автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Нейросетевые технологии биометрической аутентификации пользователей открытых систем

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ СОСТАВНЫХ ФРАГМЕНТОВ

ТЕХНОЛОГИЙ БИОМЕТРИЧЕСКОЙ АУТЕНТИФИКАЦИИ

1.1. Обзор методов измерения параметров статических биометрических образов личности.

1.1.1. Использование рисунка сосудов глазного дна.

1.1.2. Использование радужной оболочки глаза.

1.1.3. Особенности геометрии кисти руки.

1.1.4. Папиллярный рисунок пальцев руки.

1.1.5. Индивидуальные особенности геометрии лица.

1.1.6. Термографическое наблюдение лицевых артерий и вен.

1.1.7. Идентификация по венам руки.

1.1.8. Другие статические методы идентификации.

1.2. Обзор методов измерения параметров динамических биометрических образов личности.

1.2.1. Принципы, объясняющие стабильность динамической биометрии.

1.2.2. Идентификация личности по рукописной подписи и динамике ее воспроизведения.

1.2.3. Идентификация личности по клавиатурному почерку.

1.2.4. Идентификация личности по особенностям голоса.

1.2.5. Другие методы биометрической идентификации по динамике подсознательных движений.

1.3. Особенности режимов биометрической идентификации и аутентификации.

1.3.1. Биометрическая идентификация в широком и узком смысле.

1.3.2. Биометрическая аутентификация личности.

1.3.3. Многообразие протоколов биометрической аутентификации.

1.4. Обобщенная структура систем биометрической идентификации и аутентификации личности по особенностям динамики подсознательных действий.

1.5. Анализ атак на биометрические системы идентификации и аутентификации.

1.5.1. Атака перехвата предъявляемого биометрического образа.

1.5.2. Атака прямого подбора известного биометрического образа.

1.5.3. Атака подбора неизвестного биометрического образа.

1.5.4. Атака на автомат обучения.

1.5.5. Атака на биометрический эталон.

1.5.6. Атака на содержание решающего правила.

1.5.7. Атака на «последний бит» решающего правила.

1.6. Проблемы использования искусственных нейронных сетей в биометрических системах идентификации и аутентификации личности.

1.6.1. Низкое быстродействие процедур итерационного обучения искусственных нейронных сетей.

1.6.2. Плохая устойчивость итерационных алгоритмов обучения.

1.6.3. Отсутствие гарантий качества обучения нейронных сетей.

1.6.4. Проблема отсутствия представительной выборки образов «Все Чужие».

1.6.5. Проблема отсутствия достаточно полного аналитического описания искусственных нейронных сетей.

1.7. Формулировка основных требований к нейросетевым технологиям биометрической аутентификации и задач исследования.

ГЛАВА 2. ИСПОЛЬЗОВАНИЕ ТЕОРИИ РЯДОВ ВОЛЬТЕРРА ДЛЯ АНАЛИТИЧЕСКОГО ОПИСАНИЯ ИСКУССТВЕННЫХ

НЕЙРОННЫХ СЕТЕЙ

2.1. Описание искусственного нейрона функциональным рядом Вольтерра.

2.2. Проблемы идентификации многомерных ядер Вольтерра и пути их решения.

2.2.1. Приведение ядер Вольтерра к симметричной форме.

2.2.2. Независимость вычислительной сложности аппроксимационной идентификации ядер Вольтерра от их порядка.

2.2.3. Одномерная аппроксимация ядер Вольтерра.

2.2.4. Двухмерная аппроксимация ядер Вольтерра.

2.2.5. Идентификация ядер Вольтерра с учетом гистерезиса нелинейных элементов.

2.3. Особенности аппроксимации ядер Вольтерра при детерминированных входных воздействиях.

2.3.1. Ортогональная идентификация ядер Вольтерра на синусоидальных входных воздействиях.

2.3.2. Ортогональная идентификация ядер Вольтерра на несинусоидальных входных воздействиях.

2.3.3. Переход от модели Гаммерштейна к эквивалентной модели Винера на синусоидальных сигналах.

2.4. Наблюдение сечений ядер Вольтерра по главной диагонали на случайных входных сигналах.

2.4.1. Регуляризация одномерных алгоритмов идентификации ядер Вольтерра при входных случайных воздействиях.

2.4.2. Ортогонализация одномерных алгоритмов идентификации ядер Вольтерра при входных случайных воздействиях.

2.4.3. Пересчет параметров модели Гаммерштейна в параметры модели Винера на «белом» шуме.

2.4.4. Процедуры наблюдения сечений ядер Вольтерра на «белом» шуме вне главной диагонали.

2.5. Размерность задачи обучения искусственных нейронных сетей приемы понижения размерности).

2.5.1. Понижение размерности задачи обучения нейронных сетей через их симметризацию.

2.5.2. Понижение размерности задачи через явное разделение линейных и нелинейных операций в модели объекта.

2.5.3. Понижение вычислительной сложности через совместное использование моделей Гаммерштейна с моделями Винера.

ГЛАВА 3. ОБУЧЕНИЕ ЛИНЕЙНЫХ ЭЛЕМЕНТОВ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

3.1. Алгоритмы обучения, имеющие линейную вычислительную сложность и вычислительную сложность выше и кубической.

3.2. Алгоритмы обучения с квадратичной вычислительной сложностью

3.3. Модель злоумышленников "Все Чужие".

3.4. Снижение размерности задачи описания качества обучения биометрической системы.

3.5. Оценка качества обучения линейного нейрона.

ГЛАВА 4. АЛГОРИТМЫ БЫСТРОГО ОБУЧЕНИЯ НЕЛИНЕЙНЫХ

НЕЙРОННЫХ СЕТЕЙ

4.1. Выбор формы нелинейного элемента для нейронных сетей систем биометрической аутентификации.

4.2. К вопросу о точности исходных данных и гладкости, отыскиваемых при обучении нейросетевых решений.

3. Механизм улучшения качества решения, принимаемого нейронными сетями при введении в них нелинейных элементов.

4. Декомпозиция нейронной сети на последовательность линейных и нелинейных слоев.

5. Преимущества и недостатки модели Гаммерштейна в сравнении с моделью Винера.

6. Симметризация настраиваемой нейронной сети.

7. Выбор постоянного смещения нелинейного элемента, исключающий «паралич» настраиваемого нейрона.

8. Оптимизация масштаба входного сигнала нелинейного элемента

9. Преимущества и недостатки быстрых алгоритмов обучения искусственных нейронных сетей.

ГЛАВА 5. ИЗМЕРЕНИЕ КАЧЕСТВА ВХОДНЫХ

ДАННЫХ И ПРЕДСКАЗАНИЕ ОЖИДАЕМОГО КАЧЕСТВА ОБУЧЕНИЯ НЕЙРОСЕТИ БИОМЕТРИЧЕСКИХ СИСТЕМ

1. Корректная постановка задачи предсказания качества обучения нейронной сети биометрической системы.

2. Классификация пользователей биометрических систем.

3. Симметризация линейной части нейрона для прогноза качества его обучения.

4. Предсказание качества обучения для алгоритмов линейной вычислительной сложности.

5. Синтез таблицы предсказания качества обучения для алгоритмов квадратичной вычислительной сложности.

6. Использование таблиц предсказания качества обучения для сравнения входных разнородных данных.

7. Предварительное измерение качества данных перед обучением искусственных нейронных сетей.

ГЛАВА 6. НЕЙРОСЕТЕВОЕ ОБЪЕДИНЕНИЕ ПРОТОКОЛОВ

КРИПТОГРАФИЧЕСКОЙ И БИОМЕТРИЧЕСКОЙ АУТЕНТИФИКАЦИИ

6.1. Электронные деньги - потребность е-бизнеса, е-банкинга и Internet-торговли.

