于匹配下限；
4.2) 若最大待檢值小于匹配下限時，則進至步驟4.5);若最大待檢值不小
于匹配下限時，則進至步驟4.3);
4.3) 類神經(jīng)網(wǎng)絡(luò)接著判斷輸出此最大待檢值的輸出神經(jīng)元是否與輸出最大 對照值的輸出神經(jīng)元相同；若兩者為同一神經(jīng)元，則進至步驟4.4)，若兩者為 不同神經(jīng)元，則進至步驟4.5);
4.4) 密碼驗證成功；
4.5) 密碼驗證失敗。
本發(fā)明還提供了一種通過類神經(jīng)網(wǎng)絡(luò)驗證密碼的系統(tǒng)，其特殊之處在于該
系統(tǒng)包括用來接收待檢筆跡的接收模塊、用來分析該待檢筆跡，并依據(jù)分析結(jié) 果輸出待檢向量的分析模塊以及用來將待檢值與對照值進行比對的類神經(jīng)網(wǎng)
絡(luò)；接收模塊通過分析模塊接入類神經(jīng)網(wǎng)絡(luò)。
綜上所述，本發(fā)明系通過類神經(jīng)網(wǎng)絡(luò)來生成/驗證以筆跡構(gòu)成的密碼，且由 于筆跡密碼是一個二維有向軌跡，其空間復雜度相當高，難以被機器破解。再 者，筆跡密碼的內(nèi)容系通過類神經(jīng)網(wǎng)絡(luò)來記憶與識別，即使是知悉類神經(jīng)網(wǎng)絡(luò) 數(shù)據(jù)的開發(fā)人員，也無法從類神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)反推或破解出筆跡密碼的內(nèi)容。 與習知以字符作為密碼的技術(shù)相較之下，本發(fā)明具有高安全性。
此外，利用本發(fā)明的電子產(chǎn)品僅需具備一般的手寫輸入裝置(如鼠標、手寫 板等)供使用者輸入手寫筆跡，無須額外添購裝置，因此與習知密碼保護技術(shù) 相較之下，本發(fā)明能夠以低成本來生成具有高安全性的密碼。
另外，對于使用者來說，僅需依其手寫習慣將筆跡輸入至本發(fā)明之系統(tǒng)中， 即可進行密碼的生成及驗證，與公知需記憶字符密碼或攜帶IC卡/磁卡來執(zhí)行密 碼驗證的技術(shù)相較之下，本發(fā)明在使用上更為便利。


圖l為本發(fā)明的通過類神經(jīng)網(wǎng)絡(luò)生成密碼的系統(tǒng)具體實施例的示意圖； 圖2為本發(fā)明的通過類神經(jīng)網(wǎng)絡(luò)生成密碼的方法具體實施例的示意圖； 圖3為本發(fā)明的類神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖； 圖4為本發(fā)明的類神經(jīng)網(wǎng)絡(luò)自我學習的流程圖5為本發(fā)明的通過類神經(jīng)網(wǎng)絡(luò)驗證密碼的系統(tǒng)具體實施例的示意圖6為本發(fā)明的通過類神經(jīng)網(wǎng)絡(luò)驗證密碼的方法具體實施例的示意圖。
具體實施例方式
參見圖1、2，本發(fā)明的通過類神經(jīng)網(wǎng)絡(luò)生成密碼的系統(tǒng)100包括接收模塊110、 分析模塊120、儲存模塊130以及類神經(jīng)網(wǎng)絡(luò)140。使用者通過手寫輸入裝置(未 繪示，如鼠標、手寫板等)將欲設(shè)為密碼的密碼筆跡輸入至系統(tǒng)100后，由接收 模塊110負責接收密碼筆跡(步驟210)，并將此密碼筆跡傳送至分析模塊120。 接著，由分析模塊120對密碼筆跡進行分析(步驟220)，且本實施例的分析模 塊120包括一采樣單元122，用來對密碼筆跡進行采樣，以得一密碼向量。
