In this work, intelligent algorithms designed on embedded hardware for signature recognition is presented. Feed forward Conic Section Function Neural Network (CSFNN) and Differential Evaluation Algorithm (DEA) are implemented on the Field Programmable Gate Arrays (FPGAs). Unified robust classifier CSFNN is applied on the preprocessed signatures for recognition purpose. DEA is used for training CSFNN in order to overcome local minimum problems. The implemented CSFNN on FPGA has the characteristics of flexible adaptable size providing various datasets. The CSFNN implementation on FPGA is realized using the 16-bit floating point arithmetic IEEE 754-2008 standard. The proposed on-chip CSFNN based signature recognition system described in VHDL has been implemented and evaluated on a high–end Virtex 7 -VC707 platform. The intelligent system embedded on FPGA is approximately 105 times faster than its equivalent software implementation.

Bu çalışmada, imza tanıma işlemi için akıllı algoritmaların gömülü donanım üzerinde tasarımı sunulmuştur. İleri beslemeli Konik Kesit Fonksiyonlu Sinir Ağları (CSFNN) ve Diferansiyel Gelişim Algoritması (DEA), Sahada Programlanabilir Kapı Dizileri (FPGA) üzerinde gerçeklenmiştir. Birleştirilmiş ağ yapısına ve başarılı sınıflama performansına sahip CSFNN, tanıma amaçlı ön işlemlerden geçirilmiş imza verilerine uygulanmıştır. DEA, CSFNN’in eğitimi esnasında local minimum problemlerinin üstesinden gelebilmek amacıyla kullanılmıştır. FPGA üzerinde gerçeklenen CSFNN, çeşitli veri tabanlarının uygulanmasını sağlamak üzere esnek uyarlanabilir boyutlu bir karakteristiğe sahiptir. 16 bit kayan noktalı aritmetik kullanılarak IEEE 754-2008 standartında FPGA üzerinde CSFNN gerçeklenmiştir. Önerilen CSFNN tabanlı imza tanıma sistemi, çip üzerinde VHDL Donanım Tanımlama dili kullanılarak tanımlanmış, yüksek seviye Virtex 7 -VC707 platformu üzerinde çalıştırılmıştır. FPGA üzerinde oluşturulan Akıllı Sistem, karşılık düşen yazılım uygulamasına göre yaklaşık olarak 105 kat daha hızlı yanıt vermektedir.