Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   5 ,  Octo ber   201 9 , pp.  4372 ~4 381   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v9 i 5 . pp4372 - 43 81     4372       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Real - tim e  onlin e f ingerpri nt image  classifi cation   usin g  ad aptive h ybrid t echn iqu es       An n apurn a M ishra 1 ,  Satchi da n anda  D e h uri 2   1 Depa rtment  of Electronics a nd   Com m unic at ion Engi ne eri ng,   Sil i con  Insti tut e   of Tec hno log y ,   Ind ia   2 Depa rtment   of  I nform at ion  and   Com m unic at ion Te chno log y   Faki r  Mohan  Univ er sit y ,   Ind ia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved Fe b 2 1 , 2 01 9   Re vised  A pr 18 , 2 01 9   Accepte d  Apr 30 , 201 9       Thi s  pape r  pre s ent s   thre e  di ffe r ent   h y brid  class ifi c at ion  t ec hniq ues  appl ied   for  the   first  t ime  in  rea l - ti m e  onl ine   fingerprint  c la ss ifi c at ion .   Clas sific at io n   of  onli ne   re al   tim e  finge rprin ts is   a  complex   ta sk   as  it invol v es  ad apt a ti on  and   tuni ng  of  c las sifie r  par amet ers  for   bet t er   cl assifi ca t ion   ac cur acy .   To  a cc om pli sh   the   op ti m al  a dapt a ti on  of   pa ramet ers  of  fun ct ion al   li nk   art if ic i al   n eur a l   net work  (FL AN N)  for  real - ti m e  onl ine  finge rprin t  cl assifi ca t ion,   p rove n  and  established  opt imiz ers,   such  as  Bi ogeogr ap h y   base d  opti m ize r   (BBO),  Gene t ic   a lgori thm  ( GA ),   and  Particle   sw arm   opti m iz er   (PS O)   are  intelligentl y  infused  with   it  to  form   h y br id  cl assifi ers.  The   global  fea tu res  of  the   rea l - t i m e  finge rprint s  are   ext r acte d  usi ng  a  Gabor  fil ter - bank  and  t hen  passed  int o   ada pti v e  h y bri d   cl assifie rs  for   the   desired   cl assifi ca t ion  as  per   the   Henr y   s ystem.  Thre e  h y br id  cl assifi ers,   th e   opti m iz ed   weight   ada pt ed   Bioge ogr aph y  base d  op ti m ized  func ti ona l  link  artificia l   neur al   ne twork  (BBO - FLANN ),   Gene t ic   al go rit hm   base d  func ti on al   lin k   art if ic i al   n eur al  net work  (GA - FLAN N)  and  Parti cle  sw arm  opti m iz e d   func ti on al   li nk  art if ic i al   neur al  net work  (PS O - FLAN N),  are   expl ore d  for   rea l - ti m e  onl ine  finge rprin t  c la ss i fic a ti on,   where   t he  PS O - FLAN N   technique   is  show ing  superior   p erf orm anc e   as  comp are d  to  GA - FLAN N  and    BBO - FLAN N   te chni ques.   Th e  b est  ac cur acy   obs erv ed  b y   the   ap pli c at ion  of   PSO - FLAN N,  is 98%   for   re al - t i m e  onli ne   fing er print   cl assifi cati on.   Ke yw or d s :   BBO   Cl assifi cat ion   Fing e r pr int    FLANN   Henry   S yst em   Copyright   ©   201 9 Instit ute of   Ad v ance d  Engi ne eri ng  and  Sc ie n ce .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Anna pur na  Mi sh ra ,    Dep a rt m ent  of   Ele ct ro nics  and C omm un ic ation   En gin ee rin g ,   Sil ic on   In sti tut e of Tec hnolog y, Sil ic on   Hill s,    Pati a ,  Bh ub a ne swar - 75 1024,   Od is ha, I nd ia .   Em a il :  ann ap urnam ishra1 2@ gm ai l.co m       1.   INTROD U CTION   Fing e r pr int  is  the  uniq ue  patte rn   of  each  a nd  ever y  in div i du al   hum an  being   an d  is  the  m os t   widely   us e d  bi om et ric   authe ntica ti on  subj ect .  For  r ecognit ion  as  well   as  identif ic at ion   of  fi ngerprints,  it   s hould   be   cl assifi ed  into   diff e ren t  patt ern s  cal le d  fi nger pr i nt  cl ass  [1 - 2] .  As  pe r  Henry  syst e m   of   fin ge rprint s,  it   is   div ide d  into  five  ty pes  of   uniqu e  patte r ns   c al le d  Glob al   cl ass  patte rn s   [ 3 ] ,  li ke  two  loop  patte r ns   (Le f t  loo p  and   Ri gh t  lo op ),   on e  w horl,  a nd   t wo   a rc h  pa tt ern s  ( Ar c h  a nd  Te nted  Ar c h)  as  gi ven   i n  F igure  1   [ 4 ].   T he   two  arch   patte rn s  c an  be  c om bin ed  to  be  repres ented  as  on e  c la ss  . W it h  this   com bin at ion   the  total   nu m be r  of   cl asses co ns ide red is 4  classe s  li ke  Left  lo op,  Ri gh t L oop,  Who rl and  Ar c h   [ 5 - 6 ] .       Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Real - ti me o nline fi nger pr int i mage  cl as sif ic ation u sin g adap ti ve  hybri d  t echn i qu e s  ( An napurna  Mi sh r a )   4373       Figure  1.  Five   fin gerpr i nt clas ses of  he nr y sy stem       Fo r  cl assifi cat i on   m any  research e rs  ha ve  dev el op e d  ef fi ci ent  cl assifi ers,   an d  ha ve  te ste d  on  the  avail able  Fin ge rprint  Data ba se  i m ages  li ke  NI S T,  DB,  and   FV C  et c.   S.D e huri  et .a l  [7 ]   has  disc us se d  reg a rd i ng  the   cl assifi cat ion   a ccur acy   of  the   com bin ed   ef f or ts  of  FL A N N  a nd  I PS O,   wh ic h  giv es   ri se  to  a   rob us t  cl assifi e r  interm s  of  it s  arc hitec tural  c om plexity   as  com par ed  t o  M LP,  S VM,   RB F  an d  FS N  m e thods.   B.   Naik  et .al  [ 8]  has  e xp la ine d  the  c om petence  of   HMBO  al gorithm   fo r  m at ing   process   and   s el ect ion   of   best   weig hts for  F L ANN  cl assifi er s.  T.   D ash  et .al  [ 9] h as  discu s sed  re gardi ng   Fu zzy - ML P approac h  f or   non - li near  patte rn   cl assifi cat ion   of  fi ngerprints.  A.   K .   