АБСОЛЮТНО УСТОЙЧИВЫЙ АЛГОРИТМ АВТОМАТИЧЕСКОГО ОБУЧЕНИЯ СЕТЕЙ ВЕРОЯТНОСТНЫХ НЕЙРОНОВ «КРАМЕРА – ФОН МИЗЕСА» НА МАЛЫХ ВЫБОРКАХ 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
Вятчанин Сергей Евгеньевич, доцент, начальник кафедры радио-и космической связи факультета военного обучения, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), vyt5@list.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

004

DOI

10.21685/2072-3059-2017-2-5

Актуальность и цели. Целью работы является создание искусственного нейрона, являющегося аналогом статистического критерия «Крамера – фон Мизеса», для синтеза из таких нейронов нейросетевых преобразователей биометрия-код.
Материалы и методы. Ранее авторами было доказано, что критерий «Крамера – фон Мизеса» на малых тестовых выборках работает лучше, чем хиквадрат статистический критерий. То есть вместо нейросетевых радиальных базисных функций может быть использован искусственный нейрон, являющийся аналогом критерия «Крамера – фон Мизеса». На входы нового типа нейронов подаются не обычные биометрические параметры, а вероятности их появления в обучающей выборке.
Результаты. Синтезированный искусственный нейрон унаследовал от квадратичных форм устойчивость алгоритма обучения, что снимает проблему обучения больших сетей таких нейронов. Как и для всех квадратичных нейросетевых функционалов, сети нейронов «Крамера – фон Мизеса» дают выходной код для образов «Чужой» с низкой энтропией из-за отсутствия баланса состояний «0» и «1» в его разрядах. Этот недостаток предложено устранить путем применения выходного квантователя на выходе сумматоров нейронов «Крамера – фон Мизеса» с тремя выходными состояниями.
Выводы. Введение в состав вероятностного нейрона «Крамера – фон Мизеса» квантователя с тремя устойчивыми состояниями позволяет получить высокий уровень энтропии для примеров образов «Чужие». Этот эффект возникает из-за удвоения числа выходных разрядов выходного кода и их практически полной балансировке по состоянию разрядов «0» и «1». В итоге сети нейронов «Крамера – фон Мизеса» оказались намного эффективнее, чем сети иных известных квадратичных функционалов. Более того, энтропия их выходных кодов оказывается выше, чем у нейронных сетей, сформированных и обученных по ГОСТ Р 52633.5. Это позволяет рассматривать сети нейронов «Крамера – фон Мизеса» как перспективу для следующего поколения нейросетевых преобразователей биометрия-код.

Ключевые слова

нейросетевой преобразователь биометрия-код, биометрические данные, статистический критерий «Крамера – фон Мизеса»

 Скачать статью в формате PDF

1. Р 50.1.037–2002. Рекомендации по стандартизации. Прикладная статистика. Правила проверки согласия опытного распределения с теоретическим. Ч. I. Критерии типа χ2. – М. : Госстандарт России, 2001. – 140 с.
2. Р 50.1.037–2002. Прикладная статистика. Правила проверки согласия опытного распределения с теоретическим. Ч. II. Непараметрические критерии. – М. : Гос-стандарт России, 2002. – 123 с.
3. ГОСТ Р 52633.5–2011. Защита информации. Техника защиты информации. Автоматическое обучение нейросетевых преобразователей биометрия-код доступа. –М, 2011.
4. Хайкин, С. Нейронные сети: полный курс / Саймон Хайкин. – М. : Вильямс, 2006. – С. 1104.
5. Галу шкин, А. И. Нейронные сети: история развития / А. И. Галушкин, Я. З. Цыпкин. – М. : Радиотехника, 2001. – 840 с.
6. Кулагин, В. П. Усиление способности к обучению распознавания запахов бортового искусственного интеллекта робота, за счет применения модифицированных хи-квадрат сетей / В. П. Кулагин, А. И. Иванов, С. Е. Вятчанин // Проблемы автоматизации и управления в технических системах : сб. ст. XXXII Междунар. науч.-техн. конф. (г. Пенза, Пенза 6–8 июня 2017 г.). Пенза : Изд-во ПГУ, 2017. – Т. 1. – С. 116–119.
7. Гильму тдинов, А. Х . Почерковедческая экспертиза на основе радиально-базисных нейронных сетей Пирсона-Хэмминга / А. Х. Гильмутдинов, Е. И. Качайкин, А. И. Иванов, А. В. Безяев // Нелинейный мир. – 2017. – Т. 15, № 3. –С. 3–10.
8. Волчихин, В. И. Перспектива создания циклической континуально-квантовой хи-квадрат машины для проверки статистических гипотез на малых тестовых выборках биометрических данных и данных иной природы / В. И. Волчихин, А. И. Иванов, Д. В. Пащенко, Б. Б. Ахметов, С. Е. Вятчанин // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2017. – № 1 (41). – С. 5–15.