6.2. Стойкость к перебору параметров протоколов парольной, криптографической и биометрической аутентификации.

6.3. Корректная стыковка протоколов биометрической, парольной и криптографической аутентификации.;.

6.4. Расширяющиеся нейронные сети для синтеза личного биометрического ключа.

6.5. Оценка длины синтезируемого личного ключа при использовании только нелинейных преобразований.

6.6. Улучшение параметров личного ключа при переходе к совместному использованию линейных и нелинейных элементов сети.

6.7. Многослойные нейронные сети для синтеза личных криптографических ключей пользователя.

6.8. Организация процедуры внутрисетевого перемешивания входных данных за пределами области «Свой».

6.9. Многообразие вариантов программных средств организации биометрического доступа к защищенной информации.

6.10. Не криптографические способы привязки программного обеспечения к биометрии личности пользователя.

6.11. Аудит биометрической информации как одна из эффективных мер повышения защищенности информационных технологий.

ГЛАВА 7. МАЛОПАРАМЕТРИЧЕСКАЯ ИМИТАЦИЯ

БИОМЕТРИЧЕСКИХ ДАННЫХ С СИММЕТРИЧНЫМИ И АСИММЕТРИЧНЫМИ КОРРЕЛЯЦИОННЫМИ МАТРИЦАМИ

7.1. Проблема простого синтеза примеров биометрических данных с плавно изменяемым качеством.

7.2. Синтез векторов некоррелированных входных данных.

7.3. Синтез векторов равнокоррелированных входных данных.

7.4. Синтез векторов со знакопеременной, но равной по модулю взаимной корреляцией данных.

7.5. Синтез векторов со знакопостоянными, но случайными по модулю значений коэффициентами корреляции.

7.6. Формирование зависимых данных со случайными дисперсиями и случайной знакопеременной матрицей коэффициентов корреляции

7.7. Синтез зависимых данных с ленточными матрицами коэффициентов корреляции.

7.8. Синтез зависимых данных с Марковской корреляционной матрицей.

ГЛАВА 8. УСЛОВИЯ ЭКВИВАЛЕНТНОСТИ СИММЕТРИЧНЫХ

И АСИММЕТРИЧНЫХ НЕЙРОННЫХ СЕТЕЙ

8.1. Эквивалентность искусственных нейронных сетей для некоррелированных входных данных с одинаковыми и разными математическими ожиданиями.

8.2. Эквивалентность искусственных нейронных сетей для некоррелированных входных данных с одинаковыми и разными среднеквадратическими отклонениями.

8.3. Два типа условий симметризации искусственных нейронных сетей

8.4. Полная эквивалентность данных с равными по модулю коэффициентами корреляции

8.5. Эквивалентность искусственных нейронных сетей с входными данными, имеющими равную корреляцию и три разных значения коэффициентов корреляции.

8.6. Эквивалентность искусственных нейронных сетей с данными, имеющими нормальный закон распределения значений коэффициентов корреляции.

8.7. Симметризация искусственных нейронных сетей, разделяющих множества «Свой» и «Чужой» с существенно разными эквивалентными коэффициентами корреляции.

ГЛАВА 9. СИНТЕЗ АВТОМАТОВ ДЛЯ ОБУЧЕНИЯ

ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ БИОМЕТРИЧЕСКИХ

СИСТЕМ

9.1. Синтез табличного автомата для обучения сужающейся искусственной нейронной сети с заданной структурой.

9.2. Синтез табличного автомата для обучения сужающейся ИНС с заранее не определенной структурой связей.

9.3 Синтез автомата для формирования сети нелинейных элементов, преобразующих тайный образ «Свой» в личный ключ пользователя

9.4 Синтез автомата для обучения расширяющейся однослойной ИНС, преобразующей тайный образ «Свой» в бинарный личный ключ

9.5 Синтез автомата для обучения расширяющейся однослойной ИНС, преобразующей тайный образ «Свой» в личный ключ из цифр с основанием более двух.

9.6 Синтез автомата для обучения расширяющейся многослойной ИНС, преобразующей тайный образ «Свой» в личный ключ.

9.7. Связь качества входных данных и необходимого числа входов искусственной нейронной сети.

9.8. Задание необходимого числа примеров обучения при входных данных разного качества

9.9. Рост числа примеров обучения при увеличении числа входов у искусственных нейронов.

9.10. Расчет ограничителей при реализации вычислительных процедур декорреляции биометрических входных данных

ГЛАВА 10. ОЦЕНКА ВЫЧИСЛИТЕЛЬНОЙ СЛОЖНОСТИ АЛГОРИТМОВ ОБУЧЕНИЯ И ТЕСТИРОВАНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

10.1. Обобщенная вычислительная сложность процедур обучения искусственных нейронных сетей.

10.2. Устойчивость алгоритмов обучения искусственных нейронных сетей.

10.3 Оценка сокращения времени обучения при отказе от итерационных алгоритмов обучения.

10.4 Вычислительная сложность декорреляционных алгоритмов обучения нелинейных нейронных сетей.

10.5. Оценка вычислительной сложности обучения по алгоритму с оптимизацией структуры связей ИНС.

10.6. Оценка вычислительной сложности обучения по алгоритму со случайным выбором связей ИНС.

10.7. Оценка вычислительной сложности атак перебора возможных значений биометрических параметров.

10.8. Сокращение затрат вычислительных ресурсов при сертификации нейросетевых продуктов удаленной биометрической аутентификации.

10.9. Стандартизация нейросетевых биометрических технологий.

Проблемы автоматического узнавания личности человека обостряются в связи с активной информатизацией современного общества. Отмечается непрерывный рост объемов торговли в среде Internet, а также тенденция принятия юридически значимых решений на аудио-видео Internet-конференциях. Возникают ситуации, когда люди вынуждены иметь дело только с виртуальными образами своих партнеров и нуждаются в гарантиях соответствия виртуальных образов партнера реальному человеку со значимыми полномочиями.

На сегодняшний момент в открытых информационных пространствах действительно надежными являются только криптографические протоколы аутентификации. Получается, что при вовлечении в Internet-торговлю большого числа людей, все они должны столкнуться с необходимостью корректного выполнения криптографических операций в открытом информационном пространстве и необходимостью обеспечить надежное хранение своих личных ключей в слабо защищенном личном пространстве (в малом офисе, дома, при себе).

Ожидается, что криптографические операции и операции надежного хранения личных ключей будут автоматизированы. Появятся криптографические автоматы (аппаратные или чисто программные), которые должны быть способны с высокой вероятностью узнавать своего хозяина, с еще большей вероятностью распознавать злоумышленников. Основной задачей подобных автоматов является надежное хранение секретов своего хозяина и корректное использование этих секретов в слабо защищенной среде.

В настоящее время как в России, так и за рубежом активно развивается специальное научно-техническое направление - биометрия. Одной из важнейших задач биометрии является создание технических устройств, способных узнавать конкретного человека по его динамике рукописного почерка, голосу, рисунку кровеносных сосудов на руке или на поверхности глазного дна, радужной оболочке глаз, рисунку кожных

12 покровов (пальцев, ладоней), геометрическим параметрам частей тела (руки, лица, ушей). За последние 30 лет развития этого типа технологий удалось создать технические устройства, способные работать много быстрее и надежнее экспертов-людей. Это становится возможным в силу того, что биометрические устройства располагают большими объемами плохо формализуемой конкретной биометрической информации, в то время как эксперт-человек способен использовать только малые объемы хорошо формализованных знаний в виде утвержденных методик медицины или криминалистики. Сегодня международное сообщество в лице 27 подкомитета первого объединенного комитета ISO по разработке международных стандартов информационной безопасности официально рассматривает биометрию как одно из наиболее важных направлений совершенствования процедур аутентификации [wwwidin.de/ni/sc27].