Jai n  et .al  [ 10]   has  disc us s ed  re gardin g  t he  cl assifi cat ion   of  fin gerpr i nt  patte rn s  i nto   5  cl asses  an d  cl assi fied  the  fin gerpr i nts  avail abl e  in  N IS T - 4  da ta base.  He  ac hieve d  about  90 %   acc ur acy   for  five  cl ass  cl assifi cat ion   a nd  94. 8%   accu racy  f or  f our  cl ass   cl assifi cat ion   for  offli ne   database   im ages.  D.   Sim on   [ 11 ]   has   disc usse d  re gardin g  t he  m at he m at ics  f or m ulati on   of  BB O  a nd  ha s  see n  that  it   has   si m il ar  featur es   li ke  GA  a nd  PS O  a nd  ca n  be  a ppli cabl e  to  sim il ar  optim iz at ion   pr ob le m s.   The  acc uracy   of  the  cl assi ficat ion   ca n  be  i m pr ov e d  f urt he r  with  real - tim e  database  i m ages  us i ng  di ff ere nt   hybri d  cl assifi e rs.   In  t his work  w e h av e cla ssifie d  fi ng e r pr ints  of   real t i m e create d  data base a nd   he re w e  b as ic al ly  f ocu s   on   Hyb rid  cl as sifie rs,   c om bin ing   di ff e ren t  optim iz ers  al ong  with  FL A N N  cl assifi er.  Fi rst  we  ha ve  co ll ect ed   the  res ults  of   cl assifi cat ion   al gorithm s  li ke  G A - F LA N N ,  the n  BB O - F LANN  a nd  P SO - FL ANN  a nd  the n  analy zed  the  re su lt s.  A fter  c om par ison ,  it   is  cl ear  that  PSO - FL ANN  is  pr oducin g  best  r esults  as  com par ed  t o  the o t her tw o  a lgorit hm s       2.   PROP OSE D   METHO D   2.1 .    In trod uct ion  to FLA NN a s  a cl as sifie r   Her e  we  ha ve   us ed  t he  trig onom et ric  expansio n  m od el ,   wh e re  eac h  el e m ent  of   the  input  featu re   vecto r  befo re  exp a ns i on   ca n  be  represe nted  as,  I i i r 1 ), ( w her e  ea ch  el e m ent  r( i)   can  be  re pr es ented  as   , 1 , N n i r n   wh e re  N  =  nu m ber   of   e xp a nded  points  for  each  in put  el em ent   [` 12] [ 13] .  I n  our   case,  N=11   and   I=  re pr ese nts  the  total   num ber   of   featu r es  in   the  featu r e  vector   [14 ]. T he  ex pa ns io n  can  be  re present ed  as   [15 - 16 ] ,       (1)     wh e re, d i i r 1 ), ( ,  d   is t he  set o f feat ur e s  in the dat a set.   The n  the   ra ndom   we igh ts  ch ose n  from   the  ra ng e   [ 1 1]  are   m ulti plied  to   the   outp ut  a nd  the n  a dded   t o  pro du ce   the  ac tual  outp ut  of   the  net wor k  as   giv e n  in  F ig ure  2   [ 12] .  F or  com par ison  th e  sp eci fie d  de sired   ou t pu t  is  ta ke n  into  co ns i de rati on   a nd   the   cor res po nd i ng  diff e ren ce  is  the  cal culat ed  error   a nd   is  use d  to   m od ify  the w ei gh t i n  eac h pat h q, w hich  ca n be e xpresse d  a s   [ 17 ] ,     ) ( ) ( k e k xf k W j j   (2)     wh e re,   ) ( k xf j is t he  f un ct io nally  expan de d  in put a t k  th   it erati on.   Fo r   q   num ber   of p at te r ns ,  the  ch a ng e  in wei gh t i s     k W q k W q i i j j 1 1   (3)         Evaluation Warning : The document was created with Spire.PDF for Python.
                IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4 3 7 2   -   4 3 8 1   4374   The wei ght  updation i s  done by,     k W k W k W j j j 1   (4)     Wh e re,   W j ( k)   i s the  j th   weig ht  at  the k th   it erati on.   By   ta kin g  y( k)   as  the  desi red   ou t pu t  of   t he  ne twork ,  an d  ŷ( k)   as  t he  act ual   ou t pu t  of   t he  netw ork,   t he   error e( k) can   be  cal culat e d  a s,     e( k ) =y(k) - ŷ( k )     (5)   Wh e re  k w k xf k y j J j j . ˆ 1   (6)     and xf j   re pr ese nt s the e xp a ns io n of i nput.   Th ough  FL A N N  cl assifi er   is  pro du ci ng   a  ve ry  good  acc ura cy   of   100%   f or  offli ne   data ba se,  but  for  on - li ne  real  ti m e  cl assifi cati on   the  fo ll owi ng   dr a w back s  are  pr e sent.  T he  sta bili zi ng   factor   (µ)   ne e ds   to  be   tun e d  by  the   use r  by  hit  an d  tria l  m et ho d  to   achie ve  acc uracy .  D ue  t o  th e  m anu al   tun i ng  of  the   pa ram et er,  i t   fail s to  cl assify  the  real - ti m e o nline  fin gerpr i nt classi ficat io n.           Figure  2.   T he  st ru ct ur e  of FL A NN cla ssifie r       2.2.     Pr opose d adaptiv e h ybri d  cl as si fica tion tech nique s   In   this  pa per   we  are  us in g  three  hy br i d  cl assifi ers  f or   re al - tim e  on li ne  cl assifi cat ion   and   c om par ed   their  res ults  in  te rm s  of   accur acy   and   e xecu t ion   ti m e.  The  cl assifi ers  are: ( i)  BB O - FL A N N ,  (ii)  G A - F L ANN ,  (iii )  PS O - FLANN .     2.2.1.   BBO - F LAN N   This  is  a  hy br i d  te ch nique   co ns ist ing  of   FLAN N  cl as sifie r  al on g  with  Bi oge ogr aph y  base d  op ti m iz ation   to  opti m iz e  the  diff e re nt  pa ram et ers  of   F LANN  durin g  on li ne  real - t i m e  pr ocessi ng  of  fin gerpr i nts.  B BO has a  pro pe rty  o f  esti m a tin g t he pa ram eter s in  g e ogra phic al  r e gions.   1.   BB O  as  Op ti m iz ed  wei gh t  ad apter   Bi og e ography  Ba sed  O ptim i zat ion   basical l y  fo cu ses  on  sp eci es  distri buti on   within  t he  nei ghbor  isl and s  [ 18 - 19 ],   that  m eans  m at hem atical l y  i t  is  the  descr ipti on   of  sp eci es  m igrati on   f ro m   isl and   to  isl an d  an d  dev el op m ent  of  ne w  sp eci es .   