Статья 9116

Название статьи

КОМПЕНСАЦИЯ МЕТОДИЧЕСКИХ ПОГРЕШНОСТЕЙ ВЫЧИСЛЕНИЯ СТАНДАРТНЫХ ОТКЛОНЕНИЙ И КОЭФФИЦИЕНТОВ КОРРЕЛЯЦИИ, ВОЗНИКАЮЩИХ ИЗ-ЗА МАЛОГО ОБЪЕМА ВЫБОРОК

Авторы

Волчихин Владимир Иванович, доктор технических наук, профессор, президент Пензенского государственного университета (Россия, г. Пенза, ул. Красная, 40), cnit@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
Серикова Юлия Игоревна, студентка, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), julia-ska@yandex.ru

Индекс УДК

519.7; 519.66; 57.087.1, 612.087.1

Аннотация

Актуальность и цели. Совершенствованию алгоритмов обучения искусственных нейронных сетей преобразователей биометрия-код доступа мешают методические ошибки, возникающие из-за малого числа примеров в обучающей выборке. Так, при выборках в трех примера методическая ошибка вычисления стандартного отклонения составляет 23 % и должна быть скомпенсирована.
Материалы и методы. Предложено воспользоваться средствами имитационного моделирования и численно получить плотность распределения значений стандартного отклонения как функцию числа примеров в обучающей (тестовой) выборке. Дана таблица значений мультипликативной методической ошибки вычислений стандартных отклонений.
Результаты и выводы. Скорректированы классические формулы вычисления стандартного отклонения и коэффициента корреляции с учетом компенсации их методических ошибок из-за малого числа примеров в тестовой выборке. Приведен график реальных данных о методической ошибке и график ее аналитического приближения гиперболой.

Ключевые слова

методическая ошибка, вычисление стандартного отклонения на малых выборках, обработка биометрических данных

 

 Скачать статью в формате PDF

Список литературы

1. Dodis, Y. Fuzzy Extractors: How to Generate Strong Keys from Biometrics and Other Noisy / Y. Dodis, L. Reyzin, A. Smith // 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.
3. Ramírez-Ruiz, J. Cryptographic Keys Generation Using FingerCodes / J. Ramírez-Ruiz, C. Pfeiffer, J. Nolazco-Flores // Advances in Artificial Intelligence – IBERAMIA-SBIA 2006 (LNCS 4140). – 2006. – P. 178–187.
4. Hao, F. Crypto with Biometrics Effectively / Feng Hao, Ross Anderson and John Daugman // IEEE TRANSACTIONS ON COMPUTERS. – 2006, September. – Vol. 55, № 9.
5. Волчихин, В. И. Быстрые алгоритмы обучения нейросетевых механизмов биометрико-криптографической защиты информации : моногр. / В. И. Волчихин, А. И. Иванов, В. А. Фунтиков. – Пенза : Изд-во ПГУ, 2005. – 273 с.
6. 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.
7. ГОСТ Р 52633.5–2011. Защита информации. Техника защиты информации. Автоматическое обучение нейросетевых преобразователей биометрия-код доступа. – М., 2011.
8. Серикова, Н. И. Биометрическая статистика: сглаживание гистограмм, построенных на малой обучающей выборке / Н. И. Серикова, А. И. Иванов, С. В. Качалин // Вестник СибГАУ. – 2014. – № 3 (55). – C. 146–150.
9. Волчихин, В. И. Эффект снижения размера тестовой выборки за счет перехода к многомерному статистическому анализу биометрических данных / В. И. Волчихин, А. И. Иванов, Н. И. Серикова, Ю. В. Фунтикова // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2015. – № 2 (34). – С. 50–59.

 

Дата создания: 25.05.2016 15:19
Дата обновления: 30.06.2016 15:52