При проектировании надежных биометрических устройств крайне важной является их ориентация на малые вычислительные ресурсы, с тем чтобы биометрическое устройство частично или полностью можно было разместить в интеллектуальной карте (смарт-карте). Размещение личных биометрических данных в специализированном вычислителе смарт-карты наиболее безопасно.

К сожалению, на сегодняшний день биометрические алгоритмы классического статистического анализа оказываются слишком сложными для вычислителя смарт-карты. В связи с этим целесообразно ориентироваться на реализацию вычислений нелинейной статистики средствами искусственных нейронных сетей (ИНС); ИНС имеют простую регулярную структуру и легко реализуемы в; специализированных микросхемах. Кроме того, они легко масштабируемы и легко фрагментируемы в силу регулярности своей структуры. При нехватке вычислительных ресурсов на реализацию всей ИНС в смарт-карте может быть размещен ее фрагмент.

Еще одной важной особенностью ИНС является однонаправленность их преобразования, то есть, зная структуру и параметры нейронной сети,

13 невозможно восстановить неизвестный входной биометрический образ. Это свойство используется биометрическими программами, позволяющими синтезировать личный криптографический ключ пользователя по его тайному биометрическому образу (например, по тайному рукописному слову-паролю). При этом исключается опасная операция хранения личного ключа пользователя в персональном компьютере дома или в офисе, а также при себе (на дискете или в карманном компьютере).

Основными проблемами использования технологии ИНС в биометрических системах являются:

• высокая вычислительная сложность операций обучения ИНС;

• низкая устойчивость вычислительных процедур обучения и отсутствие полной автоматизации процесса обучения ИНС;

• отсутствие гарантий качественного обучения ИНС;

• отсутствие гарантий целостности программного обеспечения эмулирующего ИНС.

Целью данной диссертационной работы является создание нейросетевых технологий биометрической аутентификации пользователей открытых систем, включающей метод быстрого автоматического обучения ИНС, а также метода обеспечения безопасного хранения конфиденциальной информации о биометрическом эталоне и личном ключе пользователя в виде структуры и связей ИНС. Задачи исследования:

• анализ причин, препятствующих использованию ИНС в биометрии;

• применение для описания ИНС аналитического аппарата функциональных рядов Вольтерра как наиболее общего инструмента для описания нелинейных многомерных объектов;

• синтез автоматического метода быстрого и устойчивого обучения искусственных нейронных сетей, построенного по аналогии со

14 снижением размерности вычислений при идентификации многомерных ядер Вольтерра;

• разработка метода прогнозирования качества обучения ИНС биометрических систем на биометрических образах конкретной личности;

• разработка метода безопасного хранения и распространения биометрических эталонов и конфиденциальных данных о пользователе в открытых системах.

Научная новизна диссертационной работы.

1. Доказано, что аналитический аппарат рядов Вольтерра эффективен при описании ИНС, причем приемы понижения размерности процедур идентификации ядер Вольтерра переносимы из теории идентификации нелинейных объектов в теорию обучения ИНС.

2. Разработан метод ортогональной одномерной идентификации сечений ядер Вольтерра произвольного порядка.

3. Доказано, что задача идентификации ядер Вольтерра произвольного порядка по своей сути является двумерной, соответственно обучение ИНС так же может быть сведено к решению задачи низкой размерности.

4. Разработан класс неитерационных алгоритмов быстрого обучения ИНС, имеющих полиномиальную вычислительную сложность (линейную, квадратичную, кубическую) при произвольном качестве входных данных обучающей выборки.

5. Доказано, что синтезированные алгоритмы быстрого обучения ИНС не накладывают ограничений на число слоев нейронов, на вид нелинейных элементов нейросети, эти алгоритмы устойчивы (не зацикливаются), для этого типа алгоритмов обучающий автомат легко реализуем.

6. Синтезированы таблицы предсказания качества обучения ИНС биометрических устройств и таблицы оптимизации параметров нелинейных элементов ИНС.

15

7. Разработана технология безопасного хранения в открытых системах конфиденциальной биометрической и криптографической информации пользователей в форме параметров и связей расширяющейся ИНС большого размера.

Теоретическая ценность работы.

Доказано, что искусственные нейронные сети не являются исключением и могут быть симметризованы как любой нелинейный объект идентификации. В свою очередь, учет свойств симметрии позволяет получать существенное упрощение аналитического описания нейронных сетей, сократить время их обучения или идентификации, прогнозировать ожидаемое качество их обучения.

Практическая ценность работы.

Разработаны основы нейросетевой технологии биометрической аутентификации пользователей открытых систем включая:

• метод быстрого автоматического обучения больших ИНС с неограниченным числом последовательных слоев;

• метод табличного описания процедур оптимизации параметров нелинейных элементов ИНС и табличного прогнозирования ожидаемого качества обучения ИНС;

• нейросетевой метод безопасного хранения и распространения конфиденциальной биометрической информации и личных криптографических ключей пользователей.

На защиту выносится. 1. Метод ортогональной идентификации одномерных сечений ядер Вольтерра при условиях:

- детерминированных входных воздействий с одинаковой амплитудой и формой, полученных изменением только их масштаба времени;

16

- случайных входных воздействий с произвольной автокорреляционной функцией и произвольной стационарной плотностью распределения значений.

2. Доказательство двумерного характера задачи идентификации ядер Вольтерра произвольного порядка, обосновывающее теоретическую возможность описания ИНС таблицами низкой размерности.

3. Создание класса быстрых алгоритмов обучения ИНС, построенного на обучении линейных элементов нейронов процедурами линейной алгебры и оптимизации параметров нелинейных элементов по таблицам низкой размерности.

4. Доказательство устойчивости разработанного класса быстрых алгоритмов обучения ИНС, независимости вычислительной сложности быстрых алгоритмов обучения ИНС от качества данных обучающей выборки, отсутствия ограничений на число слоев нейронов, отсутствия ограничений на вид нелинейных элементов нейронов.

5. Метод снижения объема исходных статистических данных, необходимых для синтеза таблиц оптимизации параметров нелинейных элементов ИНС и таблиц прогноза качества обучения ИНС.

6. Метод безопасного хранения конфиденциальной биометрической информации пользователя, а также его личного криптографического ключа в структуре связей и параметрах расширяющейся ИНС, предназначенной для преобразования тайного биометрического образа пользователя в его личный криптографический ключ.

17

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Разработан метод ортогонального (независимого) наблюдения одномерных сечений ядер Вольтерра любого порядка, построенный на разделении нелинейных и линейных свойств модели объекта идентификации.

2. Доказано, что разделение линейных и нелинейных свойств моделей объекта идентификации приводит к неявной симметризации ядер Вольтерра и делает задачу идентификации ядер Вольтерра произвольного порядка двухмерной.

3. Установлено, что раздельное обучение линейных и нелинейных элементов нейронной сети дает новый класс алгоритмов быстрого обучения нейронных сетей, имеющих полиномиальную вычислительную сложность (линейную, квадратичную, кубическую).

4. Доказано, что разработанные алгоритмы быстрого обучения ИНС не накладывают ограничений на число слоев обучаемой нейронной сети, на вид нелинейных элементов нейронов (появляется возможность использовать немонотонные и недифференцируемые нелинейности). Алгоритмы обучения устойчивы, что позволяет для них синтезировать табличный обучающий автомат.

5. Разработан метод синтеза таблиц прогноза качества обучения ИНС и метод синтеза таблиц оптимизации параметров нелинейных элементов ИНС. Оба метода позволяют многократно снизить требуемые объемы статистических данных за счет использования эквивалентных симметричных ИНС.

