Статья 5318

Название статьи

СОПОСТАВЛЕНИЕ МОЩНОСТЕЙ ДВУХ ТИПОВ ИСКУССТВЕННЫХ НЕЙРОНОВ, ОСУЩЕСТВЛЯЮЩИХ
ОБОГАЩЕНИЕ БИОМЕТРИЧЕСКИХ ДАННЫХ В ЛИНЕЙНОМ И КВАДРАТИЧНОМ ПРОСТРАНСТВАХ 

Авторы

Волчихин Владимир Иванович, доктор технических наук, профессор, президент Пензенского государственного университета (Россия, г. Пенза, ул. Красная, 40), E-mail: 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), E-mail: ivan@pniei.penza.ru
Малыгина Елена Александровна, кандидат технических наук, научный сотрудник, межотраслевая лаборатория тестирования биометрических устройств и технологий, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), E-mail: mal890@yandex.ru
Серикова Юлия Игоревна, аспирант, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), E-mail: julia-ska@yandex.ru 

Индекс УДК

519.24; 53; 57.017 

DOI

10.21685/2072-3059-2018-3-5 

Аннотация

Актуальность и цели. Целью работы является численное сравнение потенциальных возможностей двух типов искусственных нейронов, осуществляющих обогащение входных биометрических данных в линейном пространстве и в квадратичном пространстве.
Материалы и методы. Используется численное моделирование двух типов нейронов, построенное на простых геометрических моделях монотонно увеличивающейся размерности, работоспособных при симметризации корреляционных связей высокоразмерных биометрических данных.
Результаты. Логически доказано, что сопоставимые по мощности сети искусственных нейронов с суммированием в линейном пространстве должны иметь более чем в два раза больше нейронов по сравнению с сетями, нейроны которых обогащают данные в квадратичных пространствах. Этот эффект усиливается с ростом размерности решаемой нейронными сетями задачи. На него слабо влияют естественные корреляционные связи реальных биометрических данных.
Выводы. Мощность нейронных сетей, обученных по ГОСТ Р 52633.5, можно усилить, если перейти от обычных нейронов к гибридным нейронам, осуществляющим обогащение данных одновременно как в линейном, так и в квадратичном пространствах. При этом вычислительная сложность алгоритмов обучения гибридных нейронов должна увеличиться с линейной до полиномиальной (квадратичной). 

Ключевые слова

корреляционные коэффициенты, искусственные нейроны (перцептроны), искусственные нейроны квадратичной формы, высокая размерность статистического анализа 

 

 Скачать статью в формате PDF

Список литературы

1. ГОСТ Р 52633.0–2006. Защита информации. Техника защиты информации. Требования к средствам высоконадежной биометрической аутентификации. – М., 2006.
2. ГОСТ Р 52633.5–2011. Защита информации. Техника защиты информации. Автоматическое обучение нейросетевых преобразователей биометрия-код доступа. – М., 2011.
3. Техническая спецификация (проект, публичное обсуждение второй редакции с 01.06.2018 в ТК 26 «Криптографическая защита информации»). Защита нейросетевых биометрических контейнеров с использованием криптографических алгоритмов. – М., 2018.
4. О персональных данных : федер. закон № 152-ФЗ от 27 июня 2006 г. – URL: https://duma.consultant.ru/page.aspx?878610
5. 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. (Пенза 22–24 ноября, 2017). – Пенза, 2017. – С. 159–163.
6. 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.
7. ГОСТ Р 52633.3–2011. Защита информации. Техника защиты информации. Тестирование стойкости средств высоконадежной биометрической защиты к атакам подбора. – М., 2011.
8. ГОСТ Р 52633.1–20009. Защита информации. Техника защиты информации. Требования к формированию баз естественных биометрических образов, предназначенных для тестирования средств высоконадежной биометрической аутентификации. – М., 2011.
9. ГОСТ Р 52633.2–2010. Защита информации. Техника защиты информации. Требования к формированию синтетических биометрических образов, предназначенных для тестирования средств высоконадежной биометрической аутентификации. – М., 2011.
10. Иванов, А. И. Среда моделирования «БиоНейроАвтограф». Программный продукт создан лабораторией биометрических и нейросетевых технологий / А. И. Иванов, О. С. Захаров. – URL: http://пниэи.рф/activity/science/noc/bioneuroautugraph.zip.
11. Иванов, А. И. Автоматическое обучение больших искусственных нейронных сетей : учебное пособие к пакету лабораторных работ «БиоНейроАвтограф» / А. И. Иванов. – Пенза, 2013. – 30 с. – URL: http://пниэи.рф/activity/science/noc/tm_IvanovAI.pdf
12. Ахметов, Б. Б. Многомерные статистики существенно зависимых биометрических данных, порождаемые нейросетевыми эмуляторами квадратичных форм : монография / Б. Б. Ахметов, А. И. Иванов. – Казахстан-Алматы : Из-во LEM, 2016. – 86 с.
13. Волчихин, В. И. Быстрый алгоритм симметризации корреляционных связей биометрических данных высокой размерности / В. И. Волчихин, Б. Б. Ахметов, А. И. Иванов // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2016. – № 1 (37). – С. 5–15.
14. Волчихин, В. И. Обучение сетей квадратичных форм на малых выборках биометрических данных с использованием процедуры симметризации корреляционных связей / В. И. Волчихин, А. И. Иванов, Е. А. Малыгина, Ю. И. Серикова //
Измерение. Мониторинг. Управление. Контроль. – 2018. – № 1 (23). – C. 66–74. 

 

Дата создания: 23.10.2018 10:54
Дата обновления: 16.04.2019 14:56