додатково може бути уточнено шляхом необхідного зміни співвідношення між вірогідністю помилок першого і другого роду. Проекція лінії (гіперплощини) може бути зрушена в будь-яку сторону з точки рівноймовірно помилок.
1.6 Проблеми навчання штучних нейронних мереж
Нейронні мережі (лінійні і нелінійні) є природним способом пошуку спільного рішення через об'єднання безлічі приватних рішень, отриманих за групами біометричних даних. Основною проблемою застосування штучних нейронних мереж є їх навчання або проблема пошуку значень нейровесов нейронів і коефіцієнтів зміщення.
Під навчанням нейронної мережі біометричної системи будемо розуміти процес пред'явлення їй прикладів групи біометричних образів «Свій» і «Чужий», а також підбір ваг нейронів з тим, щоб мережа могла із заданою вірогідністю помилок розділяти ці дві групи біометричних образів. На сьогодні відомо близько сотні алгоритмів навчання штучних нейронних мереж [10, 11]. Всі відомі алгоритми навчання мереж слід розділити на два великі класи:
· навчання з учителем;
· самонавчання мереж без вчителя.
Найбільш важливим для біометрії є навчанні з учителем, причому навчання з кваліфікованим і добросовісним учителем, щиро бажаючим навчити систему. Спочатку вчитель повинен надати системі достовірну і досить повну інформацію про варіанти відтворення розпізнаваного біометричного образу. Якщо вчитель недобросовестен і навмисно дає спотворені образи, то біометрична система в принципі не повинна на них навчатися. У цьому випадку біометрична система повинна сама відмовитися від навчання, задокументувавши свою відмову від навчання і уникнувши тим самим навмисної або ненавмисної компрометації.
Навчання без учителя на сьогодні представляє для біометрії досить абстрактний інтерес. На сьогодні немає прикладів ефективного практичного застосування навчання без учителя існуючих біометричних систем [1].
Слід підкреслити, що функція відмови від навчання «Не можу навчитися» є стандартною для различних програмних пакетів навчання штучних нейронних мереж. Однак при цьому, як правило, на функцію відмови від навчання розробники пакету звалюють всі свої огріхи. Як наслідок, функція відмови постійно спрацьовує, перекладаючи відповідальність за прийняте рішення на вчителя. У біометричних системах цього робити не можна, так як системи повинні бути максимально дружні по відношенню до користувача. Вони повинні знімати з користувача (вчителя) інтелектуальне навантаження. У цьому плані пакети настройки нейромережі біометричних систем повинні кардинально відрізнятися від аналогічних універсальних пакетів. Програми налаштування нейромережі біометричних систем повинні бути набагато більш коректними, більш глибоко і детально аналізувати якість вихідного матеріалу і можливі тупики настройки. Крім того, вони повинні гарантувати цілком певну якість навчання і не вводити в оману «потенційних користувачів» завищеними або заниженими показниками.
Враховуючи зазначене вище, можна стверджувати, що біометричні програми настройки нейромереж повинні бути побудовані на ретельному аналізі різних дефектів вихідних компонент процесу навчання. Вони повинні бути здатні чисельно вимірювати значення дефектів, якщо потрібно обходити виявлення і виміряні дефекти однозначно і швидко, зд...
