Снижение требований к размеру тестовой выборки биометрических данных при переходе к использованию многомерных корреляционных функционалов Байеса
Автор: Иванов Александр Иванович, Ложников Павел Сергеевич, Сулавко Алексей Евгеньевич, Серикова Юлия Игоревна
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Электромагнитная совместимость и безопасность оборудования
Статья в выпуске: 2 т.15, 2017 года.
Бесплатный доступ
Рассмотрена проблема повышения надежности процедур биометрической аутентификации путем настройки сетей квадратичных форм и функционалов Байеса с использованием малой тестовой выборки. На малых тестовых выборках коэффициенты корреляции биометрических данных имеют значительную погрешность. Это препятствует их использованию при обучении (настройке) классических квадратичных форм и сетей Байеса. Показано, что многомерные корреляционные функционалы Байеса могут быть модифицированы под использование одинаково коррелированных по модулю биометрических данных. Предложено воспользоваться приемом симметризации корреляционных связей. Доказано, что в этом случае требования к объему биометрических данных существенно снижаются. Как следствие, настройка (обучение) квадратичных форм и сетей наибольшего правдоподобия Байеса становятся гораздо более устойчивыми задачами. Приведены графики, позволяющие оценить, насколько удается снизить размеры выборки биометрических данных.
Биометрическая идентификация, квадратичные формы, многомерные функционалы байеса, сети квадратичных форм, сети функционалов байеса
Короткий адрес: https://sciup.org/140191883
IDR: 140191883 | DOI: 10.18469/ikt.2017.15.2.12
Список литературы Снижение требований к размеру тестовой выборки биометрических данных при переходе к использованию многомерных корреляционных функционалов Байеса
- Форсайт Дж., Молер К. Численное решение систем линейных алгебраических уравнений. М.: Мир, 1969. -168 с.
- Райс Д. Матричные вычисления и математическое обеспечение. М.: Мир, 1984. -412 с.
- Лоусен Ч., Хенсон Р. Численное решение задач методом наименьших квадратов. М.: Наука, 1966. -230 с.
- Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука, 1979. -248 с.
- Качайкин Е.И., Иванов А.И. Идентификация авторства рукописных образов с использованием нейросетевого эмулятора квадратичных форм высокой размерности//Вопросы кибербезопасности. № 4(12), 2015. -С. 42-47.
- Волчихин В.И., Ахметов Б.Б., Иванов А.И. Быстрый алгоритм симметризации корреляционных связей биометрических данных высокой размерности//Известия высших учебных заведений. Поволжский регион. Технические науки. №1, 2016. -С. 3-7.
- Нейросетевая защита персональных биометрических данных. Под ред. Ю.К. Язова. М.: Радиотехника, 2012. -157 с.
- ГОСТ Р 52633.5-2011. Защита информации. Техника защиты информации. Автоматическое обучение нейросетевых преобразователей биометрия-код доступа.
- Aхметов Б.С., Надеев Д.Н., Фунтиков В.А., Иванов А.И., Малыгин А.Ю. Оценка рисков высоконадежной биометрии. Алматы: Изд-во КазНТУ им. К.И. Сатпаева, 2014. -108 с.
- Иванов А.И., Ложников П.С., Качайкин Е.И. Идентификация подлинности рукописных автографов сетями Байеса-Хэмминга и сетями квадратичных форм//Вопросы защиты информации. №2 (109)? 2015. -С. 28-34.
- Иванов А.И., Качайкин Е.И., Ложников П.С., Сулавко А.Е., Биометрическая идентификация рукописных образов с использованием корреляционного аналога правила Байеса//Вопросы защиты информации. №3 (110), 2015. -С.48-54.
- Волчихин В.И., Иванов А.И., Серикова Ю.И. Компенсация методических погрешностей вычисления стандартных отклонений и коэффициентов корреляции, возникающих из-за малого объема выборок//Известия высших учебных заведений. Поволжский регион. Технические науки. №1, 2016. -С. 45-49.
- Иванов А.И., Захаров О.С. Среда моделирования «БиоНейроАвтограф»//URL: http://пниэи.рф/activity/science/noc.htm (с 2009 г. для свободного использования вузами России, Белоруссии, Казахстана).
