ГОСТ Р 52633.5—2011
Обучение каждого слоя нейроновследует вести своим автоматом, учитывающим особенности той
или иной биометрической технологии при входных данных разного качества. При обучении каждого
слоя нейронов необходимо использовать свой выходной код. Выходной код промежуточного слоя
дол жен быть получен от генератора случайныхчисел. Все выходные коды обучения (код первого слоя
и код второго слоя)должны бытьуничтожены послеобучения нейронной сети и проверки качества
обучения.
5.4 Контроль размеров и однородности примеров обучающей выборки образа «Свой»
5.4.1 Размер обучающей выборки примеров «Свой»
При обучении необходимо использовать не менее 11 примеров образа «Свой». После обучения
нейронной сети следует контролировать качество обучения не менее чем на трех примерах, не участво
вавших в обучении. При выявлении отказа в доступе не прошедший распознавание пример следует до
бавить в обучающую выборку. Увеличение обучающей выборки необходимо вести до устойчивого
узнавания «Своего» в трех-четырех следующих подряд попытках.
Рекомендуется дообучение средства высоконадежной аутентификации на примерах биометри
ческого образа «Свой», предъявленных пользователем через несколько часов (несколько дней) после
первоначального обучения.
При необходимости последующего дообучения средства (переобучения средства) базу примеров
образа «Свой» следуетхранитьв доверенной вычислительной среде. Если хранение базы осуществля
ется в недоверенной вычислительной среде, то необходима защита базы обучения от ее компромета
ции.
5.4.2 Контроль однородности обучающей выборки
Перед каждым обучением (дообучением) средства аутентификации необходимо проверить одно
родность обучающей выборки. Для этой цели следует вычислить математическое ожидание каждого из
контролируемых биометрических параметров и относительно него вычислить значение у2 — отклоне
ние от центра биометрического образа «Свой» (от математического ожидания образа «Свой» по
каждому из контролируемых параметров).
Примеры «Свой», значительно превышающие среднеквадратическое отклонение по критерию у},
необходимо удалить из обучающей выборки как грубую ошибку. Допускается проведение проверки по
входным данным нейронной сети, а также проверки по выходным откликам сумматоров уже обученной
нейронной сети.
5.5 Контроль размеров и независимости примеров обучающей выборки, представляющих
хаос случайных образов «Все «Чужие»
Для обучения преобразователя биометрия-коддоступа необходимо иметь не менее 64 примеров
различных случайных (независимых) естественных биометрических образов «Чужие».
Контроль уровня взаимной независимости образов «Чужой» следует осуществлять взаимным
сравнением их кодов на выходе одного ранее обученного однослойного преобразователя биомет
рия-коддоступа, не имеющего механизма защиты от наблюдения внутреннихданных. В обучающей вы
борке не должно быть пар биометрических образов, чьи выходные коды по критерию Хемминга
выпадают из интервала
n
-2<J
n n
- 2<J
n
22.
где N — число разрядов в выходном коде обучаемого нейросетевого преобразователя.
6 Автомат обучения однослойной нейронной сети, работающей
с непрерывными биометрическими данными низкого качества
6.1 Автоматический синтез связей первого слоя нейронов
6.1.1 Прогнозирование необходимого числа входов одного нейрона
Прогнозирование необходимого числа входов одного нейрона следует осуществлять через зада
ние желаемого выходного качества обученного нейрона Q(y) на выходе сумматора нейрона у. которое в
иных случаях следует вычислять по формуле
7