6. Разработан метод безопасного хранения конфиденциальной биометрической и криптографической информации в структуре связей и параметрах расширяющейся ИНС, предназначенной для преобразования тайного биометрического образа пользователя в его личный ключ.

354

ЗАКЛЮЧЕНИЕ

Подводя итоги изложенных в данной диссертации материалов можно утверждать, что нейросетевые технологии биометрической аутентификации пользователей открытых систем вполне технически реализуемы на современном уровне знаний. Необходимые знания содержатся в теории идентификации нелинейных систем через их описание симметричными ядрами Вольтерра. Соответственно, для создания нейросетевых технологий биометрической аутентификации необходимо заимствовать прием симметризации задачи идентифицируемых ядер Вольтерра. Основные элементы нейросетевых технологий биометрической аутентификации и их взаимосвязь отражены на рисунке 80.

НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ БИОМЕТРИЧЕСКОЙ АУТЕНТИФИКАЦИИ ПОЛЬЗОВАТЕЛЕЙ ОТКРЫТЫХ СИСТЕМ

Добавить примеров

Вычисление статистических моментов (измерение входного качества примеров)

Предыдущий опыт обучения системы

СЕТЬ ИСКУССТВЕННЫХ НЕЙРОНОВ

Автомат быстрого обучения

1. Иванов А.И. Биометрическая идентификация личности по динамике подсознательных движений. Пенза: Из-во Пензенского государственного университета, 2000 -188 с.

2. Иванов А.И. Компьютер Вас узнает /А.И. Иванов, И.А. Сорокин, С.Н. Шумкин //Безопасность, достоверность, информация (БДИ) N1, 1996, с. 18-21.

3. Барсунов B.C. Биометрическая защита информации //Защита информации. Конфидент.-2000- № 1- С. 45-52.

4. Тельных А. Идентификация личности. Как это делается. /А. Тельных, А. Коган. //Компьютерра. -1999-№10-С.39-41.

5. Уиллес Д. Шесть биометрических устройств идентификации отпечатков пальцев. / Д. Уиллес, М. Ли. //Сети и системы связи. -1998-№9(31)-С.146-155.

6. Уиллес Д. Пусть Ваши пальцы зарегистрируются сами. //Сети и системы связи.-1998-№9(31 )-С. 156-160.

7. Филлипс П. Дж. Введение в оценку биометрических систем. /П. Дж. Филлипс, Э. Мартин, С.Л. Пржибоски //Открытые системы. -2000-№3-С.21-27.

8. Пентланд А. Распознавание лиц для интеллектуальных сред. /А. Пентланд, Т. Чаудхари, //Открытые системы. -2000-№3- С.28-33.

9. Белоцерковский О.М. Компьютерное распознавание человеческих лиц. /О.М. Белоцерковский, А.С. Глазунов, В.В. Щенников //Зарубежная радиоэлектроника. Успехи современной радиоэлектроники. -1997-№8-С.3-14.

10. Глазунов А. Компьютерное распознавание человеческих лиц. //Открытые системы.-2000-№3-С.43-47.

11. Иванов А.И. Биометрическая идентификация личности по динамике быстрых движений. //Специальная техника средств связи. Серия Системы, сети и технические средства конфиденциальной связи. Пенза: Изд. ПНИЭИ.- 1997- Вып. 2.- С. 88-93.355

12. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. //М.: Мир- 1992- 240 с.

13. Анатомия человека. /Э.И.Борзяк, В.Я.Бочаров, Л.И.Волкова и др.; под редакцией М.П.Сапина. //М.: Медицина-1987-Т.1 -388с.

14. Березовский В.А. Биофизические характеристики тканей человека. Справочник. /В.А.Березовский, Н.Н.Колотилов //Киев: Наукова думка-1990- 224 с.

15. Колесников Г.Ф. Электростимуляция нервно-мышечного аппарата. Киев: Здоров'я- 1977 168 с.

16. Мармарелис П. Анализ физиологических систем (метод белого шума) / П. Мармарелис, В. Мармарелис -М.: Мир. 1981, 480 с.

17. Plomondon R., Lorette G. Automatic signature verification and writer identification the state of the art. //Pattern Recognition 1989-22, N2, p. 107131.

18. Беленков В.Д. Электронные системы идентификации подписей. // Защита информации. Конфидент. -1997- №6- С.39-42.

19. Иванов А.И. Разработка и исследование систем идентификации личности по динамике подписи. /Иванов А.И., Сорокин И.А, Клюхов Ю.С. //Отчет по аванпроекту. НИКИРЭТ- 1993-150 с. инв.№ 748.

20. Иванов А.И. Автоматическая система идентификации личности по динамике подписи. /А.И.Иванов, И.А.Сорокин //Новые промышленные технологии. -1993-№ 6 С. 56-63.

21. Иванов А.И. Масштабирование сигналов в системах биометрической аутентификации по динамике подписи. /И.А.Сорокин, А.И.Иванов, В.А.Кологоров //Новые промышленные технологии. -1998-Вып.№ 6-С. 3741.

22. Расторгуев С.П. Программные методы защиты информации в компьютерах и сетях. М.: Из-во «Яхтсмен», 1993.

23. Рыбченко Д.Е. Критерии устойчивости и индивидуальности клавиатурного почерка при вводе ключевых фраз. //Специальная техника средств связи. Серия. Системы, сети и технические средства конфиденциальной связи. -Пенза,ПНЮИ-1997-Вьш№2-С.104-107.

24. Рамишвили Г.С. Автоматическое опознавание говорящего по голосу. -М.: Радио и связь-1981-224 с.

25. Атал Б. Автоматическое опознавание дикторов по голосам. // ТИИЭР, 1976- Т. 64, №4. С. 48-66.

26. Розенберг А. Автоматическая верификация диктора: Обзор. //ТИИЭР, 1976- Т. 64, №4- с. 66-79.

27. Doddington G.R., Flanagan G.L., Lummis R.C. Automatic speaker verification by non-linear time alignment of acoustic parameters. Патент США №3700815, 1972.

28. Doddington G.R., Hidrick B. Some results on speaker verification using amplitude spectra. //JASA, 1974, v.55, N2.

29. Limmis R.C. Speaker verification by computer using speech intensity for temporal registration. //IEEE Trans. 1973, v. AU-21, N2.

30. Бочкарев С.Л. Система голосовой аутентификации по динамическим параметрам акустического тракта человека. //Специальная техника средств связи. Серия. Системы, сети и технические средства конфиденциальной связи. Пенза, ПНИЭИ, 1996, Выпуск №1. С.93 -102.

31. Иванов А.И. Способ автоматической идентификации личности. /С.JI.Бочкарев, А.И.Иванов, В.В.Андрианов, В.JI.Бочкарев, В.А.Оськин357

32. Заявка N98115720 на патент РФ от 17.08.98. Заявитель ПНИЭИ. Патент РФ № RU-2161826, опубл. 10.01.2001

33. Маркел Дж. Д. Линейное предсказание речи. /Дж. Д. Маркел, А.Х. Грей -М.: Радио и связь, 1980, 248 с.

34. Макхол Д. Линейное предсказание: Обзор. //ТИИЭР- 1975-Т. 63- №4.

35. Коротаев Г.А. Анализ и синтез речевого сигнала методом линейного предсказания // Зарубежная радиоэлектроника.-1990- №3- С. 31-50.

36. Иванов А.И Устройство для анализа кардиосигналов. /В.И.Волчихин, А.И.Иванов, Т.В.Истомина, Л.Ю.Кривоногов //Патент РФ № RU 16068 по заявке №20000118923 от 25.07.2000, опубл 10.12.2000.

