*99565*

Современные информационные технологии/4. Информационная безопасность

К.т.н. Бутенков С.А.¹, д.т.н. Галуев Г.А., Хатунцев В.Н.²

¹Технологический институт Южного федерального университета в г. Таганроге, Россия

²Таганрогский государственный педагогический институт, Россия

Применение гибридных нейронных структур для извлечения правил из данных в задачах биометрической идентификации личности

Биометрические системы аутентификации личности представляют собой перспективную интенсивно развиваемую в настоящее время технологию защиты информации от несанкционированного доступа. В основе функционирования таких систем лежат алгоритмы решения задач распознавания статических и динамических векторов признаков, компоненты которых характеризуют особенности индивидуальных черт человека [1]. Указанные задачи в реальных условиях приобретают характер нерегулярных, трудно формализуемых задач, решение которых традиционными вычислительными средствами вызывает существенные трудности [2]. При этом используемые в настоящее время методы решения задач идентификации статических и динамических образов, создали проблемную ситуацию, когда биометрические системы, основанные на анализе статических признаков, имеют слишком высокую стоимость, а биометрические системы, основанные на анализе динамических признаков не обеспечивают требуемый уровень защиты информации [1].

В данной работе предлагается унифицированный подход к построению биометрических систем аутентификации пользователей на базе единой нейросетевой технологии, использующей результаты теории информационной грануляции (ТИГ), предложенной L. Zadeh [3] и теории гранулирующих нейронных сетей [4,5], позволяющие строить гибридные нейросетевые структуры [6], позволяющие решить весь комплекс задач идентификации в едином рейросетевом базисе [7,8]. Следующий рисунок демонстрирует стандартный подход к построению линейной нейросети с прореживанием для идентификации по 10 параметрам (из [9]).

Рис. 1. Прореживание по 5 элементов для уменьшения числа нейронов линейной нейросети в задаче идентификации [9].

Как видно из рис. 1, на выходе первого слоя частные комбинации входных параметров , которые в дальнейшем рассматривают как вторичные биометрические параметры для решения задачи классификации [9]. Отметим, что в данной работе прореживание связей выполняется в лексикографическом порядке (!). В лучшем случае множество входных параметров группируется эмпирически, на основе информации о данной конкретной задаче, что не позволяет построить универсальные устройства. Таким образом, структура сети с прореживанием выбирается достаточно произвольно (число входов нейронов первого и второго слоев, число нейронов слоев и т.д. чаще всего подбираются эмпирически). В нашем подходе предлагается регуляризация задачи за счет покрытия точек данных информационными гранулами [3]. Предложенный нами подход позволяет точно оценить потери информации за счет грануляции и построить оптимальное покрытие [7]. Наконец, используются специальные нечеткие отношения на гранулах [8] вместо евклидовых метрик по [9]. ТИГ по L. Zadeh дает метод регуляризации, который может быть применен к любому понятию [3] (см. следующий рисунок).

Рис. 2. Гранулирование основных математических понятий: переменной, функции и отношения [3].

В результате на выходе вместо отношения , мы получаем нечеткое отношение , заданное нечеткими правилами, где переменные и играют роль гранулируемых переменных, a переменные и , , представляют их лингвистические значения:

. (2)

Согласно ТИГ [3] в этом контексте нечеткие правила в указанной форме читаются как упорядоченная пара , а значение определяющей таблицы правил типа (2) и эквивалентное ей множество нечетких правил является нечетким графиком

, , (3)

где знак представляет обобщенную дизъюнкцию [3].

Для реализации (2), (3) в [8] вводится унифицированная гибридная нейросетевая структура, каждый слой которой обучается независимо, что значительно упрощает ее практическое применение. Следующий рисунок показывает общую структуру предлагаемой гибридной нейросистемы.

Рис. 3. Структура гибридной нейросетевой системы для грануляции и поэтапной обработки многомерных данных.

На вход гранулирующего слоя подаются данные, предварительно разбитые с помощью сетки оптимального размера [7] (в данном примере – ). Гранулирующий слой формирует функции принадлежности гранул с помощью нейронов Грассмана [8], выдавая выходов, соответствующих гранулам. Объединяющий слой имеет практически ту же структуру, что и гранулирующий, он использует операции для выделения инкапсулирующих гранул [4], формируя представление (3). Рабочий слой решает финальную задачу классификации входных данных c помощью правил (2). Полученная структура является типовой, ее размеры и параметры оптимизируются для различных типов данных Каждый слой обучается независимо. На основе структуры рис. 3 возможно построение высокоэффективных систем анализа многомерных данных.

Литература

1. Галуев Г. А. Биометрия и нейрокомпьютерные технологии // Нейро-компьютеры / №5-6, 2004 г., с. 118-128.

2. Айвазян С. А., Бухштабер В. М., Юнюков И. С., Мешалкин Л. Д. Прикладная статистика: Классификация и снижение размерности. – М.: Финансы и статистика, 1989.

3. Zadeh L. A. Toward a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic // Fuzzy Sets and Systems, vol. 90, p. 111–127, 1997.

4. Butenkov S., Krivsha V., Al Dhouyani S. Granular Computing in Computer Image Perception: basic issues and Glass Box models. // In Proc. IASTED Conf. “AIA 2006”, Innsbruk, Austria, February 16-18 2006, pp. 811-816.

5. Бутенков С.А. Компоненты гибридных нейросетевых интеллектуальных систем, использующие метод информационной грануляции // В сб. трудов XII Всероссийской конференции “Нейроинформатика–2010”, Москва, 25-29 января 2010, т. 2, с. 54–64.

6. Ярушкина Н. Г. Основы теории нечетких и гибридных систем.– М: Финансы и статистика, 2004. - 320 с.

7. Бутенков С.А., Хатунцев В.Н., Кривша В.В. Методы информационной грануляции и вычислений фигурами для реализации Data Mining // В сб. трудов 7-й международной научно-практической конференции «Бьлешето въпроси от светя ня няукятя», София, 17-25 декабря 2011 г., Изд.-во Бял ГРАД-БГ:София, 2011, т. 28, с. 11-16.

8. Бутенков С.А., Хатунцев В.Н., Кривша Н.С. Гранулирование и регуляризация пространственных данных в задачах Data Mining // В сб. трудов IX Всероссийской научной конференции молодых ученых и аспирантов “Информационные технологии, системный анализ и управление”, Таганрог, 12-15 ноября 2011 г., Таганрог: Изд.-во ЮФУ, 2011, т.2, с. 167-174.

9. Иванов А.И. Нейросетевые алгоритмы биометрической идентификации личности.– М.: Радиотехника, 2004.– 146 с.