Her e  S IV s  ( Su it abili ty   ind ex  va riables)  i nd ic at e  the  ha bitabil it y  par am et er,   wh e re  as  HS I s  (H a bitat   Sui ta bili ty   In dex)  in dicat es  the   well   su it ed   reside nce  f or  bio lo gical   spe ci es ,   consi der i ng   t he   featur es  li ke   weather  c onditi on,  la nd  area  tem per at ur e  et c   [ 19 ].   In   BB O,   S I Vs  are  ind e pende nt  va riables  of  the  hab it at   an d  HSI  is  the   de pe ndent  va riable.   F or   opti m iz at io n  ta sk,  it   f ollo ws  t he   f ollo wing ste ps:   a.   Mi gr atio n :  He re  the  colle ct ion   of   ca nd i da te   so luti ons  th at   is  po pula ti on  is  represe nted  in  te rm s  of   vecto rs  of   i nteger s   or  S IV s .  The  best  fit  s ol ution s  a re  ta ke n  as  ha bitat s  with  high  H SI   ( S 2 )  an d  le ast   f it  so luti ons  are  c al le d  low  H SI  ( S 1 ) .Th e  par a m et ers  1   and   1   r epr ese nt  the  ra te   of   i m m igrat ion   a nd   e m igrati on   f or   S 1   and   2 an d 2   rep rese nt  the  rat e  of   im m igrati on   a nd  em igra ti on   f or   S 2   res pecti vely .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Real - ti me o nline fi nger pr int i mage  cl as sif ic ation u sin g adap ti ve  hybri d  t echn i qu e s  ( An napurna  Mi sh r a )   4375   The and values   of   eac h  s olu ti on  pr ob a bili sti cal l y  sh are  inf orm ati on   betwee n  hab it at s .     W it h  a  pro ba bili ty m o d P , each sol ution i s fu rther m od i fied.   b.   Mutatio n: The  SI V  m utati on   process  in vo l ve s  the  su dde n  change  in  ha bi ta t’s  HS I  due  to  rand om   even ts.  The  s pecies  c ount  pr ob a bili ti es  are  us e d  t o  dete rm ine  m utati on   rates  [ 18 ].   T he  m utati on   rate  ‘ m’   i s   inv e rsely  prop or ti onal  to  the  so luti on  pro ba bili ty .   2.   BBO -   F LA N N  te chn i qu e   f or fi ng e rprint cla ss ific at ion   This  w ork  us e s  BB O  as  an  op ti m iz er  to  up date  the  weig ht  param et ers  of   F LA N N  cl assifi er.  T he   ste ps   a re:In it ia ll y  a  fixed  nu m ber   of   ha bitat s  are  ge ner at e d,   w her e   each   hab it at   car ries  the  res pecti ve   weig hts  and  bias  of  t he   netw ork.  T he n  the   best  fit  va lue  in  te rm s  of  MSE  is  cal c ul at ed.   He re  t he   goal   is  to  m ini m ize   the  er ror  with  resp ect   t o  the   desire d  a nd  th e  est i m at ed  outpu t  of   t he  cl as sifie r.   S o  t o  sa ti sfy  the  opti m iz at ion   crit eria,  va rio us  operati ons  li ke  I niti al iz at io n  of   ha bitat ,  m igrati on,  a nd  m uta ti on   are   pe rfor m ed  an d  on ce   the   conditi on  is  sat isfie d  it   is  te rm inate d  t o  fi nd  t he  best  s olu ti on  in   te rm s  of  optim iz at ion .Then  th e  netw ork   with   high  fitness  (s olu ti on  param et ers)   are  pass ed  to  the  nex t   gen erati on   an d  rep ea te d  unti l  the  desire d  go al   i s   achieve d  as  g i ven in  F ig ure   3.           Figure  3.   Str uct ur e  of the  pr opos e d  BB O - FL ANN hyb rid  m et hod        2.2.2.   GA - FL ANN   This  is  a  hybri d  te ch nique  c onsist ing  of  FL ANN  cl assifi e r   al ong  with  Ge netic   al gorithm   to  opti m iz e   the  diff e re nt  pa ram et ers  of   FLA N N  du rin g  on li ne  real - ti m e  pr oc essin g  of  fin gerpr i nts.  GA   has  a  property   of  est i m ating  the   par am et ers  with  gen et ic   pro gra m m ing  th r ough  heurist ic  sear ch.     1.   GA as  Op ti m ized   wei ght ada pt er   Gen et ic   Algori thm s  (G As)  is  a  he ur ist ic   sear ch  process  a nd   an  a dap ti ve  al gorithm   based   on  nat ur al   sel ect ion   of  ge netic s.  It  is  a n  intel li ge nt  al gorithm   capabl e  of  s olv in g  op ti m iz ation   pro blem .  It  pro ves  a n  intel li gen t  ra ndom   searc h  to  so lve  optim izati on   pr oble m   [1 3,  20 ]. G As   are  design e d  to  so lve  pro bl e m s  in   natu ral  syst e m s  tho se  fo ll ow  the  pr i nciple  of  “su rv i val  of  f it te st” .  It  is  a  ro bust  sear ch  al gorithm .  Ba sicall y  i t   fo ll ows t he foll ow i ng steps:   a.   Select ion   Op er ato r :  It  is  the  f irst  ste p  in  the  search  process   wh ic h  giv es  prefe ren ce  to  be tt er  cand idate s   and   passe s  the ir  res pecti ve  ge nes  f or  the  ne xt  ge ner at io n.   The  goodnes s  crit eria  m os tly   dep e nd  on  th e   fitness  value  a nd are  d eci ded  by the  obj ect i ve  fun ct io n  [21,  22 ].   b.   Cross over  O pe ra tor :   I n  this  process  tw o  in div id ual  so l ution s  a re  sel ect ed  from   the  whole  popula ti on.   The  stri ng  va lues  of  t he  in div id ual  s olu ti on s   are   exc ha ng e d  by  ra nd om l y  sel ect ing   the   point  of  cro ss over .  Thi s  m at ing   proce ss  create s  tw o  off - s pr i ngs  w hi c h  are  f ur t her  us ed  f or   the  ne xt  ge ner at io n  [13, 2 2 ].   c.   Mutatio n  O per ato r :  T his  proc ess  us es  the  l ow  pro ba bili ty   i nd i vidual  so l ution s  wh e re  the  bits  are  flip pe d  for  m ai ntaining   div er sit y.  S o  m utati on   al ong  with  sel e ct ion   process  com bin ed  to ge ther  m akes  th e   al gorithm  r obust  and  no ise   t oleran t  [17, 2 2 ].       Evaluation Warning : The document was created with Spire.PDF for Python.
                IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4 3 7 2   -   4 3 8 1   4376   2.   GA -   F LA N N  t echn i qu e   f or f i ng e r pr int cl assi ficat ion   This  w ork  use s  GA   as  an   op ti m iz er  to  update  the  weig ht  par am et ers  of   FL A NN   cl assifi er .    The  ste ps   are: In it ia ll y  a  fix ed  nu m ber   of  popula ti on s   a re  ge ne rated,   wh e re  eac h  popula ti on  car ries  the  resp ect ive  w ei gh ts a nd  bias  of the  netw ork . The best fit   value  as M SE is c al culat ed.   Her e  our  i ntensi on is erro r   m ini m iz at ion   with  res pect  to  the  desir ed   and   the  est im at ed  ou tp ut  of   the  cl assifi er.  S o  to  sat isfy  the   op ti m iz ation   crit eria,  var i ou s   op er at ion s  li ke  In it ia li zat ion   of   weig hts,   el itis m   con diti on ,  Muta ti on   an d  Cros s over  are  perform ed  and  on ce  the  co nd it ion   is  sat isfied   it   is  te r m inated   to  fin d  the  best  so luti on  in  te rm s  of   op ti m iz a ti on .T he n  the  net work   with  hi gh  fi tness  ( so l ution   pa ram et ers)   are  pass ed  to   the  nex t  ge ne rati on  and re peated  unti l t he  de sire d g oal is ac hiev ed  as  g i ven in  F ig ure  4.           Figure  4.   Str uc ture of  the  pro po s ed  GA -   FL ANN hyb rid  m et hod       2.2.3.   PSO - FL ANN   This  is  a   hy br i d  te c hn i qu e   co ns ist ing  of   FL ANN  cl assi fier   al ong  with   Pa rtic le   Sw a rm   op tim iz at ion   to  op ti m iz e   the  diff ere nt  pa ra m et ers  of   FLANN  durin g  onli ne  real - tim e  pr oces sin g  of   fi ng e r pr ints .  PS O  has  a  pro per ty  of esti m at ing  the  para m et ers  base d on bi rd s  f l ock i ng or t he natur al  p he nom ena.     PSO  as   Op timi z ed wei gh t  ad ap t er   Partic le   swar m   op ti m iz a ti on   fo ll ows  the  po pu la ti on  ba sed   al go rit hm   that  op ti m iz es  the  obj ect ive   functi on  [12 - 13] .   Her e   the  s olu ti on  is  bas ed  on  par ti cl es  [ 13,  2 3 ], w hich  im it a te s  bir d’ s   fl ock i ng  a nd  ar e   al lowed   to  fly   fr eel y  in  the  search  s pace.  I n  this  process  each  an d  ever y  pa rtic le   are  al lo wed   to  up date  thei r   resp ect ive  po sit ion   an d  ve locit y  fo r  the   whole  popu la ti on .  PS O - F LANN  te ch ni qu e   for  fin ge rprint   cl assifi cat ion .   This  work  use s  PS O  as  a n  optim iz er  to  update  t he  weig ht  pa ram et ers  of  F LA NN   cl assifi er .     The  ste ps   in volved  duri ng   th is  pr oces s  are:  init ia l ly   a   fixed   num ber   of   hab it at s  are  ge ner at e d,   w her e   eac h  hab it at   car ries   the  res pecti ve   weig hts  a nd  bias  of   t he  netw ork. T he  be st  fit  value  i n  te rm s  of   M SE  is  cal culat ed.   He r e  the  goal   is  t o  m ini m iz e  the  error  with   re spe ct   to  the   desir ed  a nd  the   est im at ed  outp ut  of  th e   cl assifi er.T o  sat isfy  the  op ti m iz at ion   crit eria,  var io us   ope rati on s  li ke  I ni ti al iz ation   of   weig hts,  posit ion   a nd  velocit y  updat e,  m e m or y  up da te   are  pe rfo r m ed  an d  once  the  co ndit ion   i s  sat isfie d  it   is  te rm inate d  to  f ind   t he  best  so l utio n  in  te rm s  of   op ti m iz at ion .Th e n  the  net work   wi th  hi gh   fitness  (so l ution  pa ra m et ers)   are  pas sed  to   the n e xt  genera ti on  a nd r e peat ed un ti l t he  d es ired  goal  is ac hi eved  a s  giv e n i n  Fig ure  5 .       Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Real - ti me o nline fi nger pr int i mage  cl as sif ic ation u sin g adap ti ve  hybri d  t echn i qu e s  ( An napurna  Mi sh r a )   4377       Figure  5.   Str uc ture of  the  pro po s ed  PSO -   F LANN  hybri d  m et ho d       3.   RESEA R CH MET HO D   3.1.     G ener at i on   of  re al - time  dat abase   Cl assifi cat ion   of   fi ng e r pr ints   is  basical ly  tested  on   sta nd a rd   data base  e. g.   N IS T  9. But   in  this  wor k  we  hav e   f oc use d  on g ene rati ng  a real  ti m e  database   of f in gerpr i nt  sam ples. H ere   we   ha ve  c ollec te d  a  g r oup  of   50   fi nger pr i nt  sam ple  i m ages  fr om   10   stude nts  of   Sil ic on  I ns ti tute  of   Tec hnology,  Bh ub anes war .  T he  im ages   are cap tu red  th rou gh  f i ng e rpri nt sen s or s and  store d  in a  m e m or y. So  a t ota l of  5 0  fi ng e rpr ints con sist in g  of  all   4  cl asses  of  fin gerpr i nts  or igi nates the  d at a ba se for  fur t her   processi ng task .     3.2.   Feature e xt r ac tion a nd  cl assi ficat i on   usin g  pr oposed  h ybri d t ec hniqu e   The  gro ups  of  fin gerpr i nts  ar e  assigne d  to  a   par ti cular  cl as s  if   the  m ajo rity   detai ls  are  si m il ar  in  bo th   the  sam ples.  In   orde r  to  assi gn   a  par ti cula r   cl ass  to  each  on e  of   t he  fin ge rprints,  her e  t he  featu re  ext r act ion   ste p  is  done   [ 24] .   D uri ng  featur e  ex tract i on the  fo ll owin g  st eps  a re ca rr ie d ou t.   a.   Feat ur e  v ect or  creati on   b.   Norm al iz a ti on   and Se gm entation   of f i ng e r pr i nt im age   c.   Or ie ntati on   fiel d  est im ation   d.   Core p oin t est i m at ion   e.   Ci rcu la r regi on  for m at ion   f.   Me an  a nd V a riance calc ulati on   for  eac h of t he  sector s   g.   Gabo r  filt erin g  by  2 - D  c on vo l ution  f or   0,  45,  90,  135  degrees  a n gles  kee ping  a  c onsta nt  fr e qu e nc y   separ at es  the  de ci sion   boun da ry to i nd ic at e t he  in put cl ass       4.   