37. Рейбман Н.С. Дисперсионная идентификация. М.: Наука, 1981, 336с.

38. Эйкхофф П. Основы идентификации систем управления. М.: Мир. 1975517 с.

39. Льюнг Л. Идентификация систем. Теория для пользователя. М.: Наука, 1991 г., 432 с.

40. Иванов А.И. Оценка систем биометрической аутентификации. //Защита информации. Конфидент. -1998- N2- С. 77-81.

41. Петров А.А. Компьютерная безопасность. Криптографические методы защиты. М.: ДМК-2000-447с.

42. Common Criteria for Information Technology Security Evoluation. CCEB-96/011, Version 1.0, 96/01/31.

43. Departament of Defense Password Management Guideline //12 April 1985. Departament of Defense Comuter Security CENTER Fort George G. Meade, Mareland 20755.

44. Guideline For The Use of Advanced Authentication Technology Alternatives (FIPS PUB 190) 1994 September 28 National Institute of Standards and Technology (NIST)

45. Information technology Open System. Interconnection - Security Frameworks for Open System: Authentication formework. ISO/IEC 10181-296 (E).358

46. Ахмед Н. Ортогональные преобразования при обработке цифровых сигналов. /Н. Ахмед, К.Р. Рао -М.: Связь, 1980 248 с.

47. Залманзон JI.A. Преобразование Фурье, Уолша, Хаара и их применение в управлении и других областях. М.: Наука -1989.

48. Хармут X.JI. Передача информации ортогональными функциями. -М.: -Связь- 1975.

49. Марпл С.Л. Цифровой спектральный анализ и его приложения. -М.: Мир 1990.

50. Власенко В.А. Методы синтеза быстрых алгоритмов свертки и спектрального анализа сигналов. /В.А.Власенко, Ю.М.Лаппа, Л.П.Ярославский М.: Наука- 1990.

51. Блейхут Р. Быстрые алгоритмы цифровой обработки сигналов. М.: Мир-1989.

52. Нуссбаумер Г. Быстрое преобразование Фурье и алгоритмы вычисления сверток. М.: Радио и связь, 1985.

53. Оппенхейм А. Нелинейная фильтрация сигналов, представленных в виде произведения и свертки. /А.Оппенхейм, Р.Шафер, Т. Стокхем //ТИИЭР, 1968-Т.58, № 8.

54. Чайлдерс Д.Дж., Скиннер Д.П., Кемерейт Р.Ч. Кепстр и его применение при обработке данных. /Д.Дж.Чайлдерс, Д.П. Скиннер, Р.Ч.Кемерейт //ТИИЭР, 1977, т. 65, №10.

55. Doddington G.R., Picone J., Godfrey J.J. The LCP trace as an HMM development tool. J.Ac. Soc.America, Fall 1988, vol.84.

56. Tokhura Y. A weighted cpestral distance measure for speech recognition. IEEE Trans. On Acoustic, Speech, Signal Processing, 1987,ASSP-35,№. 10.

57. Бочкарев С.Л. Эффект нелинейных кепстральных преобразований при идентификации личности по голосу. //Тезисы доклада конференции «Безопасность и конфиденциальность информации в сетях и системах связи». Пенза: ПНИЭИ, 6-9 октября 1998- С. 62.

58. Иванов А.И. Способ криптографического обеспечения безопасности информационных технологий. /А.И.Иванов, В.И. Волчихин,359

59. В.В.Андрианов, В.Г. Каминский //- Заявка на патент РФ № 99111404 от 07.06.99, заявитель Пензенский государственный университет.

60. Иванов А.И. Биометрическдя поддержка электронного денежного обращения. /А.И.Иванов, В.И. Волчихин //Тезисы доклада на Международном симпозиуме "Надежность и качество 99", 23-31 мая 1999, Пенза.-С. 470-473.

61. Иванов А.И. Корректная стыковка биометрии и криптографии. /В.И.Волчихин, А.И.Иванов //Тезисы докладов конф. «Защита информации в сетях и системах связи и управления», Пенза, ПНИЭИ, 20-23 апреля 2000 г. С. 14.

62. Иванов А.И. Повышение уровня безопасности биометрических программ при угрозе модификации исполняемого кода. //Специальная техника средств связи. Серия Системы, сети и технические средства конфиденциальной связи. Пенза: ПНИЭИ. 1999 -Вып. 1 С.46-48.

63. Галушкин А.И. Современные направления развития нейрокомпьютерных технологий в России. // Открытые системы.-1997-№4-С.25-28.

64. Горбань А. Нейроинформатика и ее приложения. //Открытые системы. -1998-№4.

65. Горбань А.Н. Обучение нейронных сетей. М.: СП Параграф, 1990, 156 с.360

66. Щербаков М.А. Искусственные нейронные сети: Конспект лекций. -Пенза, Из-во Пензенского гос. техн. ун-та, 1996, 44с.

67. Горбань А.Н. Нейронные сети на персональном компьютере. /А.Н.Горбань, Д.А.Россиев Новосибирск: Наука, 1996, 276 с.

68. Минский М. Персептроны. / М. Минский, С. Пайперт М.: Мир, 1971, -240 с.

69. Галушкин А.И. Теория нейронных сетей. Серия книг «Нейрокомпьютеры и их применение». Книга 1. Москва, ИПРЖР-2000г.

70. Нейроуправление и его приложения // Сигеру Омару, Марзуки Халид, Рубия Юсоф / Серия книг «Нейрокомпьютеры и их применение». Книга2. Москва, ИПРЖР-2000г.

71. Зелинский К.Х. Компьютерные методы прикладной математики. /К.Х.Зелинский, В.Н.Игнатенко, А.П.Коц Киев: Дизайн-1999-352 с.

72. Бахвалов С.Н. Численные методы. М.: Наука - 1973 Т.1.

73. Марчук Г.И. Методы вычислительной математики. М.: Наука- 1981-416с.

74. Форсайт Дж. Численное решение систем линейных алгебраических уравнений. /Дж.Форсайт, К.Молер М.: Мир-1969.

75. Кеннеди Дж. Нейросетевые технологии в диагностике аномальной сетевой активности. School of Computer and Information Scinces Nova Southeastern University Fort Landerdale. Перевод размещен на CD-ROM копии сайта «Ситфорум- 1999».

76. Электронный учебник StatSoft: STATISTICA 1.0 //Компьютерное образование CD-ROM - приложение к «Компьютер пресс» -1999-№9.

77. Голуб Дж. Матричные вычисления. / Дж. Голуб, Ч.Ван Лоун М.: Мир-1999-548 с.

78. Браверман Э.М. Структурные методы обработки эмпирических данных. /

79. М.Браверман, И.Б.Марчук М.: Наука-1983.

80. Вольтерра В. Теория функционалов, интегральных и интегро-дифференциальных уравнений. М.: Наука, 1982, 304 с361

81. Попков Ю.С. Идентификация и оптимизация нелинейных стохастических систем. / Ю.С.Попков, О.Н.Киселев, Н.П.Петров, В.Л.Шмульян -М.: Энергия, 1976, 404 с.

82. Пупков К.А. Функциональные ряды в теории нелинейных систем. / К.А.Пупков, В.И.Капалин, А.С.Ющенко М.: Наука, 1976, 448 с.

83. Музыкин С.Н. Моделирование динамических систем. /С.Н. Музыкин, Ю.М. Родионова Ярославль: Верхневолжское кн. из-во- 1984- 304с.

84. Billings S.A. Identification of nonlinear system (A survey)// Proc. IEEE, part D, 1980, V 127, N 6, p.p.272-285.

85. Иванов А.И. Метод измерения параметров нелинейных объектов, ориентированный на применение в измерительно-вычислительных комплексах. //Автореферат на соискание уч. ст. кан. техн. наук. ЛЭТИ, Ленинград-1983- 15 с.

