کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

بهبود کارایی احراز هویت با استفاده از روش‌های ادغام داده و یادگیری عمیق در سیستم‌های بیومتریک

نویسندگان :

افسانه بنی طالبی دهکردی¹

1- دانشگاه پیام نور

کلمات کلیدی :

بیومتریک چندحالتی،ادغام تطبیقی،یادگیری عمیق،شبکه عصبی کانولوشن

چکیده :

با توجه به افزایش تهدیدات امنیتی و ضعف روش‌های سنتی احراز هویت، این پژوهش به توسعه‌ی یک سامانه بیومتریک چندحالته مبتنی بر یادگیری عمیق می‌پردازد که با ترکیب ویژگی‌های صوتی (رفتاری) و الگوی رگ کف دست (فیزیولوژیکی)، دقت و پایداری شناسایی را به‌طور چشمگیری ارتقا می‌دهد. در روش پیشنهادی، شبکه‌های عصبی کانولوشنی (CNN) به‌صورت مجزا برای هر مدالیته طراحی شده و ویژگی‌های متمایز از داده‌ها استخراج می‌گردد. سپس با بهره‌گیری از سازوکار ادغام تطبیقی مبتنی بر توجه (Adaptive Attention Fusion)، وزن هر مدالیته به‌طور پویا متناسب با کیفیت داده‌ها تنظیم می‌شود تا تصمیم‌گیری نهایی بر پایه‌ی اطلاعات معتبرتر انجام گیرد. مدل بر روی مجموعه داده‌ی چندحالته‌ی SDUMLA-HMT و BiosecureID ارزیابی شده و نتایج نشان می‌دهد که سیستم پیشنهادی با دستیابی به دقت ۹۹٫۹٪، نرخ خطای EER برابر با ۰٫۰۰۹٪، و مقدارFPR پایین 0.01% نسبت به روش‌های مرسوم عملکرد برتری دارد. این چارچوب می‌تواند مبنایی کارآمد برای سامانه‌های احراز هویت هوشمند و مقاوم در شرایط نویزی و واقعی باشد.