Общие принципы работы систем биометрической идентификации личности. Программные инструменты для разработки приложения, осуществляющего идентификацию пользователя на основе его клавиатурного почерка. Проектирование базы данных и структуры нейронной сети.
Аннотация к работе
Бурный рост информатизации общества, рост доступности персональных компьютеров, увеличение объемов денежных операций с использованием ПК, развитие информационных коммуникаций типа Internet существенно повысили требования к уровню достоверности и защищенности информации каждого участника информационного сообщества. Информационное сообщество адекватно отвечает подобным запросам, разрабатывая все более сложные, надежные и эффективные средства защиты. Решение проблемы разработки подобных систем классическими средствами, например, статистической обработкой данных, может оказаться бесперспективным в связи с тем, что в вопросах биометрической идентификации часто приходится использовать множество плохих данных.Биометрические системы, простроенные на анализе особенностей воспроизведения голоса, рукописного и клавиатурного почерка, имеют много общего. Это позволяет использовать одну обобщенную блок-схему для описания всех биометрических систем этого класса, которая приведена на рисунке 1.1 и отображает основные этапы обработки информации [1]. Кроме этого, осуществляется приведение сигналов к единому масштабу времени, дробление сигналов на отдельные фрагменты с последующим сдвигом фрагментов сигнала до оптимального совмещения с эталонным расположением. После приведения к эталонному значению масштабов и сдвига фрагментов сигналов осуществляется вычисление вектора функционалов (вектора контролируемых параметров ). В простейшем случае биометрический эталон может формироваться в виде двух векторов: вектора математических ожиданий контролируемых параметров и вектора дисперсий этих параметров .Обычно деление алгоритма принятия решения на само решающее правило и биометрический эталон идентифицируемой личности не вызывает особых затруднений. Для искусственных нейронных сетей такие параметры как число входов нейрона, число нейронов, вид функции возбуждения, число слоев сети, вид связей в сети, скорее всего следует рассматривать как параметры структуры решающего правила. Значения нейровесов и значения смещающих коэффициентов, полученные для конкретной личности, следует рассматривать как параметры некоторого биометрического эталона, предназначенного для нейросетевого решающего правила с конкретной структурой [1].Наполним эту блок-схему конкретным содержанием, задавшись одним из самых простых решающих правил и меру Хемминга [5]. Для рассматриваемого случая биометрическим эталоном, зафиксированным при обучении, являются значения минимумов и максимумов измеряемых параметров. Тогда абсолютное значение расстояния Хемминга до биометрического эталона следует определить как общее число выпадений измерений за интервалы допустимых значений биометрического эталона. Как правило, биометрические системы, анализирующие динамические образы, опираясь на меру Хемминга, способны удовлетворительно работать при их обучении на 5…7 примерах, однако для их хорошей работы требуется порядка 20…30 примеров [1]. Основным недостатком (1.3) является то, что при обучении приходится помнить значения всех измеренных ранее параметров.Евклидова мера расстояния между некоторым вектором и центром биометрического эталона в ортогональной системе координат находится следующим образом [18]: . К сожалению, задача ортогонализации системы измеряемых биометрических параметров далеко не тривиально и в реальных биометрических системах решается только в первом приближении. Если же система учитываемых биометрических признаков не ортогональна, то расстояние до центра биометрического эталона вычисляется через соответствующий вариант квадратичной формы В новой ортогональной системе координат Евклидова мера будет вычисляться следующим образом: , (1.13) где - характеристические числа положительно определенной матрицы квадратичной формы (1.11), записанной в исходной системе координат. Аналогично отклик линейной части персептрона может быть записан в векторной форме: , (1.19) где - вектор строка из коэффициентов весового суммирования; - вектор столбец из измеренных биометрических параметров.Под обучением нейронной сети биометрической системы будем понимать процесс предъявления ей примеров группы биометрических образов «Свой» и «Чужой», а также подбор весов нейронов с тем, чтобы сеть могла с заданной вероятностью ошибок разделять эти две группы биометрических образов. Все известные алгоритмы обучения сетей следует разделить на два больших класса: · обучение с учителем; Наиболее важным для биометрии является обучении с учителем, причем обучение с квалифицированным и добросовестным учителем, искренне желающим обучить систему. В этом случае биометрическая система должна сама отказаться от обучения, задокументировав свой отказ от обучения и избежав тем самым преднамеренной или неумышленной компрометации. Следует подчеркнуть, что функция отказа от обучения «Не могу обучиться» является стандартной для различных программных пакетов обучения искусственных нейронных сетей.Необходимо разработать программный продукт, предназначенный для осуществления аутентификации пользователя на основе динамич
План
Содержание
Введение
1. Общие принципы работы систем биометрической идентификации личности
1.1 Структуры систем биометрической идентификации личности по особенности воспроизведения действий
1.2 Особенности применения нейросетевых решающих правил в системах биометрической идентификации
1.3 Измерение близости образа к биометрическому эталону мерой Хемминга
1.4 Евклидова мера близости к центру биометрического эталона
1.5 Линейное разделение пространства контролируемых параметров (персептрон)
1.6 Проблемы обучения искусственных нейронных сетей
2. Описание и реализация программного продукта
2.1 Постановка задачи
2.2 Программные инструменты, примененные при разработке приложения
2.2.1 Кросс-платформенная библиотека Qt
2.2.2 Библиотека классов BPNEURALNETWORK
2.2.3 Модель прямого ввода ОС Windows Raw Input
2.2.4 Система управления базами данных SQLITE
2.3 Описание базы данных
2.4 Структура нейронной сети и формат данных
2.5 Описание ключевых моментов реализации приложения
2.5.1 Разработка графического интерфейса
2.5.2 Работа с базами данных средствами Qt
2.5.3 Многопоточная работа приложения
2.6 Основные принципы взаимодействия пользователя с системой
Заключение
Список использованных источников
Введение
Бурный рост информатизации общества, рост доступности персональных компьютеров, увеличение объемов денежных операций с использованием ПК, развитие информационных коммуникаций типа Internet существенно повысили требования к уровню достоверности и защищенности информации каждого участника информационного сообщества.
Информационное сообщество адекватно отвечает подобным запросам, разрабатывая все более сложные, надежные и эффективные средства защиты.
Актуальность разработки биометрических систем безопасности состоит в том, что они позволят существенно уменьшить влияние человеческого фактора на защитные механизмы. Подобные системы должны самостоятельно узнавать своего пользователя и подчиняться только ему.
Решение проблемы разработки подобных систем классическими средствами, например, статистической обработкой данных, может оказаться бесперспективным в связи с тем, что в вопросах биометрической идентификации часто приходится использовать множество плохих данных. В этом плане перспективным оказывается использование искусственных нейронных сетей.
В последние десятилетия в мире активно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях (ИНС). Актуальность исследований в этом направлении подтверждается массой различных применений ИНС. Искусственные нейронные сети способны решать широкий круг задач распознавания образов, идентификации, прогнозирования, оптимизации, управления сложными объектами.
Целью дипломной работы является разработка нейросетевой технологии и программного продукта, осуществляющего биометрическую идентификацию личности посредством ее клавиатурного почерка.