86. Иванов А.И. Биометрия: быстрое обучение искусственных нейронных сетей. /В.И. Волчихин, Иванов А.И. -Пенза: Из-во ПензГУ-2000, 40 с.

87. Wysocki E.M., Rugh W.J. 1976, IEEE Trans. Circuits Syst., 23, 664.

88. Economakos E. Identification of a group internal signals of zero-memory nonlinear systems //Electronics Letters, 1971, V.7, N 4, p.p. 99-101.

89. Сверкунов Ю.Д. Идентификация и контроль качества нелинейных элементов радиоэлектронных систем. М.: Энергия, 1975-75 с.362

90. Сверкунов Ю.Д. К измерению многомерных передаточных функций нелинейной системы // Радиотехника. -1980.-Т.35, №2. -С. 36-39.

91. Сверкунов Ю.Д., Исаев А.Е. Идентификация нелинейных систем в классе обощенных радиотехнических звеньев при гармоническом воздействии // Измерение, контроль, автоматизация. 1980.- №12. - С. 44-49.

92. Сверкунов Ю.Д., Исаев А.Е. Об одном методе идентификации нелинейных инерционных систем //Электронное моделирование. -1983. № 5.- С.33-37.

93. Ли. Ю., Щецен М. Определение ядер Винера-Хопфа методом взаимной корреляции. // В книге Техническая кибернетика за рубежом. М.: Машиностроение. -1968.

94. Щецен М. Моделирование нелинейных систем на основе теории Винера. // ТИИЭР. Т.69, № 12 -1981 -С.44-61.

95. Иванов А.И. Идентификация нелинейных динамических объектов с параллельно-рекурсивной структурой. Деп в ВИНИТИ 12.12.85. N8616-B, 21 с.

96. Иванов А.И. Ортогональная идентификация нелинейных динамических объектов. Деп. в ВИНИТИ 20.07.87. N5268-B87, 138 с.

97. Иванов А.И., Недосекин Д.Д. Измерение параметров нелинейного инерционного звена при тестовых сигналах сложной формы. Деп. в ЦНИИТЭИ приборостроения 10.11.82. N 1956, 7 с.

98. Иванов А.И., Недосекин Д.Д. О связи входного и выходного спектров с параметрами безинерционной нелинейности. Депонировано в ЦНИИТЭИ приборостроения 10.11.82. N 1955, 6 с.

99. Иванов А.И. Алгоритмы идентификации нелинейных динамических объектов, использующие детерминированные сигналы. Деп в ВИНИТИ 16.07.84. N5131-84ДЕП, 48 с.

100. Иванов А.И. Одновременная идентификация нелинейных и нестационарных свойств исследуемого динамического объекта. Деп. в ВИНИТИ 19.12.84. Ш171-84ДЕП, 16 с.363

101. Иванов А.И. Измерение частотных характеристик нелинейного звена в контуре САУ. //Межвузовский сборник «Автоматизация измерений» РРТИ, Рязань, 1982, с. 87-91.

102. Иванов А.И., Недосекин Д.Д. Использование периодических несинусоидальных сигналов для измерения параметров нелинейного инерционного звена. //Межвузовский сборник «Автоматизация процессов обработки первичной информации» ПЛИ, Пенза, 1983 г., с. 143-145.

103. Иванов А.И. Алгоритмы статистической идентификации нелинейных и динамических свойств исследуемого объекта. Деп. в ВИНИТИ 16.07.84. N5130-84ДЕП, 13 с.

104. Иванов А.И. Статистическая идентификация нелинейных динамических объектов с обратной связью. Деп. в ВИНИТИ 13.03.85. N1827-85ДЕП, 16 с.

105. Иванов А.И., Иконников В.А., Сон В.А. К вопросу об оценке параметров нелинейного объекта по экспериментальным данным. Известия ЛЭТИ Вып.376 Л.: 1986, с. 44-48.

106. Ivanov A.I. Simple Numerical Method of Separabel Volterra Kernels Symmetrization. //Engineering Simulation, 1999, Vol. 16, pp. 411-416.

107. Иванов А.И. Ортогонализация преобразований при идентификации нелинейных динамических объектов. Деп в ВИНИТИ 12.12.85. N8617-B, 20 с.

108. Иванов А.И. Ортогональная идентификация нелинейных динамических систем с конечной и бесконечной памятью при одном и нескольких входах. Деп. в ВИНИТИ 10.04.91. N1550-B91, 55 с.

109. Иванов А.И. Одномерный аналог многомерной идентификации Ли-Щецена. //Управляющие системы и машины № 2, 1999, с. 16-21.364

110. Иванов А.И. Быстрый синтез моделей нелинейных динамических систем с заданной погрешностью. //Измерительная техника N10, 1995, с. 13-15.

111. Иванов А.И. Алгоритмы быстрой идентификации нелинейных динамических объектов. //Электричество N4, 1996, с. 30-38.

112. Ivanov A.I. Two Methods of Hammersteine Orthogonal Model Identification with the Possibility of Convergence Defect Estimation. Engineering Simulation, 1999, Vol. 16, pp. 553-560

113. Иванов А.И. Синтез нелинейных динамических моделей Винера-Гаммерштейна перераспределением памяти между входом и выходом. Автоматика и телемеханика, N11, 1997, с. 21-32.

114. Винер Н. Нелинейные задачи в теории случайных процессов. М.: Из-во иностр. лит. 1961, 128 с.

115. Дейч A.M. Методы идентификации динамических объектов. М.: Энергия, 1976, 240 с.

116. Истомина Т.В. Применение теории Wavelets в задачах обработки информации. / Т.В. Истомина, Б.В.Чувыкин, Щеголев В.Е. под редакцией Э.К. Шахова, Е.А. Ломтева Пенза: Из-во ПензГУ -2000. -140 с.

117. Чувыкин Б.В. Методы Wavelet-анализа финитных измерительных сигналов в датчиковой аппаратуре. //Надежность и качество. Инновационные технологии XXI века: Тезисы докл. Междунар. симпозиума- Пенза. 1999-с. 244.

118. Чувыкин Б.В. Wavelet-анализ на базе структур многоуровневых замкнутых средств измерения. //Современные информационные технологии. Труды международной научно-технической конференции. Пенза: Из-во Пенз. Технологического ин-та. 2000- с.53-54.

119. Матвеев В.В. Демпфирование колебаний деформируемых тел. Киев: Наукова думка, 1985, 263 с.

120. Преображенский А.А., Бишард Е.Г. Магнитные материалы и элементы. М.: Высшая школа, 1986, 352 с.365

121. Рудяк В.М. Процессы переключения в нелинейных кристаллах М.: Наука, 1986, 242 с.

122. Иванов А.И. Определение параметров петли гистерезиса в контуре регулирования нелинейной системы. Депонировано в ЦНИИТЭИ приборостроения 10.11.82. N 1957, 8 с.

123. Иванов А.И. Алгоритмы идентификации динамических объектов с гистерезисом. Деп в ВИНИТИ 11.12.84. N7925-84ДЕП, 23 с.

124. Иванов А.И. Имитационное моделирование симметричных циклов гистерезиса. / А.И.Иванов, И.П.Дерябин, В.А.Князев, А.С.Тырлов, А.П.Лещев //Электричество, N 8,1987, с 66-67.

125. Иванов А.И. Устройство для моделирования гистерезиса / А.И. Иванов, И.П.Дерябин, Князев В.А., Тырлов А.С, Лещев А.П. //А.С. СССР N 1269157 БИ N41, 1986 г.

