СООТНОШЕНИЕ МОЩНОСТИ НЕЙРОНОВ С ЛИНЕЙНЫМ И КВАДРАТИЧНЫМ ОБОГАТИТЕЛЯМИ БИОМЕТРИЧЕСКИХ ДАННЫХ 

Волчихин Владимир Иванович, доктор технических наук, профессор, президент Пензенского государственного
университета (Россия, г. Пенза, ул. Красная, 40), president@pnzgu.ru
Иванов Александр Иванович, доктор технических наук, доцент, начальник лаборатории биометрических и нейросетевых технологий, Пензенский научно-исследовательский электротехнический институт (Россия, г. Пенза, ул. Советская, 9), ivan@pniei.penza.ru
Малыгина Елена Александровна, кандидат технических наук, научный сотрудник, межотраслевая лаборатория тестирования биометрических устройств и технологии, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), mal890@yandex.ru
Юнин Алексей Петрович, ведущий специалист, Пензенский научно-исследовательский электротехнический институт (Россия, г. Пенза, ул. Советская, 9), alexey_82@mail.ru

519.24; 53; 57.017

DOI

10.21685/2072-3059-2018-1-2

Актуальность и цели. Целью работы является сопоставительная оценка мощностей обычных нейронов с линейным суммированием и нейронов с квадратичным суммированием нормированных и центрированных биометрических данных.
Материалы и методы. Обучение обычных нейронов преобразователя биометрии в код абсолютно устойчиво для клона алгоритмов ветви ГОСТ Р 52633.5–2011. Такой же устойчивостью обладают алгоритмы обучения радиально-базисных нейронов. В плане устойчивости нет разницы между обучением нейронов с линейным и квадратичным обогащением данных.
Результаты. Показано, что вероятности ошибок первого и второго рода при обработке биометрических данных обычными нейронами намного больше, чем при обработке радиально-базисными нейронами. При этом наклон линии роста мощности квадратичных нейронов в зависимости от размерности задачи имеет наклон в несколько раз более крутой, чем для линейных нейронов. Наблюдается очень быстрый рост мощности квадратичных нейронов с ростом числа входов у них.
Выводы. Высокая мощность квадратичных нейронов делает их крайне перспективными для применения в нейросетевых преобразователей биометрии. Необходимо направить усилия на то, чтобы разработать специальные меры, устраняющие недостаток квадратичных нейронов, хранящих открыто математическое ожидание и стандартное отклонение персональных биометрических параметров.

Ключевые слова

нейросетевой преобразователь биометрия-код, биометрические данные, большая размерность данных

 Скачать статью в формате PDF

1. Dodis, Y. Fuzzy Extractors: How to Generate Strong Keys from Biometrics and Other Noisy / Y. Dodis, L. Reyzin, A. Smith // Proc. EUROCRYPT. – 2004. – April 13. – P. 523–540.
2. Monrose, F. Cryptographic key generation from voice / F. Monrose, M. Reiter, Q. Li, S. Wetzel // Proc. IEEE Symp. on Security and Privacy, 2001. – P. 202–213.
3. Hao, F. Crypto with Biometrics Effectively / F. Hao, R. Anderson, J. Daugman // IEEE transactions on computers. – 2006. – Vol. 55, № 9. – P. 1073–1074.
4. Нейросетевая защита персональных биометрических данных / Ю. К. Язов, В. И. Волчихин, А. И. Иванов, В. А. Фунтиков, И. Г. Назаров. – М. : Радиотехника, 2012. – 157 с.
5. Иванов, А. И. Биометрическая идентификация личности по динамике подсознательных движений : монография / А. И. Иванов. – Пенза : Изд-во ПГУ, 2000. – 178 с.
6. Гу дфеллоу , Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвиль. – М. : ДМК Пресс, 2017. – 652 с.
7. ГОСТ Р 52633.5–2011. Защита информации. Техника защиты информации. Автоматическое обучение нейросетевых преобразователей биометрия-код доступа. – М., 2011.
8. Иванов, А. И. Нейросетевые технологии биометрической аутентификации пользователей открытых систем : автореф. дис. … д-ра техн. наук: 05.13.01 «Системный анализ, управление и обработка информации» / А. И. Иванов. – Пенза,
2002. – 34 с.
9. 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. 86–96.
10. Marshalko, G. B. On the security of a neural network-based biometric authentication scheme / G. B. Marshalko // Математические вопросы криптографии. – 2014. – Т. 5, № 2. – С. 87–98.
11. 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.
12. Иванов, А. И. Оценка соотношения мощностей семейства статистических критериев «среднего геометрического» на малых выборках биометрических данных / А. И. Иванов, К. А. Перфилов // Современные охранные технологии и средства обеспечения комплексной безопасности объектов : сб. материалов XI Всерос. НПК. – Пенза ; Заречный, 2016. – С. 223–229.
13. Иванов, А. И. Оценка качества малых выборок биометрических данных с использованием дифференциального варианта статистического критерия среднегогеометрического / А. И. Иванов, К. А. Перфилов, Е. А. Малыгина // Вестник Сибирского государственного аэрокосмического университета им. академика М. Ф. Решетнева. – 2016. – № 4 (17). – С. 864–871.