Статья 1420

Название статьи

КОМПАКТНАЯ ГРАФИЧЕСКО-ИЕРОГЛИФНАЯ СИСТЕМА ОТОБРАЖЕНИЯ СХЕМ МНОГООБРАЗНЫХ
НЕЙРОСЕТЕВЫХ ВЫЧИСЛЕНИЙ 

Авторы

Иванов Александр Иванович, доктор технических наук, доцент, консультант, Пензенский научно- исследовательский электротехнический институт (Россия, г. Пенза, ул. Советская, 9), bio.ivan.penza@mail.ru
Малыгина Елена Александровна, кандидат технических наук, докторант кафедры технических средств информационной безопасности, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), mal890@yandex.ru
Лукин Виталий Сергеевич, младший научный сотрудник, Региональный учебно-научный центр «Информационная безопасность», Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), ibst@pnzgu.ru

Индекс УДК

004.056; 004.032.26 

DOI

10.21685/2072-3059-2020-4-1

Аннотация

Актуальность и цели. Целью данной работы является попытка устранить неоднозначности словесного описания и графических отображений схем многообразных нейросетевых вычислений при одновременном уменьшении объема текстовой и графической информации.
Материалы и методы. Предложено, по аналогии со стандартным описанием Булевой логики, ввести конечное число обозначений типов искусственных нейронов. Также предложено при графическом отображении искусственных нейронов воспользоваться элементами иероглифического формирования изображений (гладкие овалы – это континуальные преобразования, а угловатые прямоугольники – это операции квантования континуальных данных). При использовании искусственных нейронов с многоуровневым квантованием их прямоугольные квантователи получают несколько выходов.
Результаты. Предложенный вариант стандартизации алфавита графических обозначений приводит к снижению неоднозначности графических иллюстраций схем многообразных нейросетевых вычислений и росту компактности создаваемых иллюстрационных материалов.
Выводы. Предложенная схема формирования графико-иероглифических иллюстраций компактна (не приводит к появлению тысяч иероглифов) и позволяет с использованием малого числа основных образов наглядно иллюстрировать подавляющее большинство известных авторам схем нейросетевых вычислений.

Ключевые слова

классификация искусственных нейронов, графическое отображение нейронов, элементы иероглифических записей. 

 