126. Weber Е. Complex convolution applied to nonlinear problems. Presented at the Symp. of Nonlinear Circut Analysis, Polytechnic Inst.of Brooklin, Apr.25-27, 1956, p.p. 151-163. (хранится в ГПНТБ РФ).

127. Болотовский Б.М. Оливер Хевисайд. М.: Наука, 1985 г.

128. Штейнлейгер В.Б. Вторая встреча с Оливером Хевисайдом. /Электричество №8-1986. С.68-71.

129. Чернявский Е.А. Измерительно-вычислительные средства автоматизации производственных процессов /Е.А.Чернявский, Д.Д.Недосекин, В.В.Алексеев. // Л.: Энергоатомиздат 1989- 271 с.

130. Иконников А.В. Разработка системных методов идентификации нелинейных динамических объектов средствами измерительно-вычислительного комплекса. Л.-1986, ЛЭТИ, автореф. дис. на соиск. уч. ст. кан. техн. наук.

131. Расчет электрических цепей и электромагнитных полей на ЭВМ / М.Г.Александров, А.М.Белянеин, В.Брюкнер и др. под ред. Л.В.Данилова и Е.С.Филипова -М.: Радио и связь 1983- 334 с.

132. Бойков И.В. Об идентификации нелинейных объектов //Измерительная техника-1994-N9 С. 12-14.366

133. Бойков И.В. Об идентификации нелинейных систем с запаздыванием //Измерительная техника-1995-N4 С.6-8.

134. Бойков И.В. Приближенные методы восстановления входных сигналов, искаженных нелинейными динамическими системами. //Измерительная техника-1995-N11-С.З-7.

135. Бойков И.В. Об идентификации нелинейных систем // Метрология -1997-N2.

136. Бойков И.В. Черушева Т.В. Приближенные методы идентификации динамических систем // Измерительная техника -1992-N7-C8.

137. Бойков И.В. Черушева Т.В. Об одном методе измерения динамических характеристик //Измерительная техника-1993-N5-C13.

138. Бойков И.В. Черушева Т.В. Итерационные методы восстановления входных сигналов //Оптимальные методы вычислений и их применение Пенза: Пензенский политехи, инст. -1990- Вып. N9-C. 18-30.

139. Кривулин Н.П. Методы идентификации динамических характеристик систем с распределенными параметрами // Автореферат дисс. кан. техн. наук. Пенза. ПензГУ -2000.

140. Бойков И.В., Кривулин Н.П. Об идентификации параметров измерительных преобразователей с распределенными параметрами //Сб научн. трудов ПВАИУ. Пенза-1999.

141. Бойков И.В., Кривулин Н.П. Определение динамических характеристик измерительных преобразователей с распределенными параметрами. // Измерительная техника -2000-N9.

142. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука, 1979.

143. Вучков И., Бояджиева Л., Солаков Е. Прикладной регрессионный анализ. М.: Финансы и статистика, 1987, 238 с.

144. Баскаков С.И. Радиотехнические цепи и сигналы M.J . Высшая школа, 1983 - 536с.

145. Левин Б.В. Теоретические основы статистической радиотехники. М. Советское радио, 1968 494 с.367

146. Бендат Дж. Применение корреляционного и спектрального анализа /Дж. Бендат, А. Пирсол // М.: Мир 1983 311 с.

147. Яковлев В.П. Получение набора некоррелированных случайных воздействий при помощи нелинейных преобразований единственного случайного сигнала // Автоматика и телемеханика № 6, 1965, с. 1099-1104.

148. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных. Докл. АН СССР, 1956. Т. 108, No. 2. С.179-182.

149. Арнольд В.И. О функциях трех переменных. Докл. АН СССР, 1957. Т. 114, No. 4. С. 679-681.

150. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного. Докл. АН СССР, 1957. Т. 114, N 5. С. 953-956.

151. Горбань А.Н. и др. Нейроинформатика / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н.Кирдин, Е.М.Миркес, А.Ю.Новоходько, Д.А.Россиев, С.А.Терехов, М.Ю.Сенашова, В.Г.Царегородцев // Новосибирск. Сибирское предприятие РАН, 1998. -296 с.

152. Миркес Е.М. Нейрокомпьютер. Проект стандарта. Новосибирск: Наука-1999-ЗЗОс.

153. Грешилов А.А. и др. Принятие решений с помощью обобщенных линейных разделяющих функций /А.А.Грешилов, А.В.Мальцев, В.П.Пархоменко //М.: Советское радио-2000-48с.

154. Lippman R.P. An introduction to computing with neural nets // IEEE ASSP Magazine. Apr. 1987. P.4-22.

155. Moody J, Darken C.J., Fast Learning In Netwoks of Locally Tuned Processing Units //Neural Computation. 1989. N1, pp. 281-194.

156. Беллман P. Введение в теорию матриц. М.: Наука, 1969.

157. Грантмахер Ф.Р. Теория матриц. М.: Наука, 1988, 552 с.

158. Бронштейн Н.Н., Семендяев К.А. Справочник по математике. М.: Наука, 1980, 970 с.368

159. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976, 511с.

160. Хант Э. Искусственный интеллект. М.: Мир, 1978, 558 с.

161. Фуканага К. Введение в статистическую теорию распознавания образов. М.: Наука, 1979, 368 с.

162. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Сов. Радио, 1980, 408 с.

163. Распознавание образов: состояние и перспективы. //К.Верхаген, Р.Дёйн, Й.Йостен, П.Вербак. М.: Радио и связь, 1985, 104 с.

164. Kirby М. Application of the Karhunen-Loeve Procedure for Characterization of Human Faces /М. Kirby, L.Sirovich //Trans. IEEE Pattrn Analysis and Machin Intelligence, Jan. 1990, pp 103-108.

165. Шалыгин A.C., Палагин Ю.И. Прикладные методы статистического моделирования. Л.: Машиностроение, 1986, 320 с.

166. Пешаль М. Моделирование сигналов и систем. М.: Мир, 1981, 300 с.

167. Иванов А.И. Имитация внутренних корреляционных связей в обучающей выборке систем идентификации личности. /Л.Н.Сапегин, Е.А.Щигунова, А.И.Иванов //Новые промышленные технологии. 1999, №3, с.84-87.

168. Справочник по вероятностным расчетам. //Абезгауз Г.Г., Тронь А.П., Копёнкин Ю.Н., Коровина И.А. и др. М.: Воениздат, 1970, 536 с.

169. Best Practices in Testing perfomance of biometrics. UK Goverments Biometrics Workin Group (www.abf.org.uk/bwg/ bestpraclO. pdf).

170. Кологоров B.A., Иванов А.И. Проблемы и перспективы использования нейрокомпьютеров в промышленности. Вып. 2-3, с. 124-136.

171. Форсайт Дж., Молер К. Численное решение систем линейных алгебраических уравнений. М.: Мир., 1969.

172. Зеленский К.Х. Компьютерные методы прикладной математики / К.Х. Зеленский, В.Н.Игнатенко, А.П.Коц //Киев: Дизайн-В. 1999-352с.369

173. Иванов А.И. Симметризация искусственных нейронных сетей как путь ускорения их обучения. /Нейрокомпьютеры: разработка, применение, № 3,2001, с. 15-22.

174. Волчихин В.И. Измерение качества примеров, предваряющее обучение искусственной нейронной сети. //Тезисы докладов международного симпозиума «Надежность и качество 2000», 22-31 мая, 2000, Пенза, с. 3032.

175. Иванов А.И. Контроль качества учебного материала нейросети и систем биометрической идентификации личности. /А.И.Иванов, Л.Н.Сапегин, Е.А. Щигунова //Автометрия. №4, 2000, с 32-40.

