У разі якщо біометрична система знаходиться в режимі навчання, вектори параметрів надходять у блок правил навчання, який формує біометричний еталон особистості. Так як динамічні образи особистості володіють істотною мінливістю, для формування біометричного еталон потрібно кілька прикладів реалізацій одного і того ж образу. У простому випадку біометричний еталон може формуватися у вигляді двох векторів: вектора математичних сподівань контрольованих параметрів і вектора дисперсій цих параметрів.
У режимі аутентифікації вектор контрольованих параметрів, отриманий з пред'явленого образу, порівнюється вирішальним правилом з біометричним еталоном. Якщо пред'явлений вектор виявляється близький до біометричного еталону, приймається позитивне аутентифікаційних рішення. При значних відмінностях пред'явленого вектора і його біометричного еталону здійснюється відмова в аутентифікації. Якщо протокол аутентифікації не надто жорсткий, то користувачеві надаються додаткові спроби повторної аутентифікації.
Слід підкреслити, що вид використовуваного системою вирішального правила і вид біометричного еталону нерозривно пов'язані. Можна вважати, що при розробці системи розробник задається деяким вирішальним правилом і вже воно однозначно визначає вид біометричного еталону або біометричних даних особи. Формально можна вважати, що можливе існування досить великого числа видів різних вирішальним правил, відповідно, повинна існувати безліч різних видом біометричних еталонів. Однак це не так і на практиці використовується досить обмежене число досить ефективних вирішальних правил і мале число відповідних їм біометричних еталонів.
1.2 Особливості застосування нейромережевих вирішальних правил в системах біометричної ідентифікації
Зазвичай поділ алгоритму прийняття рішення на саме вирішальне правило і біометричний еталон ідентифікованої особистості не викликає особливих труднощів. У цьому плані, мабуть, винятком є ??штучні нейронні мережі. Для штучних нейронних мереж такі параметри як число входів нейрона, число нейронів, вид функції збудження, число шарів мережі, вид зв'язків у мережі, швидше за все слід розглядати як параметри структури вирішального правила. Значення нейровесов і значення смещающих коефіцієнтів, отримані для конкретної особистості, слід розглядати як параметри деякого біометричного еталону, призначеного для нейросетевого вирішального правила з конкретною структурою [1].
Ще однією особливістю нейромережевих вирішальних правил є істотний перерозподіл обчислювальних ресурсів, що витрачаються на навчання та аутентифікацію. Як правило, виявляється, що навчання нейронних мереж вимагає істотно більше обчислювальних ресурсів порівняно з аутентифікацією (самим прийняттям рішення) [3, 4]. Для більшості класичних вирішальних правил формування біометричного еталон взагалі є тривіальним завданням, що не вимагає особливих ресурсів, і зводиться до обчислення математичних сподівань і дисперсій. Для нейросетевого прийняття рішення настройка вагових коефіцієнтів мережі - це далеко не просте завдання, яка часом не може бути вирішена в рамках прийнятних витрат обчислювальних ресурсів. Автомат, що налаштовує штучну нейронну мережу на реальних біометричних даних, часто потрапляє в тупики навчання, що вимагають величезних витрат обчислювальних ресурсів для подальшого виходу з ...