RESU LT S   A ND  DI SCUS S ION   Sele ct ed  de gr a ded   fin gerpr i nt  i m ages  fr om   t he  create d  a nd   extracte d  re al   tim e   database   are  featu re   extracte d  us i ng  filt er  ba nk  ap proac h  an d  t he   featu re  e xcel  sh eet   is  create d  c on sist in g  of  152  featu res  of  eac h  fin gerpr i nt  im a ge   [1 4 ] .  T he  e xtracted   feat ures   of  50  real - ti m e  on li ne   fin ge rprint  im ages  in  e xcel  f orm at   are   us e d  f or  trai ni ng  an d  te sti ng   of  the  netw ork.   T he  set s  of  featur e   vect or s   are  of   al l  the  cl asses  sta rting  from   cl ass1  to  cl ass 4.Here  cl ass 4  ( arch)  an d  cl ass 5  (tente d   arc h)  j oin tl y  represe nt  cl a ss4 .  Eac h  cl ass  is  rep res ented  in  the  excel  she et   in  te r m s   of  fo ur  valu es  i.e.( - 1, - 0.33,0.3 3,1)   to  re pr es e nt  the  four   cl asses  resp ect ive ly .  It  is   te ste d  f or   bette r  pe rfo rm ance  for  diff e re nt  it erati on   le ve ls  li ke  500,  1000,  20 00,  30 00,  50 00  an d  10, 00 0  resp e ct ively .  T he  te st c onfusion m at rix  and the  best c os t g r aph are  co ll ect ed fo r  a naly sis pur po se .   Fr om   Table  1  it   is  cl ear  that  FLANN   cl assifi er  is  pr oduci ng   100%   accu racy  as  sho wn  in  Fig ur e   6,   con i der i ng   the   ang le   featu re s  and   al so   f or   total   featur e  vecto r  in  64. 16  seco nds  by  ta kin g  the  sta bili zi ng   factor(µ)  w it h a value  of 0.0 005.T he  sta bili zi ng   facto r( µ )  is a par am et er which  is t un e d  i n  hit a nd  t rail  m et hod  in  our   cl assifi c at ion   process .  So   her e   the  t unin g  of   sta bili zi ng   facto r  (µ )   is  done   ra ndom ly   and   m an ually   to   i m pr ove  the   a ccur acy   w hich   will   create   prob le m   in  real  tim e  on - li ne   a naly sis.For  sel ect ing   t he  sta bi li zi ng   par am et er in  a n  a dap ti ve  pr oc ess, the  h y br i d  cl assifi er s are  u se d.         Evaluation Warning : The document was created with Spire.PDF for Python.
                IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4 3 7 2   -   4 3 8 1   4378   Table  1.   Cl assi ficat ion  acc ura cy  an d t i m e d urat ion o f  F LA NN ( for of fli ne  i m ages)   Sl.  No .   Stab ilizin g   Para m eter (µ)   Selecte d  Fe atu re  V ector   Maxi m u m  I te ratio n   Clas sif icatio n   Accurac y  ( %)   Ti m e  Duratio n   (in Seco n d s)   1   0 .5   Total f eatu re  v ecto r   500   22   8 1 .3   1000   26   1 7 6 .08   2   0 .05   Total f eatu re  v ecto r   500   30   6 7 .68   1000   30   1 3 3 .48   3   0 .00 5   Total f eatu re  v ecto r   500   66   6 8 .09   1000   62   1 3 3 .11   4   0 .00 0 5   0  deg ree   500   100   2 1 .12   4 5  deg ree   500   100   2 1 .25   9 0  deg ree   500   100   2 1 .34   1 3 5  deg ree   500   100   1 9 .3   Total f eatu re  v ecto r   500   100   6 4 .16           Figure   6.   Th e  C onfusion  m at rix for  total   feature  vec tor   in   FLAN N (for  offl ine databa se)       T a b l e   2   s h o w s   t h e   r e s ul t s   o f   B B O - F L A N N   c l a s s i f i c a t i o n .   I t   i s   p r o d u c i n g   a n   m a xi m um   a c c u r a c y   o f   8 2 %   f o r   9 0   d e g r e e   f e a t u r e   v e c t o r   w i t h   a   b e s t c o s t   v a l u e   o f   0 . 0 7 2 7   i n   8 9 1 . 7 9   s e c o n d s   a n d   6 8 %   a c c u r a c y   c o n s i d e r i n g   t h e   t o t a l   f e a t u r e   v e c t o r   w i t h   a   b e s t c o s t   v a l u e   o f   0 . 1 3 9 5 5   i n   3 . 5 6 5 7 e + 0 4   s e c o n d s . A l t h o u g h   t h i s   h y b r i d   a l g o r i t hm   i s   p r o d u c i n g   g o o d   r e s u l t s   o f   8 2 %   f o r   o n l i n e   f i n g e r p r i n t s   i n   r e a l   t i m e   p l a t f o r m ,   b u t   t h e   e x e c u t i o n   t i m e   i s   v e r y   h i g h .   Table  3  sho w s  the  resu lt s  of  GA - FL A NN  cl assifi cat ion .   It  is  pr oduci ng   a n  m axi m u m   acc ur acy   of  10 0%   fo r  90  de gr ee    f e a t u r e   vector   with  a  bestcos t  value  of  0.0 087  i n  143.9  se cond s   and   94% acc uracy  co ns i der i ng the total fe at ur e  vecto r wit h a bestcost  val ue  of  0.098 15  i n  1 .20 7e+03 se conds .   As  pe r  the  re s ult ,  the  al gorithm   is  ro bu st  e nough  for  cl as sific at ion   of  di ff e ren t  an gula r   featur es  as  we ll   as  fo r  total   featu re  ve ct or .       Table  2 .  Cl assi ficat ion  acc ura cy , b est  c os t a nd ti m e d ur at io n o f  BB O - FL A NN ( for on li ne  i m ages)   Sl.  No .   Selecte d  Fe atu re   Vector   Maxi m u m   Gen eration   Bes t Co st    v alu e   Clas sif icatio n     Accurac y   (%)   Ti m e  Duratio n   (in Seco n d s)   1   0  deg ree   2000   0 .11 6 3 5   74   9 5 3 .91   2   4 5  deg ree   1 0 ,00 0   0 .08 9 6 3   80   4 .93 9 7 e+0 4   3   9 0  deg ree   2000   0 .07 2 7   82   8 9 1 .79   4   1 3 5  deg ree   1 0 ,00 0   0 .10 7 4 6   76   2 .39 2 3 e+0 4   5   Total f eatu re  v ecto r   1 0 ,00 0   0 .13 9 5 5   68   3 .56 5 7 e+0 4       Table  3 .  Cl assi ficat ion  acc ura cy , b est  c os t a nd ti m e d ur at io n of GA - FLAN N  ( f or   onli ne  i m ages)   Sl.  No .   