176. Иванов А.И. Прогноз качества обучения нейроподобных алгоритмов биометрической идентификации личности. / А.И. Иванов, Л.Н.Сапегин, Е.А.Щигунова //Новые промышленные технологии. Выпуск 3, 1999 г., с 88-93.

177. Россиев Д.А. Медицинская нейроинформатика. //Нейроинформатика. Глава 5. Новосибирск. Наука 1998-С. 137-211.370

178. Hebb D.O. Organization ofbehauior. New York: Science Edition. 1961.

179. Розенблат Ф. Принципы нейродинамики. -M.: Мир., 1965.

180. Минский M.JL, Пейперт С. Персептроны. М.: Мир.-1971.

181. Widrow В. Adaptiv sampled-data systems, a statistical theory of adaptation. IRE WESCON Conuention Record. 1959? Part 4, pp. 88-91. New York: Institute of Radio Engineers.

182. TexaKaBank: система клиентских расчетов через Internet. // Банковские технологии № 7-8. 2000-С.12.

183. Аверин С. Введеие в светлый мир электронного бизнеса. // Банковские технологии № 7-8. 2000-С. 18-20.

184. Ванин А., Сумманен К. Введение в телебанкинг //Банковские технологии № 7-8. 2000-С.25-41.

185. Шнайке С. Какая польза от электронных денег. LAN/Журнал сетевых решений. 10-1998.

186. Севастьянов Н.К. Электронная наличность. //Конфидент. Защита информации 6-1996. С.62-65.

187. Chaum D. Numbers Can Be a Better Form of Cash then Paper. Computer Security and Industrial Cryptography. Lecture Notes in Computer Science N741 p.p. 174-178, Springer-Verlag, 1991.

188. Ferguson N. Single term off-line coins. Advances in Cryptology -EUROCRYPT'93, Lecture Notes in Computer Science N765, p.p. 318-328, Springer-Verlag, 1993.

189. Yacobi Y. Efficient electronic money. Advances in Cryptology -ASIACRYPT-94. Lecture Notes in Computer Science N917, p.p. 153-163. Springer 1994.371

190. Brands S. Untraceable Off-line Cash in Wallet with Observers. Advances in Cryptology -CRYPTO'93, Lecture Notes in Computer Science N773 p.p.302-318. Springer-Verlag, 1993.

191. Полевой H. Смарт-карта секретного доступа //Конфидент. Защита информации. 5-1997. С.97-99.

192. Шестопалов Т.А. Как не «засветить» номер кредитной карты //Конфидент. Защита информации. 6-1996. С.52-54.

193. Смирнов В.А. Средства обеспечения безопасности платежных систем на микропроцессорных смарт-картах. //Конфидент. Защита информации. 6-1996. С.50-51.

194. Балакирский В.Б. Безопасность электронных платежей. //Конфидент. Защита информации. 5-1996. С.47-56.

195. Крюкова С. Технология овердрафтного кредитования по пластиковым карточкам // Банковские технологии № 7-8. 2000-С.52-56.

196. Андерсон Р. Почему не срабатывают криптосистемы: уроки последних лет. //Конфидент. Защита информации. 1-1996. С.59-66.

197. Андерсон Р. Почему не срабатывают криптосистемы: смена парадигмы. //Конфидент. Защита информации. 2-1996. С.63-68.

198. Логунов А.Л., Общие принципы функционирования, международных электронных платежных систем и осуществление мер безопасности при защите от злоупотреблений. /А.Л.Логунов, Н.С.Елхимов //Конфидент. Защита информации. 2-1995. С.48-54.

199. Вайнштейн В.А. Ведение личных финансов, покупки и управление банковским счетом через Internet. //Сети и системы связи. №6-1997-С.124-128.

200. Departament of Defense Password Managment Guideline // 12 april 1985. Departament of Defense Comuter Security CENTER Fort George G. Meade, Mareland 20755.

201. A One-Time Password System /Inernet Official Protocol Standards /The Internet Socity (Febrary 1998), www./RTF2289.txt372

202. PKCS#5: Password-Based Encryption Standard. 11 An RSA Laboratories Technical Note Version 1.5. Revised November 1, 1993.

203. Вакка Дж. Секреты безопасности в Internet. Киев: Диалектика, 1997, 512 с.

204. Медведовский И.Д. Атака на Internet / И.Д. Медведовский, П.В.Семьянов, Д.Г.Леонов // М.: ДМК -1999-334 с.

205. Дергалин Н.Л. Практика применения паролей. //Конфидент. Защита информации. 3-1995. С.25-26.

206. Семьянов П.В. Почему криптосистемы ненадежны. //Проблемы информационной безопасности. Компьютерные системы. № 1, 1999, с.70-82.

207. Зегжда Д.П., Ивашко A.M. Как построить защищенную информационную систему. СПб: Мир и семья - 95, 1997, 312 с.

208. Хоффман Л.Дж. Современные методы защиты информации. М.: Радио и связь, 1989.

209. Алюшин М.В. Аппаратная реализация быстродействующих нейросетей на основе программируемой логики фирм AMD, ALTERA, XILINX// Нейроинформатика -99. М.: МИФИ. Часть 2. С. 18-24.

210. Шевченко П.А. Применение микропроцессора NM6403 для эмуляции нейронных сетей /П.А. Шевченко, Д.В.Фомин, В.М. Черников, П.Е.373

211. Виксне 11 Нейрокомпьютеры и их применение 99. М.: ИЛУ РАН, 1999. -С.81-90.

212. Галушкин А.И. Нейрокомпьютеры. Книга 3 серии «Нейрокомпьютеры и их применение», М.: ИПРЖР, 2000 г.

213. Гладышев И. Анализ и обработка данных: специальный справочник СПб: Питер, 2001.-752 с.

214. Мюллер П., Нойман П., Шторм Р. Таблицы по математической статистике. -М.: Финансы и статистика, 1982, 278 с.

215. Мак-Вильямс Ф. Дж., Слоен Н.Дж.А. Теория кодов, исправляющих ошибки. М: Связь, 1979, 744 с.

216. Питерсон У., Уэлдон Э. Коды, исправляющие ошибки М.:Мир, 1976, 594 с.

217. Муттер В.М. Основы помехоустойчивой телепередачи информации. Ленинград, Энергоатомиздат, 1990 -288 с.

218. Программирование алгоритмов защиты информации // А.В.Домашев, М.М.Грунтович, В.О.Попов, Д.И.Правиков, И.В.Прокофьев, А.Ю.Щербаков / М.: «Нолидж», 2002 г., 416с.

219. Волчихин В.И., Иванов А.И. Биометрические технологии основа информационной безопасности /Вооружение. Политика. Конверсия. 2002, №1., с.5-8.

220. Иванов А.И. Организация лабораторных работ по изучению систем биометрической аутентификации личности /В.И.Волчихин, С.Л.Зефиров, А.И. Иванов //Безопасность информационных технологий. 2000, №3, с.86-88.

221. Найк Дилип Стандарты и протоколы Интернета. М.: Издательский отдел «Русская редакция» ТОО «Channel Trading Ltd» 1999.-384 с.

222. Иванов А.И. Объединение протоколов аутентификации /Защита информации. Конфидент. 2002 г., № 1, с 64-69.

223. Бочкарев С.Л. Унификация биометрических технологий: интерфейс BioAPI. /Защита информации. Конфидент. 2002 г., № 1, с 70-74.

224. Иванов А.И. Использование тайных биометрических образов человека. /В.И.Волчихин, А.И.Иванов //Системы безопасности. № 2(44) 2002, с 4041.

225. Иванов А.И. Естественное использование искусственных нейронных сетей в биометрии. /В.И.Волчихин, А.И.Иванов // Системы безопасности. № 3(45) 2002, с 46-47.375