Создание новых нейросетевых дифференциальных аналогов
статистических критериев для оценки малых обучающих биометрических
выборок преобразователей биометрия-код
ВВЕДЕНИЕ 3
1. Анализ обработки данных в системе высоконадежной биометрико -
нейросетевой аутентификации 8
2. Создание дифференциальных аналогов статистических критериев для
анализа малых выборок 10
3. Алгоритм создания новых нейросетевых дифференциальных аналогов статистических критериев Гири и их совместное использование для оценки
малых биометрических выборок 16
ЗАКЛЮЧЕНИЕ 21
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 22
Цифровизация в России послужила одним из многочисленных импульсов к становлению общества как современной информационной структуры, однако этот процесс повлёк за собой возникновение ряда проблем. Одной из них стала удаленное подтверждение личности пользователем. Данную проблему позволяет решать высоконадежная биометрическая аутентификация [1].
Основные сферы применения биометрии: госуслуги, телекоммуникационные сервисы, транспорт, финансовый сектор, розничная продажа товаров и услуг, образование, здравоохранение, миграционный контроль, разграничение доступа на объекты. Наиболее используемые биометрические технологии: двух- и трехмерный рисунок лица; рисунки отпечатков пальцев и ладони; рисунки вен; рукописные и голосовые слова (фразы)-пароли; рисунки радужной оболочки глаза.
При современном уровне развития интеллектуальных информационных систем и использовании искусственного интеллекта в биометрических системах актуальными становятся вопросы системного анализа, управления, совершенствования существующих и разработка новых алгоритмов обработки данных. Наряду с положительной динамикой, одновременно усиливаются и риски возникновения зависимости от некачественных решений в области искусственного интеллекта, в том числе и используемых в биометрических системах аутентификации.
Наиболее сложной задачей, которая остается нерешенной в настоящее время является высокодостоверная статистическая обработка входных данных малых обучающих выборок. Непосредственно она несет в себе информацию, влияющую на то, как хорошо будет обучен нейросетевой преобразователь биометрия-код (НПБК). [2].
Известно, что для качественного обучения НПБК требуются обучающие выборки размером от 20 до 30 примеров образа «Свой» максимально похожих друг на друга, что создает у пользователя определенные трудности при их вводе в реальных условиях эксплуатации средства аутентификации. По причине ограниченных возможностей линейных нейронов, обученных согласно алгоритму ГОСТ Р 52633.5-2011, в виде их практически нулевой эффективности в обогащении, подаваемых на вход биометрических данных, имеющих математическое ожидание (МО), стремящиеся к нулевому значению, сокращение объёма обучающей выборки до меньшего числа затруднительно [3].
Наиболее распространенный критерий 20 века - хи-квадрат - изначально был предназначен для статистической оценки качества выборок, содержащих 200 и более примеров, но, как показывают результаты тестирования 1111БК, его применение совершенно не целесообразно на выборках, насчитывающих до 30 примеров, так как он дает существенные погрешности (Р]=Р2=РЕЕ=0.330') [2].
Наличие объективного противоречия между современными требованиями по высоконадежной биометрической аутентификации и возможностями критерия хи-квадрат для статистической обработки малых выборок биометрических данных, необходимой для определения в обучающей выборе грубых ошибок по критерию нормальности собранных данных, позволило сформулировать научную задачу, состоящую в системном анализе системы высоконадежной биометрико-нейросетевой аутентификации и статистических критериев, используемых при оценке данных малых биометрических выборок, разработке аппарата интеллектуальной статистической обработки данных в исследуемой системе.
Объект исследования-система высоконадежной биометрико-нейросетевой аутентификации.
Предмет исследования-алгоритм интеллектуальной обработки информации при статистической оценке малых выборок биометрических данных, необходимых для обучения и тестирования НПБК.
Цель научно-квалификационной работы состоит в повышении эффективности статистической обработки информации в системе высоконадежной биометрико-нейросетевой аутентификации за счет разработки алгоритма интеллектуальной обработки информации...
1. Проведенный системный анализ показал, что одним из основных недостатков системы биометрико-нейросетевой аутентификации является достаточно большие обучающие выборки.
2. Использование нового класса искусственных нейронов - квадратичных нейронов с многоуровневым квантованием выходных данных уменьшает обучающие выборки, но одновременно повышает требования к их качеству.
Создания новых критериев поможет решить эту задачу.
3. Создание дифференциальных аналогов Крамера-Мизеса позволило - в 10 раз сократить вероятности ошибок, увеличить эту цифру нельзя из-за корреляции критериев.
4. Общая работа нейросетевых аналогов дифференциальных критериев Гири позволил получить«3,72 кратное снижение вероятности ошибок, что влияет на разработку алгоритмов очень быстрого обучения.