儲存模塊130是用來儲存至少一干擾向量。在本實施例中，干擾向量例如是 由預先輸入至系統(tǒng)100的干擾筆跡經(jīng)分析模塊120分析后所得。其中，密碼向量 與干擾向量例如是分別由多個向量數(shù)據(jù)所構(gòu)成。由儲存模塊130提供至少一干擾 向量(步驟230)之后，再將密碼向量與這些干擾向量輸入至類神經(jīng)網(wǎng)絡(luò)140 (步 驟240)。在本實施例中，系統(tǒng)100更包括讀出模塊150，用來讀取儲存模塊130 中的干擾向量，并將讀取到的干擾向量與分析模塊120所輸出的密碼向量一并輸 出至類神經(jīng)網(wǎng)絡(luò)140。
值得注意的是，本實施例之系統(tǒng)100更可以包括一初始化模塊160，用來在將 干擾向量及密碼向量輸入至類神經(jīng)網(wǎng)絡(luò)140之前，初始化類神經(jīng)網(wǎng)絡(luò)中的權(quán)重值 (步驟245)。舉例來說，初始化模塊160在步驟245中例如是將類神經(jīng)網(wǎng)絡(luò)140 的權(quán)重值初始化為介于0和1之間的隨機數(shù)值。
參見圖3，類神經(jīng)網(wǎng)絡(luò)140包括輸入層142、輸出層144以及至少一隱藏層146， 其中輸入層142具有多個輸入神經(jīng)元142a;輸出層具有多個輸出神經(jīng)元144a;隱 藏層146則具有多個隱藏神經(jīng)元146a。值得一提的是，隱藏層146的層數(shù)可根據(jù) 對密碼筆跡的復雜性要求度不同而有所不同。舉例來說，若欲使用簡單的筆跡 作為密碼，可減少隱藏層146的層數(shù)；若欲使用較為復雜的筆跡作為密碼來對重 要數(shù)據(jù)加密，則可增加隱藏層146的層數(shù)，以提供更復雜的識別能力。熟習此技 藝者可自行依其需求來決定隱藏層146的層數(shù)，本發(fā)明并未在此對隱藏層146的 層數(shù)做任何限定。類神經(jīng)網(wǎng)絡(luò)140在接收到密碼向量CV與干擾向量DV之后，會依據(jù)密碼向量 CV與干擾向量DV進行自我學習，而產(chǎn)生多個密碼權(quán)重值(步驟250)，且類神 經(jīng)網(wǎng)絡(luò)140會記憶這些密碼權(quán)重值(步驟260)，以便于后續(xù)欲驗證密碼時使用。
參見圖4，在將密碼向量CV與干擾向量DV輸入至類神經(jīng)網(wǎng)絡(luò)140的輸入層 142后，是由輸入神經(jīng)元142a接收密碼向量CV與干擾向量DV (步驟251)。在本 實施例中，輸入神經(jīng)元142a的數(shù)量例如是與密碼向量CV及干擾向量DV的向量數(shù) 據(jù)的數(shù)量總和相等。也就是說，每一輸入神經(jīng)元142a各自接收一向量數(shù)據(jù)。
各輸出神經(jīng)元144a依據(jù)隱藏層146對輸入神經(jīng)元142a所接收之密碼向量CV 與干擾向量DV的運算而輸出一運算結(jié)果(步驟252)，然后分別計算各輸出神 經(jīng)元的運算結(jié)果O與其所對應之學習目標值之間的誤差值(步驟253)。舉例來 說，第k個輸出神經(jīng)元與其所對應之學習目標值間的誤差值Ek公式為 A=^-^)X^G-A)，其中Tk為第k個輸出神經(jīng)元所對應之學習目標值，Ok為 第k個輸出神經(jīng)元實際輸出的運算結(jié)果。
之后，判斷此誤差值是否大于一臨界值(步驟254)。當各輸出神經(jīng)元144a 之運算結(jié)果與其所對應之該學習目標值間的誤差值不大于臨界值時，將各輸出 神經(jīng)元之運算結(jié)果儲存為對照值(步驟255)，以便于在后續(xù)進行密碼驗證時， 以這些對照值作為比對基準。而且，此時類神經(jīng)網(wǎng)絡(luò)140中的權(quán)重值即為密碼權(quán) 重值。