Selecte d  Fe atu re     Vector   Maxi m u m     Gen eration   Bes t Co st    v alu e   Clas sif icatio n     Accurac y  ( %)   Ti m e  Duratio n   (in Seco n d s)   1   0  deg ree   1 0 ,00 0   0 .10 7 2 2   94   3 3 1 .13   2   4 5  deg ree   2 0 ,00 0   0 .18 7 0 5   90   6 9 7 .82   3   9 0  deg ree   5000   0 .00 8 7   100   1 4 3 .9   4   1 3 5  deg ree   1 0 ,00 0   0 .02 6 9   94   2 2 8 .96   5   Total f eatu re  v ecto r   1 0 ,00 0   0 .09 8 1 5   94   1 .20 7 e+0 3   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Real - ti me o nline fi nger pr int i mage  cl as sif ic ation u sin g adap ti ve  hybri d  t echn i qu e s  ( An napurna  Mi sh r a )   4379   Table  4  sho ws   the  resu lt s  of   PSO - FL A NN   cl assifi cat ion .  It  is  pr oduci ng  an  m axi m u m   accuracy  of  100%  for  45  degree    feat ure  vecto r  with  a  bestcost  value  of  0.0 17  in   73.47  sec onds  and   98%  ac cur acy   consi der i ng  th e  total   feat ur e   vecto r  with   a   bestc os t  valu e  of  0.022  i n  146.6 5  sec onds.  As  per  the  resu lt s ,     the  al gorithm   i s  producin g  be st  resu lt s  as  co m par ed  to  BB O - F LA N N  an d  G A - FLAN N ,  and   t he  sta bi li zi ng   par am et er  is  s el ect ed  and   optim iz ed  automa ti cal ly ,  wh ic h  m akes  it   eff ect ive  fo r  real  tim e  on li ne  database .   Durin g  the   fea ture  e xtracti on   sta ge  a  152  di m ension al   feat ur e  vecto r  is  extracte d  by  col le ct ively   con sideri ng  four   a ngle   or ie ntati on s  (0,  45,   90   a nd   135  de gr ees )  res pecti vely .  Her e  eac h  an gle  ori enta ti on   vect or   pro vid es   38  no.   of  featu res  a nd  fin al ly   it   form s  15 2  f e at ur es  f or   t he   w ho le   fin gerp rint.  T he  a ngul ar  feat ur e   vect or   is   te ste d  in  the  ne twork  for  (0,   45,  90   a nd  135  de gr ee s)  re sp ect ively   an d  finall y  the  w ho le   featu re  ve ct or   is   te ste d  f or   acc uracy .  From   the  ou t pu t  gr a ph  a s  show n  i n  Fig ur e  7,   it   is  cl ea r  that  by  pro vid in g  the  t otal  f eat ur e   vecto r  as  input  to  the  networ k,   it   is  pr ovidi ng   best  cl assifi cat ion   accu rac y  of   98%  in  P SO - FL ANN  al gorithm   wh e re  as  it   is  94%  in  GA - F LANN  al gorit hm ,  wh ic h  sho ws  that  PSO - F LANN  is  ref le ct ing   bette r  res ults  as   com par ed  t o G A - F LA N N . T he  b est  c os t  gr a ph s  a nd the c onf u sio n  m at rix are s how n  in  th e Fig ur e   7.       Table  4 .  Cl assi ficat ion  acc ura cy , b est  c os t a nd ti m e d ur at io n o f  PS O - FL ANN  ( f or   onli ne  i m ages)   Sl.  No .   Selecte d  Fe atu re     Vector   Maxi m u m     Gen eration   Bes t Co st    v alu e   Clas sif icatio n     Accurac y  ( %)   Ti m e  Duratio n   (in Seco n d s)   1   0  deg ree   500   0 .01 5   98   8 5 .64   2   4 5  deg ree   500   0 .01 7   100   7 3 .47   3   9 0  deg ree   500   0 .03 6   92   7 1 .9   4   1 3 5  deg ree   500   0 .02 3   96   7 2 .82   5   Total f eatu re  v ecto r   500   0 .02 2   98   1 4 6 .65         (a)         (b)       (c)         (d)     Figure  7.  The   Confus i on m atr ix a nd  best cost  g ra ph  for  tot al  f eat ure  vector ,   (a )  c onf us io n  m at rix  of PS O - FLANN  for t ot al  f eat ure  vector com bin in g  a ll  an gle  featu re  v ect ors,   ( b) b e st cost  gr a ph  of PS O - F LA N N  for  total   featu r e v ect or c om bin in g  al l an gl e  f eat ur e  vecto rs,   (c)  c onf us io n m at rix  of GA - FLANN  for t ot al   featur e  v e ct or  com bin ing   al l ang le   featu re  ve ct or s,   ( d)   bes t cost  gr a ph of  GA - FL A NN f or total  f eat ur e  vecto r  c om bin ing al l an gle f ea ture vect ors   Evaluation Warning : The document was created with Spire.PDF for Python.
                IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober  20 19  :   4 3 7 2   -   4 3 8 1   4380     (e)     (f)     Figure  7.  The   Confus i on m atr ix  a nd  best cost  g ra ph  for  tot al  f eat ure  vector ,   (e )  c onf us io n  m at rix  of BB O - FLANN  for t ot al  f eat ure  vector com bin in g  a ll  an gle  featu re  v ect ors,   ( f) b e st cost  gr a ph  of BB O - F LA N N  for   total  f eat ure  ve ct or  c om b ining  al l ang le  f eat ure  vectors       5.   CONCL US I O N   In   this   pa per ,  t he  cl assifi cat io n  of  real - ti m e  fin gerpr i nts  into  f our  br oad   c la sses  by  ada pt ive  hybr i d  cl assifi ers  is  s uccess fu ll y  car ried  ou t.   D ur i ng  feat ur e   extra ct ion   the   Ga bo r  filt er  bank  pl ay s  a  m ajo r  r ol e  for  extracti ng  the  vital   featur es  of   sig nifica nce   fo r  the  resp ec ti ve  fing e rprint s.  In   the  feature   extracti on   st age  a   152  dim ensional   featur e  vector   is  e xtracted  for  the  whole  f ing e rprint,  by  colle ct ively   con side rin g  f our  ang le s   of   ori entat ions   su c h  as  0,   45 ,  90  a nd  13 5  degrees,   w her e   each  a ngle   or ie ntati on   vecto r  pr ov i des  38   no.  of  featur e s.  T he  angular  f eat ur e  vecto rs  f or   0,   45,  90  a nd   135  degrees  as  wel l  as  the  total   featur e  vect or   a r e  us ed   in  the  ada ptive   hybr i d  cl assifi ers  f or   te sti ng  cl assifi cat ion   a ccur acy . Her e ,  un li ke  FLAN N ,  w her e  the  t uning   of   sta bil iz ing   fact or   (µ)   is  done  rand om l y  and   m anu al ly   by  hi t  and   tria l,  to  i m pr ov e  it s  cl assifi cat ion     acc ur acy ,   wh ic h  is  no t  po s sible  in  re al   tim e  on   li ne  pr oce ss,  the   adap ti ve  hy b rid  cl assifi ers   li ke  BB O - FL ANN,   GA - FL A NN   a nd  PS O - FLANN  a re  desig ned  an d  te ste d  f or   cl assifi c at i on   acc ur acy .  