امضاء یکی از اساسی ترین ارکان دنیای مجازی می باشد. از این رو ابداع روش هایی جهت تشخیص نمونه های جعلی امضا همواره مورد توجه محققین بوده است. در میان روش های مختلف موجود، دسته بندهای تک کلاسی به دلیل دقت بالا به عنوان گزینه مناسبی در حل مسأله تشخیص امضاء مطرح می شوند. اما یکی از معضلات موجود در این روش ها، حضور نمونه های پرت در داده های آموزش است.در روش پیشنهادی FCSVDD نشان می دهیم با فازی نمودن قیود موجود در روش SVDD استاندارد می توان این مشکل مطرح شده را نیز برطرف نمود. برای بررسی این مسئله ابتدا ویژگی های مناسبی از نمونه های نرمال امضا استخراج شده و جهت تعلیم به دسته بندهای تک کلاسی (SVDD ,FCSVDD) ارائه شده است. مزیت اصلی این روش ها عدم نیاز به نمونه های جعلی امضا در فرآیند آموزش است. هر دو الگوریتم تمام امضاء های جعلی را بدرستی شناسایی می کند.در الگوریتم SVDD امضا ها با دقت 95 درصد دسته بندی شده است. الگوریتم FCSVDD در مقایسه با الگوریتم SVDD میانگین دقت الگوریتم (CA) 2.4 درصد را افزایش می دهد. Manuscript profile