反之，當輸出神經(jīng)元144a的運算結(jié)果與其所對應的該學習目標值間的誤差值 大于臨界值時，類神經(jīng)網(wǎng)絡(luò)140會自行調(diào)整輸出層144與隱藏層146的權(quán)重值。舉 例來說，當?shù)趉個輸出神經(jīng)元的運算結(jié)果Ok與學習目標值Tk間的誤差值Ek大于臨 界值時，依據(jù)誤差值Ek來調(diào)整第k個輸出神經(jīng)元與其所連接的第m層隱藏層的第j 個隱藏神經(jīng)元間的權(quán)重值(步驟256)。
在本實施例中，步驟256例如是以公式『,=^^1><￡*><^來調(diào)整第1^個輸出 神經(jīng)元與其所連接的第m層隱藏層之第j個隱藏神經(jīng)元間的權(quán)重值。其中，『"為 第k個輸出神經(jīng)元與其所連接的第m層隱藏層之第j個隱藏神經(jīng)元間調(diào)整n+l次后 的權(quán)重值，為第k個輸出神經(jīng)元與其所連接的第m層隱藏層之第j個隱藏神經(jīng) 元間調(diào)整n次后的權(quán)重值。此處n為正整數(shù)；Oj為第j個輸出神經(jīng)元所輸出之運算
結(jié)果；L稱之為學習率，為一大于零的常數(shù)，其通常系介于0和1之間。在類神經(jīng) 網(wǎng)絡(luò)的自我學習過程中，若具有較大的學習率，則學習速度較快；若學習率較 小，則具有較準確的學習結(jié)果。
接著，依據(jù)步驟256中調(diào)整后的權(quán)重值來計算第m層隱藏層的第j個隱藏神經(jīng) 元的一輸出誤差值Ej (步驟257)。在本實施例中，誤差值Ej的計算公式為 ^=Ot(l-6>Jx|^t^,。其中，『,為經(jīng)步驟256調(diào)整過后的權(quán)重值。 之后再依據(jù)步fi257所計算出的輸出誤差值Ej來調(diào)整第j個隱藏神經(jīng)元與其所連 接的第m-l層隱藏層的第i個隱藏神經(jīng)元之間的權(quán)重值(步驟258)。 在本實施例中，步驟258例如是以公式『f =^""><￡,^來調(diào)整第〗個隱藏神經(jīng) 元與其所連接的第m-l層隱藏層的第i個隱藏神經(jīng)元之間的權(quán)重值。其中為第
j個隱藏神經(jīng)元與其所連接之第m-l層隱藏層的第i個隱藏神經(jīng)元之間調(diào)整n+l次 后的權(quán)重值，^"為第j個隱藏神經(jīng)元與其所連接之第m-l層隱藏層的第i個隱藏神 經(jīng)元之間調(diào)整n次后的權(quán)重值，此處m、 n均為正整數(shù)，且《1>1。
如此不斷地重復步驟256至步驟258，直到各輸出神經(jīng)元144a之運算結(jié)果與其 所對應之該學習目標值間的誤差值不大于臨界值，類神經(jīng)網(wǎng)絡(luò)140即完成其自我 學習，此時類神經(jīng)網(wǎng)絡(luò)140所記憶的權(quán)重值即為前述之密碼權(quán)重值。 為使熟習此技藝者更加了解本發(fā)明，以下將配合圖式詳述驗證以上述方法及系 統(tǒng)所生成的密碼的系統(tǒng)與方法。
參見圖5、 6，系統(tǒng)500包括接收模塊510、分析模塊520以及類神經(jīng)網(wǎng)絡(luò)530。 其中，接收模塊510與分析模塊520分別相似于上述實施例的接收模塊110及分析 模塊120。特別的是，類神經(jīng)網(wǎng)絡(luò)530已依據(jù)「第4圖」所示的步驟流程進行過自 我學習，因而記憶有前文所述的密碼權(quán)重值。
使用者藉由手寫輸入裝置(未繪示)將待檢筆跡輸入至密碼驗證系統(tǒng)500后， 系由接收模塊510負責接收待檢筆跡(步驟610)，并將此待檢筆跡傳送至分析 模塊520。接著，由分析模塊520對待檢筆跡進行分析(步驟620)。其中，分析 模塊520包括一采樣單元522，用來采樣待檢筆跡，以得一待檢向量。如同前述 實施例的密碼向量與干擾向量，待檢向量也可以是由多個向量數(shù)據(jù)所構(gòu)成。