 Скачать статью в формате PDF

Список литературы

1. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. – Москва : Вильямс,2006. – С. 1104.
2. Рассел, С. Искусственный интеллект. Современный подход / С. Рассел, П. Норвиг. – Москва ; Санк-Перербург ; Киев, 2006 – 1407 с.
3. Николенко, С. Глубокое обучение / С. Николенко, А. Кадурин, Е. Архангельская. – Санкт-Перербург : Питерб, 2018. – 480 с.
4. ГОСТ Р 52633.0–2006. Защита информации. Техника защиты информации. Требования к средствам высоконадежной биометрической аутентификации. –
Москва, 2006.
5. ГОСТ Р 52633.1–2009. Защита информации. Техника защиты информации. Требования к формированию баз естественных биометрических образов, предназначенных для тестирования средств высоконадежной биометрической аутентификации. – Москва, 2009.
6. ГОСТ Р 52633.2–2010. Защита информации. Техника защиты информации. Требования к формированию синтетических биометрических образов, предназначенных для тестирования средств высоконадежной биометрической аутентификации. – Москва, 2010.
7. ГОСТ Р 52633.3–2011. Защита информации. Техника защиты информации. Тестирование стойкости средств высоконадежной биометрической защиты к атакам подбора. – Москва, 2011.
8. ГОСТ Р 52633.5–2011. Защита информации. Техника защиты информации. Автоматическое обучение нейросетевых преобразователей биометрия-код доступа. – Москва, 2011.
9. Защита нейросетевых биометрических контейнеров с использованием криптографических алгоритмов» [проект технической спецификации «Криптографическая защита информации] Публичное обсуждение документа проходит в ТК 26 с 2017 г., в 2020 г. ожидается голосование по проекту технической спецификации.
10. Волчихин, В. И. Фрактально-корреляционный функционал, используемый при поиске пар слабо зависимых биометрических данных в малых выборках /
В. И. Волчихин, А. И. Иванов, Б. Б. Ахметов, Ю. И. Серикова // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2016. – № 4. –
С. 25–31. 
11. Волчихин, В. И. Обучение сетей квадратичных форм на малых выборках биометрических данных с использованием процедуры симметризации корреляци-
онных связей / В. И. Волчихин, А. И. Иванов, Е. А. Малыгина, Ю. И. Серикова // Измерение. Мониторинг. Управление. Контроль. – 2018. – № 1 (23). – С. 66–74.
12. Иванов, А. И. Защита искусственного интеллекта: ортогонализация статистико-нейросетевого анализа малых выборок биометрических данных : препринт / А. И. Иванов, Е. Н. Куприянов. – Пенза : Изд-во ПГУ, 2020. – 72 с.
13. Иванов, А. И. Искусственные математические молекулы: повышение точности статистических оценок на малых выборках (программы на языке MathCAD) :
препринт / А. И. Иванов. – Пенза : Изд-во ПГУ, 2020. – 36 с.
14. Малыгина, Е. А. Биометрико-нейросетевая аутентификация: перспективы применения сетей квадратичных нейронов с многоуровневым квантованием био-
метрических данных : препринт / Е. А. Малыгина. – Пенза : Изд-во ПГУ, 2020. – 114 с.
15. Волчихин, В. И. Перспективы использования искусственных нейронных сетей с многоуровневыми квантователями в технологии биометрико-нейросетевой аутентификации / В. И. Волчихин, А. И. Иванов, В. А. Фунтиков, Е. А. Малыгина // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2013. – № 4 (28). – С. 88–99.
16. Волчихин, В. И. Соотношение мощности нейронов с линейным и квадратичным обогатителями биометрических данных / В. И. Волчихин, А. И. Иванов, Е. А. Малыгина, А. П. Юнин // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2018. – № 1 (45). – С. 17–25.
17. Волчихин, В. И. Сопоставление мощности двух типов искусственных нейронов, осуществляющих обогащение биометрических данных в линейном и квадратичном пространствах / В. И. Волчихин, А. И. Иванов, Е. А. Малыгина, Ю. И. Серикова // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2018. – № 3 (47). – С. 47–57.
18. Волчихин, В. И. Особенности обучения сетей вероятностных нейронов «Крамера-фон Мизеса» на малых биометрических выборках / В. И. Волчихин, А. И. Иванов, С. Е. Вятчанин // Новые информационные технологии и системы : сб. науч. ст. XIV Междунар. науч.-техн. конф. (г. Пенза, 22–24 ноября 2017 г.). – Пенза : Изд-во ПГУ, 2017. – С. 159–163.
19. Волчихин, В. И. Абсолютно устойчивый алгоритм автоматического обучения сетей вероятностных нейронов «Крамера – фон Мизеса» на малых выборках биометрических данных / В. И. Волчихин, А. И. Иванов, С. Е. Вятчанин, Е. А. Малыгина // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2017. – № 2 (42). – С. 55–65.
20. Иванов, А. И. Второй национальный стандарт России по быстрому автоматическому обучению больших искусственных нейронных сетей на малых выборках биометрических данных / А. И. Иванов, А. В. Безяев, Е. А. Малыгина, Ю. И. Серикова // Безопасность информационных технологий : cб. науч. ст. по материалам I Всеросс. науч.-техн. конф. (г. Пенза, 24 апреля 2019 г.). – Пенза : Изд-во ПГУ, 2019. – С. 174–177.
21. Стандарт ТК 362. Защита информации. ТЕХНИКА ЗАЩИТЫ ИНФОРМАЦИИ. Автоматическое обучение сетей квадратичных нейронов с многоуровневым квантованием биометрических данных [проект]. Работы начаты с 01.07.2018 и велись специалистами 5 предприятий (Воронеж, Пенза, Москва). 01.02.2019 материалы направлены в ТК 362. В настоящее время ведется подготовка к началу публичного обсуждения проекта нового стандарта.
22. Волчихин, В. И. Нейросетевая молекула: решение обратной задачи биометрии через программную поддержку квантовой суперпозиции на выходах сети искусственных нейронов / В. И. Волчихин, А. И. Иванов // Вестник Мордовского университета. – 2017. – Т. 27, № 4. – C. 518–523.
23. Нейросетевая защита персональных биометрических данных / Ю. К. Язов, В. И. Волчихин, А. И. Иванов, В. А. Фунтиков, И. Г. Назаров. – Москва : Радиотехника, 2012. – 157 с.

 

Дата создания: 30.11.2020 11:28
Дата обновления: 17.02.2021 11:05