Нейросетевой анализ нормальности малых выборок биометрических данных с использованием Хи-квадрат критерия и критериев Андерсона - Дарлинга

Автор: Волчихин Владимир Иванович, Иванов Александр Иванович, Безяев Александр Викторович, Куприянов Евгений Николаевич

Журнал: Инженерные технологии и системы @vestnik-mrsu

Рубрика: Информационные системы

Статья в выпуске: 2, 2019 года.

Бесплатный доступ

Введение. Целью статьи является снижение требований к размерам тестовой выборки при проверке гипотезы нормальности. Материалы и методы. Используется нейросетевое обобщение трех известных статистических критериев: хи-квадрат критерия, критерия Андерсона - Дарлинга в обычной форме и критерия Андерсона - Дарлинга в логарифмической форме. Результаты исследования. Нейросетевое объединение хи-квадрат критерия и критерия Андерсона - Дарлинга позволяет снизить требования к объему выборки приблизительно на 40 %. Добавление третьего нейрона, воспроизводящего логарифмический вариант критерия Андерсона - Дарлинга, приводит к незначительному снижению вероятности ошибок (2 %). В статье рассматриваются однослойная и многослойная нейронные сети, обобщающие множество известных на данный момент статистических критериев. Обсуждение и заключение. Высказано предположение о том, что каждому из известных статистических критериев может быть поставлен в соответствие искусственный нейрон. Необходимо изменить отношение к синтезу новых статистических критериев, господствовавшее в ХХ в. В настоящее время отсутствует необходимость стремиться к созданию статистических критериев высокой мощности. Гораздо более выгодными являются попытки обеспечить низкую коррелированность данных вновь синтезируемых статистических критериев с множеством уже созданных критериев.

Еще

Критерий хи-квадрат, критерий андерсона - дарлинга, искусственная нейронная сеть, статистический критерий, нейросетевое воспроизведение статистических критериев, нейросетевой анализ, малая выборка

Короткий адрес: https://sciup.org/147220615

IDR: 147220615   |   DOI: 10.15507/2658-4123.029.201902.205-217

Список литературы Нейросетевой анализ нормальности малых выборок биометрических данных с использованием Хи-квадрат критерия и критериев Андерсона - Дарлинга

  • Иванов А. И. Биометрическая идентификация личности по динамике подсознательных движений: монография. Пенза: Изд-во Пенз. гос. ун-та, 2000. 188 с.
  • Волчихин В. И., Иванов А. И., Фунтиков В. А. Быстрые алгоритмы обучения нейросете-вых механизмов биометрико-криптографической защиты информации: монография. Пенза: Изд-во Пенз. гос. ун-та, 2005. 273 с.
  • Principal manifolds for data visualization and dimension reduction / Eds. A. N. Gorban [et al.]. Lecture Notes in Computational Science and Engineering. Springer, 2007. Vol. 58. 340 p. https:// DOI: 10.1007/978-3-540-73750-6
  • Иванов А. И., Перфилов К. А., Малыгина Е. А. Многомерный статистический анализ качества биометрических данных на предельно малых выборках с использованием критериев среднего геометрического, вычисленного для анализируемых функций вероятности // Измерение. Мониторинг. Управление. Контроль. 2016. № 2 (16). С. 64-72. URL: https://imuk.pnzgu.ru/files/imuk. pnzgu.ru/9216.pdf
  • Безяев А. В. Нейросетевой преобразователь биометрии в самокорректирующийся код, совершенно не обладающий избыточностью // Нейрокомпьютеры: разработка, применение. 2012. № 3. С. 52-56. URL: http://www.radiotec.ru/article/10421
  • Безяев А. В., Иванов А. И., Фунтикова Ю. В. Оптимизация структуры самокорректирующегося био-кода, хранящего синдромы ошибок в виде фрагментов хеш-функций // Вестник УРФО. Безопасность в информационной сфере. 2014. № 3 (13). C. 4-13. URL: http://www.info-secur. ru/is_13/bezyaev.htm
  • Оценка эффекта ускорения вычислений, обусловленного поддержкой квантовой суперпозиции при корректировке выходных состояний нейросетевого преобразователя биометрии в код / B. И. Волчихин [и др.] // Известия высших учебных заведений. Поволжский регион. Технические науки. Информатика, вычислительная техника. 2017. № 1 (41). C. 43-55. URL: https://izvuz_tn.pnzgu. ru/files/izvuz_tn.pnzgu.ru/4117.pdf
  • Иванов А. И. Сопоставительный анализ показателей конкурирующих технологий биоме-трико-криптографической аутентификации личности // Защита информации. ИНСАЙД. 2014. № 3. C. 32-39. URL: http://www.inside-zi.ru/pages/3_2014/32.html
  • Ackley D. H., Hinton G. E., Sejnowski T. J. A learning algorithm for boltzmann machines // Cognitive Science. 1985. Vol. 9, issue 1. P. 147-169. (85)80012-4 DOI: 10.1016/S0364-0213
  • Hinton G. E. Training products of experts by minimizing contrastive divergence // Neural Computation. 2002. Vol. 14, issue 8. P. 1771-1800. DOI: 10.1162/089976602760128018
Еще
Статья научная