之后，將待檢向量輸入至類神經(jīng)網(wǎng)絡(luò)530，以使類神經(jīng)網(wǎng)絡(luò)530之各輸出神經(jīng)元系依據(jù)待檢向量而分別輸出待檢值(步驟630)。類神經(jīng)網(wǎng)絡(luò)530會自行將這 些待檢值與儲存于其中的對照值進行比對。在本實施例中，比對待檢值與對照 值的步驟包括判斷這些待檢值中的最大值是否小于一匹配下限(步驟642)，其 中匹配下限為一常數(shù)，熟習此技藝者可依據(jù)所需的匹配精度來決定匹配下限的 實際數(shù)值。
承上所述，若步驟642中的判斷結(jié)果為最大待檢值小于匹配下限時，表示密 碼驗證失敗(步驟648);若步驟642中的判斷結(jié)果為最大待檢值不小于匹配下 限時，則類神經(jīng)網(wǎng)絡(luò)530接著判斷輸出此最大待檢值的輸出神經(jīng)元是否與輸出最 大對照值的輸出神經(jīng)元相同(步驟644)。若兩者為同一神經(jīng)元，表示使用者所 輸入的待檢筆跡與原設(shè)定的密碼筆跡相符，也就是密碼驗證成功(步驟646)。 反之，若兩者為不同神經(jīng)元，則表示使用者所輸入的待檢筆跡與原設(shè)定的密碼 筆跡不符，密碼驗證失敗(步驟648)。
權(quán)利要求
1、一種通過類神經(jīng)網(wǎng)絡(luò)生成密碼的方法，其特征在于該方法包括以下步驟1)接收密碼筆跡；2)分析密碼筆跡，根據(jù)密碼筆跡得到密碼向量；3)提供干擾向量，將密碼向量和干擾向量輸入至類神經(jīng)網(wǎng)絡(luò)；4)類神經(jīng)網(wǎng)絡(luò)依據(jù)密碼向量與干擾向量進行自我學習，產(chǎn)生密碼權(quán)重值。
2、 根據(jù)權(quán)利要求1所述的通過類神經(jīng)網(wǎng)絡(luò)生成密碼的方法，其特征在于 所述類神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層以及隱藏層，其中輸入層具有輸入神經(jīng)元； 輸出層具有輸出神經(jīng)元；隱藏層則具有隱藏神經(jīng)元，所述輸入層通過輸入神經(jīng) 元接入隱藏層的隱藏神經(jīng)元，所述隱藏層通過隱藏神經(jīng)元接入輸出層的輸出神 經(jīng)元。
3、根據(jù)權(quán)利要求2所述的通過類神經(jīng)網(wǎng)絡(luò)生成密碼的方法，其特征在于 所述步驟4)的具體步驟如下4.1) 所述輸入神經(jīng)元接收密碼向量與干擾向量；4.2) 依據(jù)隱藏層對密碼向量與干擾向量進行運算，將密碼向量輸入已使用 干擾向量訓練過的神經(jīng)網(wǎng)絡(luò)，然后由各輸出神經(jīng)元輸出運算結(jié)果；4.3) 分別計算各輸出神經(jīng)元的輸出的運算結(jié)果與類神經(jīng)網(wǎng)絡(luò)所對應的學習 目標值之間的誤差值；4.4) 判斷誤差值是否大于臨界值，當誤差值不大于臨界值時，將各輸出神 經(jīng)元的運算結(jié)果儲存為對照值，進至步驟；當誤差值大于臨界值時，進至步驟 4.5);4.5) 類神經(jīng)網(wǎng)絡(luò)根據(jù)誤差值調(diào)整輸出層與隱藏層的權(quán)重值；4.6) 得到類神經(jīng)網(wǎng)絡(luò)中的權(quán)重值即為密碼權(quán)重值。
4、 根據(jù)權(quán)利要求1或2或3所述的通過類神經(jīng)網(wǎng)絡(luò)生成密碼的方法，其特 征在于該方法還包括初始化類神經(jīng)網(wǎng)絡(luò)的權(quán)重值的步驟。
