ЖУРНАЛ СТА №4/2023

пользовались две открытые базы дан- ных. Шаньдунский университет собрал базу данных рисунков вен фаланг паль- цев (FV). Каждое изображение хранится в формате «BMP», которыйимеет размер- ность 320×240 пикселей. Гонконгский политехнический уни- верситет собрал базу данных 3D-изоб- ражений суставов пальцев (FKP), и в эту базу данных включено 7920 фотогра- фий, состоящих из 12 изображений ука- зательных и средних пальцев обеих рук 165 человек. Поскольку в базе данных FKP больше участников, чем в базе дан- ных FV, для сравнения были выбраны только 106 из них. Такой подход был не- обходим для слияния модальностей FV и FKP на этапе обучения и тестирова- ния. В выбранных унимодальных и мультимодальных методах классы каж- дой базы данных были разделены на две отдельные подбазы данных, 60% из которых использовались для обучения, а 40% – для тестирования. После двух перекрестных проверок была рассчита- на точность распознавания путём чере- дования обучающего и тестового изоб- ражений. В табл. 1 и на рис. 2 показан сравни- тельный анализ точности между пред- ложенными и существующими метода- ми. В данном случае был проведён сравнительный анализ различных на- боров биометрических данных на осно- ве количества обработанных изображе- ний. Расчёт точности выполнялся с по- мощью метода прогнозирования на ос- новании технологий глубокого машин- ного обучения (DL). Предложенный ме- тод достиг 96% точности для 500 изобра- жений на основе их итераций, в то вре- мя как существующий RBM достиг 83%, а CNN достиг 90% точности. В табл. 2 и на рис. 3 показаны различ- ные сравнения биометрических изобра- жений на основе наборов данных с точ- ки зрения F-показателей. Для расчёта F- показателя количество обработанных изображений составило 500 изображе- ний как для существующей, так и для предлагаемой методики. F-оценка пока- зывает способность различать каждый признак независимо от других призна- ков. Для первого признака генерируется одна оценка, а для второго признака по- лучается другая оценка. Однако в нём ничего не говорится о том, как эти два элемента работают вместе. Здесь вы- числение F-показателя с использовани- ем эксплуатации определило эффектив- ность прогнозирования. Он создаётся путём рассмотрения гармонического компонента отклика и точности. Если расчётный балл равен 1, это считается отличным результатом, тогда как 0 бал- лов указывает на плохой результат. Фактическая отрицательная ставка не принимается во внимание F-измере- ниями. Предложенный метод достиг 85% F-оценки для 500 изображений на основе их итераций, в то время как су- ществующий RBM получил 79%, а CNN – 81% F-оценки. В табл. 3 и на рис. 4 показано сравне- ние расчётных значений точности биометрических данных предлагаемых и существующих методов на основе 500 изображений. Точность класса рас- считывается путём деления общего количества элементов, классифициро- ванных как принадлежащие к поло- жительному классу, на количество истинно положительных результатов. Вероятность состоит в том, что класси- ОБ ЗОРЫ Algorithm 1: DTTP For every sensor node, S, I = 1, 2, . . . ,n Calculate identification factor Idi Calculate sensing result SR Calculate consistency value CVi Evaluate CTVi End for Select aggregator node Aj with highest CTVi For every aggregator Aj, j = 1, 2, . . . .n When Ai receives data packet from node Si, it measures its trust value CTVi If CTVi < CTVi then Ai will not aggregate packet Else Aj aggregates packet and increment its counter CTj as Ctj = Ctj +a Where a is the number of packets successfully aggregated by Aj End if Aj produces a random hash value [MAC (agg, Ctj] Aj transmits [MAC (agg, Ctj] to the sink End for When all aggregated data from Ai reaches sink, it checks the counter value Ctj If Ctj > Ctj , then Aj is well behaving Else Aj is misbehaving End if Aj is prohibited from further transmissions Точность, % Количество изображений KPCA_VGG-16-DTTP CNN RBM 100 95 90 85 80 75 70 200 300 400 500 Количество изображений RBM CNN KPCA_VGG-16-DTTP 100 68 75 81 200 72 77 85 300 75 79 88 400 79 85 92 500 83 90 96 Рис. 2. Сравнение точности СТА 4/2023 64 www.cta.ru Точность, % Количество изображений KPCA_VGG-16-DTTP CNN RBM 100 65,0 67,5 70,0 72,5 75,0 77,5 80,0 82,5 85,0 200 300 400 500 Количество изображений RBM CNN KPCA_VGG-16-DTTP 100 65 68 73 200 68 71 76 300 72 75 79 400 77 78 81 500 79 81 85 Таблица 2. Сравнительный анализ F-показателя Рис. 3. Сравнение F-оценки Таблица 1. Сравнительный анализ точности