SCI Библиотека

Рассматриваются нейросетевые технологии статистической обра-
ботки малых выборок, основанной на использовании быстрых алгорит-
мов автоматического обучения и быстрых алгоритмов тестирования
нейросетевых преобразователей. Основной задачей вводного курса явля-
ется снятие барьера, возникшего сегодня между классической статисти-
кой и технологиями создания и применения нейросетевых решений.
В качестве базовой основы курса используется программное сред-
ство моделирования нейросетевых преобразователей биометрических
данных рукописных легко запоминаемых парольных фраз в длинный
очень трудно запоминаемый людьми личный криптографический ключ.
Обучение начинается с вводной лекции и самостоятельного выполнения
трех лабораторных работ, это позволяет обучающимся самостоятельно
получить первоначальные навыки по обучению искусственных нейрон-
ных сетей и их тестированию.
Курс ориентирован на курсантов и адъюнктов, уже владеющих ос-
новами математической статистики. Специальных знаний по нейроин-
форматике (программированию) от обучаемых не требуется, также нет
необходимости в освоении глубоких знаний, относящихся к физико-
математическим наукам

Рассматривается проблема обнаружения и корректировки ошибок в выходном коде нейронной сети, заранее обученной распознавать уникальный биометрический образ человека. Использование для этой цели обычных самокорректирующихся кодов с высокой избыточностью возможно, однако приводит к многократному сокращению длины получаемого из выходного кода криптографического ключа аутентификации. Рассматриваемые в работе коды формируют синдромы ошибок в виде отдельно хранящихся коротких фрагментов хеш-функции. Исправление ошибок ведется перебором возможных состояний выходного кода путем изменения одного, двух, трех разрядов, что не приводит к значительному сокращению длины получаемого ключа. Ускорение перебора выполняется определением показателей стабильности наиболее слабых разрядов выходного кода. Преимущества рассматриваемых в работе процедур обнаружения и исправления ошибок возникают в ситуации, когда данные нейросетевого решающего правила искусственного интеллекта биометрических приложений защищены криптографическими механизмами от исследования. Классические самокорректирующиеся коды с высокой избыточностью не способны править разряды кодов после их защиты шифрованием. Предложенные же коды без избыточности оказываются частично гомоморфны к некоторым криптографическим механизмам размножения ошибок.

Освещены актуальные вопросы использования сетей линейных нейронов (персептронов) и квадратичных нейронов с многоуровневым квантованием биометрических данных в биометрических средствах аутентификации личности. Проведен краткий анализ возникновения и использования искусственных нейронных сетей в контексте бионических представлений, копирования наблюдаемых эффектов в сетях естественных нейронов. Приведена сравнительная оценка мощности линейных и квадратичных нейронов, рассмотрены их достоинства и недостатки. Подробно описаны алгоритмы обучения и тестирования сетей квадратичных нейронов с многоуровневым квантованием биометрических данных в средствах высоконадежной биометрико-нейросетевой аутентификации личности, выполненных в защищенном от исследования варианте. Издание будет полезно студентам, аспирантам и научным работникам, занимающимся вопросами применения нейронных сетей в биометрических средствах защиты информации.

Доверенный сильный искусственный интеллект и доверенный слабый искусственный интеллект отличаются кардинально по затратам ресурсов на их тестирование. При тестировании сильного искусственного интеллекта обычными методами затраты памяти и вычислительных ресурсов оказываются огромны. Классическая статистика активно использует коэффициенты корреляции двух переменных или коэффициенты автокорреляции одной переменной. Нейросетевой статистический анализ применим к данным очень высокой размерности, он строится как некоторое подобие классического низкоразмерного статистического анализа. В этом отношении кроссвертки и автосвертки кодов по Хэммингу являются, в некотором смысле, высокоразмерными аналогами обычных двухмерных коэффициентов корреляции. Издание предназначено для обучающихся, аспирантов, преподавателей, инженеров, занимающихся проблемами применения нейросетевого искусственного интеллекта для решения задач биометрии и иных приложений искусственного интеллекта в защищенном от исследования исполнении.

Пособие предназначено для первоначального знакомства с
методами статистической физики. Основное внимание уделено
систематизации материала и рассмотрению общих принципов и
подходов, характерных для статистического рассмотрения
макросистем. Несмотря на множество вариантов, возможных при
решении конкретных задач, авторы придерживаются единой,
наиболее универсальной методики рассмотрения макросистем, что,
впрочем, дополняется демонстрацией других точек зрения на самые
важные и методически сложные моменты дисциплины.
Пособие предназначено для бакалавров направления 03.03.01
«Прикладные математика и физика».

Рассматриваются нейросетевые технологии статистической обработки малых выборок, основанной на использовании быстрых алгоритмов автоматического обучения и быстрых алгоритмов тестирования нейросетевых преобразователей. Основной задачей вводного курса является снятие барьера, возникшего сегодня между классической статистикой и технологиями создания и применения нейросетевых решений. В качестве базовой основы курса используется программное средство моделирования нейросетевых преобразователей биометрических данных рукописных легко запоминаемых парольных фраз в длинный очень трудно запоминаемый людьми личный криптографический ключ. Обучение начинается с вводной лекции и самостоятельного выполнения трех лабораторных работ, это позволяет обучающимся самостоятельно получить первоначальные навыки по обучению искусственных нейронных сетей и их тестированию. Курс ориентирован на курсантов и адъюнктов, уже владеющих основами математической статистики. Специальных знаний по нейроинформатике (программированию) от обучаемых не требуется, также нет необходимости в освоении глубоких знаний, относящихся к физико-математическим наукам.

Элементарное руководство по обработке результатов наблюдений. В нем изложены основы современных методов оценки ошибок результатов измерений и даются практические указания по применению этих методов в физических лабораториях и практикумах. Написано на уровне, доступном для студентов младших курсов вузов, и является полезным дополнением к уже имеющимся описаниям конкретных задач в физических практикумах.