5、 一種通過類神經(jīng)網(wǎng)絡(luò)生成密碼的系統(tǒng)，其特征在于該系統(tǒng)包括用來接收密碼筆跡的接收模塊、用來分析該密碼筆跡，并依據(jù)分析結(jié)果輸出密碼向量 的分析模塊、用來儲存干擾向量的儲存模塊以及依據(jù)干擾向量與密碼向量來進行學習，而產(chǎn)生密碼權(quán)重值的類神經(jīng)網(wǎng)絡(luò)；所述接收模塊通過分析模塊接入類 神經(jīng)網(wǎng)絡(luò)，所述儲存模塊接入類神經(jīng)網(wǎng)絡(luò)。
6、 根據(jù)權(quán)利要求5所述的通過類神經(jīng)網(wǎng)絡(luò)生成密碼的系統(tǒng)，其特征在于 該系統(tǒng)還包括用來初始化類神經(jīng)網(wǎng)絡(luò)的權(quán)重值的初始化模塊，所述初始化模塊 接入類神經(jīng)網(wǎng)絡(luò)。
7、 根據(jù)權(quán)利要求5或6所述的通過類神經(jīng)網(wǎng)絡(luò)生成密碼的系統(tǒng)，其特征在 于該系統(tǒng)還包括用來讀取儲存模塊中的干擾向量的讀出模塊，所述儲存模塊通過讀出模塊接入類神經(jīng)網(wǎng)絡(luò)。
8、 一種通過類神經(jīng)網(wǎng)絡(luò)驗證密碼的方法，其特征在于該方法包括以下步驟1) 接收待檢筆跡；2) 分析待檢筆跡，得到待檢向量；3) 將待檢向量輸入至類神經(jīng)網(wǎng)絡(luò)，類神經(jīng)網(wǎng)絡(luò)的輸出神經(jīng)元系根據(jù)待檢向 量而輸出待檢值；4) 將這些待檢值與對照值進行比對，根據(jù)比對結(jié)果對密碼進行驗證。
9、 根據(jù)權(quán)利要求8所述的通過類神經(jīng)網(wǎng)絡(luò)驗證密碼的方法，其特征在于 所述步驟4)的具體步驟如下4.1) 判斷待檢值中的最大值是否小于匹配下限；4.2) 若最大待檢值小于匹配下限時，則進至步驟4.5);若最大待檢值不小于匹配下限時，則進至步驟4.3);4.3) 類神經(jīng)網(wǎng)絡(luò)接著判斷輸出此最大待檢值的輸出神經(jīng)元是否與輸出最大 對照值的輸出神經(jīng)元相同；若兩者為同一神經(jīng)元，則進至步驟4.4)，若兩者為 不同神經(jīng)元，則進至步驟4.5);4.4) 密碼驗證成功；4.5) 密碼驗證失敗。
10、 一種通過類神經(jīng)網(wǎng)絡(luò)驗證密碼的系統(tǒng)，其特征在于該系統(tǒng)包括用來接收待檢筆跡的接收模塊、用來分析該待檢筆跡，并依據(jù)分析結(jié)果輸出待檢向量的分析模塊以及用來將待檢值與對照值進行比對的類神經(jīng)網(wǎng)絡(luò)；所述接收模塊 通過分析模塊接入類神經(jīng)網(wǎng)絡(luò)。
全文摘要
本發(fā)明涉及一種通過類神經(jīng)網(wǎng)絡(luò)處理使用者輸入筆跡來生成/驗證密碼的系統(tǒng)及方法，該系統(tǒng)包括用來接收密碼筆跡的接收模塊、用來分析該密碼筆跡，并依據(jù)分析結(jié)果輸出密碼向量的分析模塊、用來儲存干擾向量的儲存模塊以及依據(jù)干擾向量與密碼向量來進行學習，而產(chǎn)生密碼權(quán)重值的類神經(jīng)網(wǎng)絡(luò)；接收模塊通過分析模塊接入類神經(jīng)網(wǎng)絡(luò)，儲存模塊接入類神經(jīng)網(wǎng)絡(luò)。本發(fā)明提供一種通過類神經(jīng)網(wǎng)絡(luò)生成/驗證密碼的方法及系統(tǒng)，在低成本的前提下提高密碼的可靠度。
文檔編號G09C1/00GK101350155SQ20081015087
公開日2009年1月21日 申請日期2008年9月9日 優(yōu)先權(quán)日2008年9月9日
發(fā)明者王小春, 陳淮琰 申請人:無敵科技(西安)有限公司