УДК 004.4(06) Технологии разработки программных систем В.А. КОНОПЁЛКИН, Е.В. НЕСТЕРЕНКО Научный руководитель – Л.Г. КОМАРЦОВА, д.т.н., профессор Калужский филиал Московского государственного технического университета ИДЕНТИФИКАЦИЯ ЛИЧНОСТИ ПО КЛАВИАТУРНОМУ ПОЧЕРКУ Работа посвящена идентификации личности по клавиатурному почерку при помощи нейронной сети ART2. Постановка задачи: разработать программный продукт, реализующий идентификацию личности пользователя по клавиатурному почерку. Пути решения: 1. Использование стандартных методов статистической обработки входного потока данных. 2. Использование нейронных сетей. Применение нейросетевого подхода к данной задаче позволяет решить ряд проблем, возникающих при использовании стандартных методов статистической обработки входного потока данных. Кроме того, нейронная сеть обладает свойством фильтрации случайных помех, присутствующих во входных данных, что позволяет отказаться от алгоритмов сглаживания экспериментальных зависимостей, необходимых при статистической обработке данных [1]. Наиболее перспективным методом решения данной задачи – использование нейронной сери теории адаптивного резонанса ART-2M. Сеть ART-2M обрабатывает действительные входные векторы и обладает быстрой сходимостью. Описывая сеть в целом можно сказать следующее: 1. Сеть состоит из двух слоев нейронов: входного (нормализующего) и выходного (соревновательного), где каждому нейрону соответствует один класс объектов (кластеров) [2]. 2. В качестве функции активации каждого нейрона выходного слоя рассматривается расстояние в некоторой метрике между входным вектором X и вектором весов связей нейрона W [2]. Результаты: в эксперименте принимали участие 20 человек с разными навыками работы на клавиатуре. Каждый участник набирал парольную фразу (35 символов) 10 раз и тем самым создавал обучающую выборку. Обучение сети производилось по смещенному алгоритму обучения. Каждый пользователь после обучения произвел 5 попыток идентификации личности. Результаты работы сети представлены в таблице 1 и таблице 2. Таблица 1. Точность распознавания пользователей Скорость, Число перезн/мин крытий, % более 200 более 150 более 100 менее 100 более 50 Количество используемых пальцев 10 Оценка стабильности почерка 5 Точность распознавания, % 97% более 30 6-8 4 83% более 10 4 3 64% менее 10 2 2 47% Таблица 2. Зависимость точности распознавания от числа примеров Число примеров в обучающей выборке 1 2 4 8 10 Точность распознавания, % 70 78 89 91 93 Вывод: точность идентификации пользователя во многом зависит от стабильности почерка, скорости набора и количества используемы пальцев, а также от числа примеров в обучающей выборке. Полученная точность (93 %) может быть улучшена следующими способами. 1. Исключение из обучающей выборки плохих примеров или аномальных выбросов. 2. Парольную фразу необходимо подбирать таким образом, чтобы используемые в ней символы полностью и равномерно покрывали рабочее поле клавиатуры. 3. Использование аппарата нечетких множеств. Список литературы 1. Иванов А.И. Нейросетевые алгоритмы биометрической идентификации личности. Кн. 15: Монография. М.: Радиотехника, 2004. 144 с.: илл. _______________________________________________________________________ ISBN 5-7262-0710-6. НАУЧНАЯ СЕССИЯ МИФИ-2007. Том 16 1 УДК 004.4(06) Технологии разработки программных систем 2. Круг П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры». М.: Издательство МЭИ, 2002. 176 с. _______________________________________________________________________ ISBN 5-7262-0710-6. НАУЧНАЯ СЕССИЯ МИФИ-2007. Том 16 2