ГОСТ Р 52633.5—2011
После формирования случайных связей первого слоя нейронов необходимо осуществлять выяв
ление и уничтожение общих связей в двух. трех, четырех нейронах с рядом лежащими номерами.
6.2Автоматическое обучение нейронов первого слоя
6.2.1 Автоматическое обучение нейрона со статистическим вычислением весовых коэф
фициентов
Автоматы для реализации быстрых алгоритмов обучения нейроновдолжны задавать значения ве
совых коэффициентовд,равными нормированному псевдодискретному входному качеству по формуле
(3). соответствующего биометрического параметра:
Ц(-<**>>(6)
О4уиой(у 1)
6.2.2 Присвоение знака вычисленным весовым коэффициентам
Знак при весовом коэффициенте следует задавать исходя из знака математического ожидания,
учитываемого биометрического параметра и заданного при обучении состояния выхода нейрона. Для
сумматора без инверсии блок-схемы (см. рисунок2) при требуемом состоянии «1» кода «Свой» на выхо
де нейрона знак весового коэффициента ц,должен совладать со знаком разницы математических ожи
даний образов «Свой» и «Чужой». Для обеспечения состояния «0» на выходе нейрона необходима
инверсия разницы упомянутых выше математических ожиданий или
I
если «Свой» -> «1», то sign (д,) = sign (ECMi(v,)-(v,));
| если «Свой» -+ «0». то sign (д,) = -sign (ECaJ v ) - £Чукой(v,)),’ >
при условии, что нелинейный элемент нейрона принимает состояние «1» при положительных входных
воздействиях и состояние «0» при отрицательных входных воздействиях.
6.2.3 Проверка достигнутого качества обучения
После вычисления весовых коэффициентов нейронов с номерами / =1,2. 3
.....
п необходимо осу
ществить вычисление нулевых весовых коэффициентов д0. Далее следует провести тестовую оценку
достигнутого качества обучения по формуле (2) или оценку вероятности ошибок второго рода. Если
по казатели качества обучения нейрона достаточно высоки, то обучение следует прекратить. Если
показа тели качества обучения нейрона оказываются хуже порога, заложенного в автомат
обучения, то автомат обучения должен увеличить число входов у нейрона и вычислить для них
весовые коэффици енты. Увеличение числа входов нейрона следует проводить до момента, когда
качество обучения окажется выше заданного автомату обучения порога.
6.2.4 Проверка уровня корреляционных связей обученных нейронов
Случайно выбранные пары нейронов, находящиеся в одном слое, имеютобщие входы и. соответ
ственно. выходныеотклики нейронов имеют корреляционные связи. Для контроля уровня корреляцион
ных связей следует выполнить их вычисление при воздействии на нейронную сеть не менее 10
000 случайных независимых входных воздействий с нормальным законом распределения значений,
имеющим среднеквадратическое отклонение, равное среднеквадратическому отклонению биометри
ческих параметров образов «Чужой». Данные тестирования следует получать от генератора случайных
или псевдослучайных чисел.
При вычислениях необходимо использовать проверку не менее 128 случайно выбранных пар ней
ронов. Для каждой пары нейронов при вычислениях следует использовать выходы их сумматоров ида
лее следует вычислять математическое ожидание модуля полученных коэффициентов корреляции.
6.2.5 Маскирование корреляционных связей обученного нейрона
Для исключения возможности атаки на преобразователь биометрия-код доступа через вычисле
ние коэффициентов корреляции уобученного нейрона следует изменитьчасть знаков весовых коэффи
циентов на противоположные. Часть измененных знаков по отношению к оставшейся части знаков
весовых коэффициентов должна быть больше, чем среднее значение модуля корреляционных связей
мехщу ларами нейронов, вычисленных по 6.2.4. Выбор изменяемых знаков необходимо осуществлять
случайно.
П р и м е ч а н и е — Изменение знака части связей нейрона на противоположные лишает атакующего уве
ренности в том. что он верно наблюдает коэффициенты корреляции. Включение механизма размножения ошибок
мешает атакующему верно видеть корреляции между выходами нейронов. Чем выше качество механизма размно
жения ошибок, тем у меньшей части весовых коэффициентов следует искажать знаки.
9