Структурный синтез нейросетевых моделей биометрического распознавания в пространстве вторичных признаков многомерных динамических кривых

Цель исследования. Целью работы является повышение достоверности биометрической идентификации пользователя по динамической подписи за счёт построения нейросетевых моделей, ориентированных на работу в пространстве вторичных признаков, полученных из многомерных динамических кривых. В центре внимания ‒ структурный и параметрический синтез архитектуры классифицирующей нейронной сети на основе анализа статистических, гармонических и вейвлет-преобразованных характеристик динамической подписи.

Методы. Предлагается модель идентификации, реализующая параллельное распознавание многомерных фрагментов кривой различными методами ‒ статистическими, метрическими и нейросетевыми. Исследование опирается на выборку параметров динамической подписи, включая координаты, давление, скорость, ускорение и производные от них признаки. Используются математические ожидания, дисперсии, коэффициенты вариации, энтропии и эквивокации, а также ДПФ-, ДКП- и ДВП-преобразования для формирования информативного признакового пространства. На основе этих признаков проводится синтез MLPклассификатора с адаптацией его структуры под входные данные.

Результаты. Экспериментально подтверждена возможность повышения достоверности идентификации пользователя при использовании вторичных признаков по сравнению с традиционными подходами. Использование 3–5 ключевых параметров и их спектральных признаков обеспечивает точность идентификации на уровне 0,8–0,95 в условиях ограниченного количества пользователей и удерживает её около 0,7 при масштабировании. Средний прирост точности составил 25–35% по сравнению со статистическими алгоритмами и 5–15% по сравнению с метрическими.

Заключение. Для достижения заданных показателей достоверности рекомендуется использовать многоуровневый подход к идентификации, предполагающий раздельную обработку параметров динамической подписи с последующим комплексированием результатов. Наиболее эффективными оказались нейросетевые модели в сочетании с метрическими и корреляционными методами в пространстве спектральных и статистических признаков.

1. Ломов Н., Петрова Д., Рязанцева Ю. Биометрия в финансовой сфере 2020: Выгоды для потребителя. URL: https://www.fintechru.org/analytics/analiticheskaya-zapiskapo-biometrii/?ysclid=lvwb2xh8z610856013 (дата обращения: 08.09.2025).

2. Отчет об анализе размера, доли и тенденций мирового рынка биометрических систем – обзор отрасли и прогноз до 2032 года // Data Bridge.

3. Танцеров А. Х., Данилов Е. А. Современные подходы к распознаванию и аутентификации подписей: методы обработки изображений // XXI век: итоги прошлого и проблемы настоящего плюс. 2025. Т. 14, № 2 (70). С. 71–76. EDN SCSZTT

4. Advances in Computer Vision and Pattern Recognition / S. Marcel, M. S. Nixon, J. Fierrez, N. Evans. Springer, 2023. 522 p.

5. Старовойтов В. В., Ахунджанов У. Ю. Распределение значений локальной кривизны как структурный признак для off-line верификации рукописной подписи // Системный анализ и прикладная информатика. 2023. № 2. С. 49–58.

6. Танцеров А. Х., Данилов Е. А., Мартышкин А. И. Обзор и сравнение некоторых методов аутентификации подписи по динамическим параметрам // Вестник Рязанского государственного радиотехнического университета. 2025. № 92. С. 213–224. https://doi.org/10.21667/1995-4565-2025-92-213-224

7. Carmona P. L., Salvador S. A., Fred L. N. Mathematical Methodologies in Pattern Recognition and Machine Learning: Contributions from the International Conference on Pattern Recognition Applications and Methods. Springer, 2022. 204 p.

8. Иванов А. И. Использование обратного критерия хи-квадрат Пирсона при мультипликативном синтезе новых статистических критериев из уже известных критериев для проверки гипотезы нормального распределения данных малых выборок // Известия высших учебных заведений. Поволжский регион. Технические науки. 2023. № 2 (66). С. 15–23. EDN LPXYSF

9. Иванов А. И. Синтез новых интегро-дифференциальных статистических критериев и эквивалентных им искусственных нейронов для малых выборок. Самара: Издательство Самарского научного центра РАН, 2022. С. 161–163. EDN JHGXBI

10. Танцеров А. Х., Данилов Е. А. Кинематическая модель формирования эталонных динамических параметров подписи пользователя // Вестник Рязанского государственного радиотехнического университета. 2025. № 92. С. 170–178. https://doi.org/10.21667/1995-4565-2025-92-170-178

11. Jain A. K., Griess F. D., Connell S. D. Online signature verification // Pattern Recognition. 2022. N 35. P. 2963–2972.

12. Wijdan Yassen A. AlKarem, Khawla H. Ali, Eman Thabet Khalid. Handwritten Signature Verification Method Using Convolutional Neural Network // Iraqi Journal for Electrical And Electronic Engineering. 2024. N 20 (2), P. 77–84. https://doi.org/10.37917/ijeee.20.2.7

13. DeepSign: Deep learning for signature analysis / R. Tolosana, R. Vera-Rodriguez, J. Fierrez, J. Ortega-Garcia // IEEE Transactions on Information Forensics and Security. 2020. N 15(1). P. 229–240. https://doi.org/10.1109/TBIOM.2021.3054533

14. Off-line handwritten signature GPDS-960 corpus / J. F. Vargas, M. A. Ferrer, C. M. Travieso, J. B. Alonso // IEEE Transactions on Information Forensics and Security. 2017. N 12(3). P. 596–605. https://doi.org/10.1109/ICDAR.2007.4377018

15. Learning hierarchical features for scene labeling / C. Farabet, C. Couprie, L. Najman, Y. LeCun. // IEEE Transactions on Pattern Analysis and Machine Intelligence 2023. N 8 (35). P. 1915–1929.

16. Batista L., Granger E., Sabourin R. Dynamic selection of generative – discriminative ensembles for off-line signature verification // Pattern Recognition. 2016. N 52. P. 182–197. https://doi.org/10.1016/j.patcog.2011.10.011

17. Ахунджанов У. Ю., Старовойтов В. В. Предварительная обработка изображений рукописных подписей для последующего распознавания // Системный анализ и прикладная информатика. 2022. № 2. С. 4–9.

18. Иванов А. И., Куприянов Е. Н. Синтез новых более мощных статистических критериев через мультипликативное объединение классических критериев Фроцини и Мурота – Такеучи с критерием Хeрста для проверки гипотезы нормальности малых выборок // Надежность. 2022. Т. 22, № 1. С. 52–55. https://doi.org/10.21683/1729-2646-2022-22-1-52-55. EDN CWHSKS

19. Вдовкина С. А., Шибанов С. В. Библиотека для онлайн-верификации рукописной подписи // Вестник Пензенского государственного университета. 2022. № 2. С. 76– 84.