新熵函数驱动的人耳识别特征提取与分类：突破与优势

本文主要探讨了一种创新的熵函数在无约束人耳识别系统中的应用，发表在《电气系统与信息技术学报》第四期（2017年）的135页。作者马姆塔·班萨尔·马姆塔和马达苏·汉曼德卢来自印度理工学院电气工程系，他们在文中提出了一个能提高鲁棒性和适应性的人耳身份验证方法。 新熵函数的核心在于其不仅调整了信息增益函数，还重新定义了信息源的评估方式，使得识别系统能够在非受控环境下稳定工作。这个熵函数的一个显著特性是能够分裂为两个独立模式，这有助于提取更具区分度的特征。研究者们开发了两种类型的熵特征：有效高斯信息源值和有效指数信息源值函数，这些特征利用熵函数的特性来增强系统的识别能力。 为了对这些熵特征进行高效分类，作者设计了一种名为细化分数（RS）的方法。这种方法基于欧几里得距离生成分数，并通过细致的处理提高了分类的精确度。实验结果显示，细化分数方法在人耳识别上的表现优于传统方法，证明了新熵函数和RS方法在实际应用中的优越性。 生物识别技术，尤其是耳朵识别，因其非侵入性、稳定性和易获取性，在安全监控和法医领域具有巨大的潜力。随着犯罪活动和恐怖威胁的加剧，开发出能够在各种情境下都能提供可靠验证的系统变得至关重要。作者的这项研究为创建更安全的环境提供了新的理论支持和技术手段。 本文还指出，该研究成果是开放获取的，遵循Creative Commons BY-NC-ND许可协议，可以在www.sciencedirect.com上找到。文章的关键词包括新熵函数、新特征、人耳识别、欧几里得分类器以及细化分数方法，这些都是理解这项研究的关键概念。整个研究过程经过了电子研究所（ERI）的同行评审，表明其科学严谨性。