Разработкой принципиально новых нейронных сетей занимаются пензенские ученые
В сфере технологического развития Россия ставит перед собой задачу выращивания национальных чемпионов, в том числе вокруг цифрового развития государства, и импортозамещения зарубежных IT-технологий. Сегодня в списке ключевых трендов рынка систем безопасности обосновались и продолжают укреплять свои позиции нейронные сети, используемые для различных задач анализа, распознавания, обработки и управления информацией. Нейронные сети успешно решают задачи даже в тех случаях, когда для достижения таких же результатов классическими методами требуется гораздо большее количество ресурсов. Уже более 6 лет российский рынок биометрических технологий находится в стадии более динамичного развития, чем мировой, что подтверждают исследования компании «J’son & Partners Consulting». Так, прогнозируемые ежегодные темпы роста биометрических технологий в России к 2022 году превысят общемировой показатель более чем в 1,5 раза (рис.1). Что в свою очередь означает, что сейчас Россия находится в авангарде развития глобальных технологических IT-решений.
Для любой вычислительной машины биометрический образ человека неявен и не поддается формальному описанию. Поэтому большинство биометрических технологий, работают по одинаковому принципу – полученный биометрический образ преобразуется в линейную свертку данных по некоторому алгоритму и впоследствии сравнивается с эталонным значением. При этом важнейшими показателями безопасности биометрической системы являются значения FAR (вероятность ошибки ложного доступа) и FRR (вероятность ошибки ложного отказа доступа). Настоящим технологическим прорывом отечественных научных и инженерных биометрических разработок в свое время стал переход к большим искусственным нейронным сетям, который позволил вычислительным машинам быстро и максимально точно обучаться и распознавать людей по их биометрическим характеристикам, решив проблему связывания биометрии с длинным кодом личного ключа. Так впервые в России появились первые быстрые алгоритмы автоматического обучения нейронных сетей с линейным накоплением данных и первый в мировой практике национальный стандарт по биометрии ГОСТ Р.52633.5-2011.
С каждым годом увеличивается рост объема информации, и точность распознавания биометрических образов снижается, накапливая вероятности ошибок FAR и FRR, алгоритмы устаревают и становятся менее актуальными.
Для решения данной проблемы ученые из Пензы в рамках своих научных исследований разрабатывают принципиально новые нейронные сети, свойства которых в мире еще малоизучены. Предложенный ими переход от использования простых нейронов к использованию радиально-базисных нейронов позволяет нейронной сети более точно прогнозировать будущие значения набора данных и производит более быстрое и точное распознавание образа нейронной сетью.
Под руководством д.т.н., начальника лаборатории биометрических и нейросетевых технологий АО «ПНИЭИ» Иванова Александра Ивановича специалистами ФГБОУ ВПО «Пензенского государственного университета» разработан уникальный алгоритм быстрого обучения сетей квадратичных нейронов, использующий симметризацию корреляционных связей биометрических данных.
Основы данного алгоритма легли в первую редакцию проекта второго национального стандарта России по биометрии, разрабатываемого коллективом ученых ФАУ «ГНИИИ ПТЗИ ФСТЭК России» (г. Воронеж), ФГБОУ ВПО «Пензенского государственного университета» (г. Пенза: Вятчанин Сергей Евгеньевич, Серикова Юлия Игоревна, Перфилов Константин Александрович), АО «ПНИЭИ» (г. Москва: к.т.н. Чернов Павел Сергеевич, Юнин Алексей Петрович), ФГУП «18 ЦНИИ» МО РФ (г. Москва: к.т.н. Солопов Александр Иванович, к.т.н. Малыгина Елена Александровна) и Пензенского филиала ФГУП «НТЦ «Атлас» (г. Пенза: к.т.н. Безяев Александр Викторович, Карпов Артем Павлович). Проект является продолжение пакета Стандартов по высоконадежной биометрико-нейросетевой аутентификации.
Предположительно уже к 2022 году Факультет военного обучения ФГБОУ ВПО «Пензенского государственного университета» представит в свет свою новую разработку – среду моделирования, построенную на использовании квадратичных нейронов, имеющих всего 4 входа при одинаковых прочих характеристиках.