As  pe r  the  resu lt ,   the  PS O - FL A NN  te ch nique  is  pro du ci ng  th e  m axi m u m   ac cur acy   of  10 0%   f or  45  de gr e e  featu re  vecto r  wit h  a   bestcost  value   of  0.0 17  a nd  98%  acc ur acy   c on si der i ng  the  total   featu re  ve ct or   with  a   bes tc os t  val ue  of  0.022,   wh ic h  is  the   be st  cl assifi cat ion   acc ur acy   as   c om par ed  t o  B BO - FL A NN  a nd  G A - FL ANN.   Her e   the  sta bili zi ng  par am et er  (µ)  is  ada pted  a nd  opti m iz ed  autom at ic ally,   w hich  m akes  it   eff ect ive  f or   real  ti m e  on li ne   fin gerpr i nt clas sific at ion .       ACKN OWLE DGE MENTS   The  first  a uthor   w ould  li ke   to  t hank   the   te ch nical   sup port  of  De pa r t m ent  of  I nform at ion   an d  Com m un ic at io n  Tec hnol og y,   Fakir  Mo han  Un i ver sit y,Vya saViha r,  Bal as or e .       REFERE NCE S   [1]   W .   B i a n ,   D .   X u ,   Q .   L i ,   Y .   C h e n g ,   B .   J i e   a n d   X .   D i n g ,   " A   S u r v e y   o f   t h e   M e t h o d s   o n   F i n g e r p r i n t   O r i e n t a t i o n   F i e l d   E s t i m a t i o n , "   i n   I E E E   A c c e s s ,   v o l .   7 ,   p p .   3 2 6 4 4 - 3 2 6 6 3 ,   2 0 1 9 .   [2]   D .   E .   H a m d i ,   I .   E l o u e d i ,   A .   F a t h a l l a h ,   M .   K .   N g u y u e n   a n d   A .   H a m o u d a ,   " C o m b i n i n g   F i n g e r p r i n t s   a n d   t h e i r   R a d o n   T r a n s f o r m   a s   I n p u t   t o   D e e p   L e a r n i n g   f o r   a   F i n g e r p r i n t   C l a s s i f i c a t i o n   T a s k , "   2 0 1 8   1 5 t h   I n t e r n a t i o n a l   C o n f e r e n c e   o n   C o n t r o l ,   A u t o m a t i o n ,   R o b o t i c s   a n d   V i s i o n   ( I C A R C V ) ,   S i n g a p o r e ,   p p .   1 4 4 8 - 1 4 5 3 ,   2 0 1 8 .   [3]   P a r k ,   C . H .   a n d   P a r k ,   H . ,   “ F i n g e r p r i n t   c l a s s i f i c a t i o n   u s i n g   f a s t   F o u r i e r   t r a n s f o r m   a n d   n o n l i n e a r   d i s c r i m i n a n t   a n a l y s i s , ”   P a t t e r n   R e c o g n i t i o n ,   p p . 4 9 5 - 5 0 3 ,   2 0 0 5 .   [4]   L i ,   J u n ,   W e i - Y u n   Y a u ,   a n d   H a n   W a n g ,   " C o m b i n i n g   s i n g u l a r   p o i n t s   a n d   o r i e n t a t i o n   i m a g e   i n f o r m a t i o n   f o r   f i n g e r p r i n t   c l a s s i f i c a t i o n , "   P a t t e r n   R e c o g n i t i o n   4 1 ,   3 5 3 - 3 6 6 ,   2 0 0 8 .   [5]   R a t h a ,   N a l i n i ,   a n d   R u u d   B o l l e   e d s ,   “ A u t o m a t i c   f i n g e r p r i n t   r e c o g n i t i o n   s y s t e m s ,”   S p r i n g e r   S c i e n c e   &   B u s i n e s s   M e d i a ,   2 0 0 3 .   [6]   T a n ,   X . ,   B h a n u ,   B .   a n d   L i n ,   Y . ,   “ F i n g e r p r i n t   c l a s s i f i c a t i o n   b a s e d   o n   l e a r n e d   f e a t u r e s , ”   I E E E   T r a n s a c t i o n s   o n   S y s t e m s ,   M a n ,   a n d   C y b e r n e t i c s ,   P a r t   C   ( A p p l i c a t i o n s   a n d   R e v i e w s ) ,  p p . 2 8 7 - 3 0 0 ,   2 0 0 5 .   [7]     D e h u r i ,   S a t c h i d a n a n d a ,   R a h u l   R o y ,   S u n g - B a e   C h o ,   a n d   A s h i s h   G h o s h ,   " A n   i m p r o v e d   s w a r m   o p t i m i z e d   f u n c t i o n a l   l i n k   a r t i f i c i a l   n e u r a l   n e t w o r k   ( I S O - F L A N N )   f o r   c l a s s i f i c a t i o n , "   J o u r n a l   o f   S y s t e m s   a n d   S o f t w a r e   8 5 ,   n o .   6 ,   1 3 3 3 - 1 3 4 5 ,   2 0 1 2 .   [8]   N a i k ,   B i g h n a r a j ,   J a n m e n j o y   N a y a k ,   a n d   H .   S .   B e h e r a ,   " A   h o n e y   b e e   m a t i n g   o p t i m i z a t i o n   b a s e d   g r a d i e n t   d e s c e n t   l e a r n i n g – F L A N N   ( H B M O - G D L - F L A N N )   f o r   C l a s s i f i c a t i o n , "   I n   E m e r g i n g   I C T   f o r   B r i d g i n g   t h e   F u t u r e - P r o c e e d i n g s   o f   t h e   4 9 t h   A n n u a l   C o n v e n t i o n   o f   t h e   C o m p u t e r   S o c i e t y   o f   I n d i a   C S I   V o l .   2 ,   p p .   2 1 1 - 220 ,   2 0 1 5 .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Real - ti me o nline fi nger pr int i mage  cl as sif ic ation u sin g adap ti ve  hybri d  t echn i qu e s  ( An napurna  Mi sh r a )   4381   [9]   D a s h ,   T i r t h a r a j ,   S a n j i b   K u m a r   N a y a k ,   a n d   H .   S .   B e h e r a ,   " H y b r i d   g r a v i t a t i o n a l   s e a r c h   a n d   p a r t i c l e   s w a r m   b a s e d   f u z z y   M L P   f o r   m e d i c a l   d a t a   c l a s s i f i c a t i o n , "   I n   C o m p u t a t i o n a l   I n t e l l i g e n c e   i n   D a t a   M i n i n g - V o l u m e   1 ,   p p .   35 - 43 ,   S p r i n g e r ,     N e w   D e l h i ,   2 0 1 5 .   [10]   J a i n ,   A n i l   K . ,   S a l i l   P r a b h a k a r ,   a n d   L i n   H o n g ,   " A   m u l t i c h a n n e l   a p p r o a c h   t o   f i n g e r p r i n t   c l a s s i f i c a t i o n , "   I E E E   t r a n s a c t i o n s   o n   p a t t e r n   a n a l y s i s   a n d   m a c h i n e   i n t e l l i g e n c e   2 1 ,   n o .   4 ,   3 4 8 - 3 5 9 ,   1 9 9 9 .   [11]   S i m o n ,   D . ,   “ B i o g e o g r a p h y - b a s e d   o p t i m i z a t i o n ,”   I E E E   t r a n s a c t i o n s   o n   e v o l u t i o n a r y   c o m p u t a t i o n ,   p p . 7 0 2 - 7 1 3 ,   2 0 0 8 .   [12]   D e h u r i ,   S . ,   R o y ,   R . ,   C h o ,   S . B .   a n d   G h o s h ,   A . ,   “ A n   i m p r o v e d   s w a r m   o p t i m i z e d   f u n c t i o n a l   l i n k   a r t i f i c i a l   n e u r a l   n e t w o r k   ( I S O - F L A N N )   f o r   c l a s s i f i c a t i o n ,”  J o u r n a l   o f   S y s t e m s   a n d   S o f t w a r e ,   p p . 1 3 3 3 - 1 3 4 5 ,   2 0 1 2 .   [13]   J u a n g ,   C . F . ,   “ A   h y b r i d   o f   g e n e t i c   a l g o r i t h m   a n d   p a r t i c l e   s w a r m   o p t i m i z a t i o n   f o r   r e c u r r e n t   n e t w o r k   d e s i g n ,”     I E E E   T r a n s a c t i o n s   o n   S y s t e m s ,   M a n ,   a n d   C y b e r n e t i c s ,   P a r t   B   ( C y b e r n e t i c s ) ,   p p . 9 9 7 - 1 0 0 6 ,   2 0 0 4 .     [14]   C h o ,   M . Y .   a n d   H o a n g ,   T . T . ,   “ F e a t u r e   s e l e c t i o n   a n d   p a r a m e t e r s   o p t i m i z a t i o n   o f   s v m   u s i n g   p a r t i c l e   s w a r m   o p t i m i z a t i o n   f o r   f a u l t   c l a s s i f i c a t i o n   i n   p o w e r   d i s t r i b u t i o n   s y s t e m s ,”   C o m p u t a t i o n a l   i n t e l l i g e n c e   a n d   n e u r o s c i e n c e ,   2 0 1 7 .   [15]   P a t r a ,   J . C . ,   P a l ,   R . N . ,   C h a t t e r j i ,   B . N .   a n d   P a n d a ,   G . ,   “ I d e n t i f i c a t i o n   o f   n o n l i n e a r   d y n a m i c   s y s t e m s   u s i n g   f u n c t i o n a l   l i n k   a r t i f i c i a l   n e u r a l   n e t w o r k s , ”   I E E E   t r a n s a c t i o n s   o n   s y s t e m s ,   m a n ,   a n d   c y b e r n e t i c s ,   p a r t   b   ( c y b e r n e t i c s ) ,   p p . 2 5 4 - 2 6 2 ,   1 9 9 9 .   [16]   K u m a r ,   P . S .   a n d   V a l a r m a t h y ,   S . ,   “ M a r c h .   D e v e l o p m e n t   o f   a   n o v e l   a l g o r i t h m   f o r   S V M B D T   f i n g e r p r i n t   c l a s s i f i e r   b a s e d   o n   c l u s t e r i n g   a p p r o a c h ,”   In   I E E E - I n t e r n a t i o n a l   C o n f e r e n c e   O n   A d v a n c e s   I n   E n g i n e e r i n g ,   S c i e n c e   A n d   M a n a g e m e n t   ( I C A E S M - 2 0 1 2 ) ,   p p .   2 5 6 - 2 6 1 ,   2 0 1 2 .   [17]   J a v e d ,   S .   a n d   U s m a n ,   A . ,   “ C o m p u t e r i z e d   s y s t e m   f o r   f i n g e r p r i n t   c l a s s i f i c a t i o n   u s i n g   s i n g u l a r   p o i n t s ,”   In   2 0 1 1   I E E E   1 4 t h   I n t e r n a t i o n a l   M u l t i t o p i c   C o n f e r e n c e ,   p p .   9 6 - 1 0 1 ,   D e c e m b e r   2 0 1 1 .   [18]   B h a t t a c h a r y a ,   A .   a n d   C h a t t o p a d h y a y ,   P . K . ,   “ H y b r i d   d i f f e r e n t i a l   e v o l u t i o n   w i t h   b i o g e o g r a p h y - b a s e d   o p t i m i z a t i o n   f o r   s o l u t i o n   o f   e c o n o m i c   l o a d   d i s p a t c h ,”   I E E E   t r a n s a c t i o n s   o n   p o w e r   s y s t e m s ,   p p . 1 9 5 5 - 1 9 6 4 ,   2 0 1 0 .   [19]   D e h u r i ,   S . ,   M i s h r a ,   B . B .   a n d   C h o ,   S . B . ,   “ G e n e t i c   f e a t u r e   s e l e c t i o n   f o r   o p t i m a l   f u n c t i o n a l   l i n k   a r t i f i c i a l   n e u r a l   n e t w o r k   i n   c l a s s i f i c a t i o n , ”   In   I n t e r n a t i o n a l   C o n f e r e n c e   o n   I n t e l l i g e n t   D a t a   E n g i n e e r i n g   a n d   A u t o m a t e d   L e a r n i n g ,   p p .   1 5 6 - 163 .  S p r i n g e r ,   B e r l i n ,   H e i d e l b e r g ,   N o v e m b e r ,   2 0 0 8 .   [20]   S i r i w a r d e n e ,   N . R .   a n d   P e r e r a ,   B . J . C . ,   “ S e l e c t i o n   o f   g e n e t i c   a l g o r i t h m   o p e r a t o r s   f o r   u r b a n   d r a i n a g e   m o d e l   p a r a m e t e r   o p t i m i s a t i o n , ”   M a t h e m a t i c a l   a n d   C o m p u t e r   M o d e l l i n g ,   44 (5 - 6 ) ,   p p . 4 1 5 - 4 2 9 ,   2 0 0 6 .   [21]   J o h n s o n ,   J . M .   a n d   R a h m a t - S a m i i ,   Y . ,   1 9 9 4 ,   “ G e n e t i c   a l g o r i t h m   o p t i m i z a t i o n   a n d   i t s   a p p l i c a t i o n   t o   a n t e n n a   d e s i g n , ”   In   P r o c e e d i n g s   o f   I E E E   A n t e n n a s   a n d   P r o p a g a t i o n   S o c i e t y   I n t e r n a t i o n a l   S y m p o s i u m   a n d   U R S I   N a t i o n a l   R a d i o   S c i e n c e   M e e t i n g ,  V o l .   1 ,   p p .   3 2 6 - 3 2 9 ,     I E E E . ,   J u n e   1 9 9 4 .   [22]   S i m o n ,   D . ,   “ B i o g e o g r a p h y - b a s e d   o p t i m i z a t i o n , ”   I E E E   t r a n s a c t i o n s   o n   e v o l u t i o n a r y   c o m p u t a t i o n ,   p p . 7 0 2 - 7 1 3 ,   2 0 0 8 .   [23]   G u o ,   Y . H .   a n d   H u a n g ,   C . L . ,   “ F u n c t i o n a l   l i n k   a r t i f i c i a l   n e u r a l   n e t w o r k s   f i l t e r   f o r   G a u s s i a n   n o i s e ,”   In   A p p l i e d   M e c h a n i c s   a n d   M a t e r i a l s ,   V o l .   3 4 7 ,   p p .   2 5 8 0 - 2 5 8 5 ,   2 0 1 3 .   [24]   J a i n ,   A . K . ,   P r a b h a k a r ,   S .   a n d   H o n g ,   L . ,   “ A   m u l t i c h a n n e l   a p p r o a c h   t o   f i n g e r p r i n t   c l a s s i f i c a t i o n , ”   I E E E   t r a n s a c t i o n s   o n   p a t t e r n   a n a l y s i s   a n d   m a c h i n e   i n t e l l i g e n c e ,   p p .   3 4 8 - 3 5 9 ,   1 9 9 9 .   Evaluation Warning : The document was created with Spire.PDF for Python.