• Nem Talált Eredményt

KUTATÁSI EREDMÉNYEK ÖSSZEFOGLALÁSA

A doktori iskolában eltöltött évek alatt megismerkedtem az alkalmazott matematika és a programozás adta lehetőségekkel, amik jelentős mértékben segítettek hozzá a biometrikus azonosításban általam tárgyalt problémák, és az ezekhez fűzött megoldási javaslatok vizsgálatához. A cél, a részcélok és az egyes hipotézisek tekintetében széles körben tájékozódtam a kapcsolódó, releváns és újszerű kutatások eredményeiről. E nemzetközi kutatói közösség tagjaként pedig jómagam is rendre publikáltam a vizsgálataim eredményét. A béta-binomiális eloszlással történő előminősítés és a mesterséges neurális hálók hangolása több nemzetközi tudományos mű forrásává vált, így igazolva ezen munkák értékét.

A disszertációmban a kutatásaim olyan területeinek bemutatására szorítkoztam, amelyeket különösen fontosnak tartok a biometria tudományos hátterének építésében, emellett kézzel fogható eredménnyel, vagyis valós tudományos újdonsággal bírnak.

Az értekezésem elején négy hipotézist fogalmaztam meg, amelyet a gyakorlatban hat kutatási feladattal igazoltam, összevonva a kombinált lágy számítási módszerek együttes alkalmazását. Az értekezésben e hat egység önállóan kerül bemutatásra, de végigkövethető az a lineáris logikai kapcsolat ami a modulokból végezetül elvezet egy komplex vezérlő algoritmusig.

A kutató munkám elején, a biometrikus azonosítás matematikai modellezése során arra következtetése jutottam, hogy az azonosítási folyamat során a hibák hatása multiplikatív, és e tulajdonságánál fogva alkalmazható Bayes függő valószínűségi tétele. A biometrikus azonosító eszközök működési eredményeit összefoglaló statisztikák kvantitatív vizsgálata során olyan modellt készítettem, ami kezelni képes a környezeti hatások okozta elemi hibák változó bekövetkezési valószínűségét. Az erre felírható algoritmus alapját a béta-binomiális eloszlás adja, aminek alkalmazásához meg kell ismerni a béta paramétereket. Tulajdonképpen ez a gyakorlatban úgy képzelhető el, mint egy próbaüzemű használat, aminek során kiderül, hogy a kérdéses műszaki megoldás mennyire alkalmas az adott környezetben és felhasználói körben.

A kockázat alapú modell felállítása után arra jutottam, hogy a fajlagos hibák minimalizálásnak legjobb módszere, ha diverzifikáljuk a hibák forrását. Így a

102

figyelmemet a multimodális azonosítási módszerek irányába tereltem. Azonban ezen technikák eredményeinek kiértékelése a biometrikus azonosítás területén nem egyszerű középérték számításokkal a leghatékonyabb, mert éppen a változó emberi tényező jelentős befolyásoló hatással bír. Ennek következtében alkalmaztam a Lotfi Zadeh nevéhez fűződő zavart halmazok logikáját, azaz a fuzzy logikát. Ennek egyik legfontosabb előnye, hogy úgynevezett lingvisztikai változók mentén adhatjuk meg egy érték egy adott halmazhoz tartozását, illetve maga a kiértékelés sem a bináris logika éles megkülönböztetésén alapul, tehát lehetőség van a halmazok között átfedéseket definiálni, sőt, a szabályrendszerek módosításával lekövethetjük az emberi tulajdonságok változását is. Az értekezésemben egy konkrét példán, egy általam készített bimodális ujjnyomat alapú fuzzy logikai kontrolleren mutatom be a vezérlési algoritmus előnyeit.

Bár a doktori iskolai tanulmányaim elején még kevésbé volt közismert a mesterséges intelligencia biometrikus azonosításban történő alkalmazhatósága, úgy döntöttem, hogy e technikák mélyebb ismerete, megértése és használata segíthet a célom elérésében. E módszerek egyik képviselője a mesterséges neurális hálózatok, amelyek jól alkalmazhatóak minta-felismerési feladatokra. Ennek következtében készítettem el én is azt az ujjnyomat azonosító algoritmust, amivel a mesterségesen kinyert egyéni azonosító jegyek felismerésének hatékonyságát tudtam vizsgálni. Eredeti terveim szerint biometrikus azonosító eszközökből kinyert egyedi azonosító jegyeket vizsgáltam volna, viszont ez az eszközök zártsága és a gyártók bizalmatlansága miatt meghiúsult.

Viszont a szakirodalom tanulmányozása során arra jutottam, hogy az egyéni azonosító jegyek kinyerésének számos módja létezik, igen széles matematikai paletta áll rendelkezésre. Így elkészítettem a saját ujjnyomat olvasó és kiértékelő algoritmusomat, ami felügyelt tanítás mellett egyre jobb felismerési arányt produkált elsősorban a téves elutasítási arány tekintetében.

A ujjnyomat olvasó és összehasonlító program azonban sok esetben megakadt és csak ismert számú bemeneti jegy esetében működött hatékonyan. Továbbgondolva a folyamatot arra jutottam, hogy optimalizálnom kell a háló topológiáját. E feladat azonban igen összetett, mert nagy számú paramétert kell szimultán, széles keresési univerzumban optimalizálni. Ekkor került képbe a mesterséges intelligenciák harmadik

103

altípusa a genetikus algoritmus, ami pontosan ilyen feladatok megoldására alkalmas.

Egy általam készített programban beágyaztam a genetikus algoritmussal történő optimalizálást a mesterséges neurális háló felügyelt tanítási ciklusába. Ennek okán olyan algoritmus született, ami egy rövid optimalizálási ciklussal képes megváltoztatni a mesterséges neurális háló szerkezetét, hatékonyabbá téve így az erőforrások kihasználását, és jobb arányban képes elkerülni lokális szélsőértékek okozta megakadást.

Retter Gyula olvasmányosan ismerteti könyvében a lágy számítások további kombinálási lehetőségeit, amik közül új véltem, hogy a neuralizált fuzzy következtetési rendszer a biometrikus azonosítás területen komoly sikerrel alkalmazható, hiszen a felvázolt modellemben pontosan azokat az ismeretlen paraméterek definiálhatjuk fuzzy következtetéssel, amelyek biológia sajátosságainkból fakadnak. E sajátosságok változását pedig a neurális tulajdonságok kódolják, így a modell alapján készített adaptív neuro-fuzzy következtető rendszerem képes megtanulni a felhasználói sajátosságokat és ennek megfelelően súlyozni a döntést egy multimodális döntési szituációban.

Az értekezésemet egy olyan komplex modell ismertetésével zárom, ami tulajdonképpen kombinálja a korábbi modulokat. Alapul véve az emberi észlelést és a kognitív asszociációt, egy-egy modult a megfelelő biológiai folyamathoz társítottam. Így az észlelést egy multi-adaptív neuro-fuzzy következtető algoritmussal, a minta-felismerést genetikus algoritmusokkal tréningelt neurális hálózatok csoportjával, míg az azonosítást egy visszacsatolt fuzzy következtető rendszerrel modelleztem.

A kitűzött cél tekintetében elmondható, hogy a téves elutasítás és elfogadás bűvös fordított arányú kapcsolata igenis feloldható, ha a feladatra optimalizált lágy számítási módszereket vagy ezek megfelelő kombinációját alkalmazzuk.

104