Методы машинного обучения для динамической биометрической верификации операторов беспилотных летательных аппаратов тема диссертации и автореферата по ВАК РФ 05.13.17, доктор наук Трокоз Дмитрий Анатольевич

• Трокоз Дмитрий Анатольевич
• доктор наук
• 2021

Оглавление диссертации доктор наук Трокоз Дмитрий Анатольевич

ВВЕДЕНИЕ

Глава 1. ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ

1.1. Анализ существующих методов поведенческой биометрической верификации

1.2. Проблема динамической биометрической верификации оператора летательных аппаратов

1.3. Постановка задач для решения проблемы биометрической верификации

1.4. Выводы и результаты

Глава 2. МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ В ЗАДАЧЕ БИОМЕТРИЧЕСКОЙ ВЕРИФИКАЦИИ

2.1 Обоснование эффективности использования широких нейронных сетей для биометрической верификации

2.2 Метод представления данных в широких нейронных сетях с использованием алгебры гиперразмерных двоичных векторов

2.3 Метод параметрической оптимизации для широких нейронных сетей с использованием генетических алгоритмов

2.4 Алгоритм машинного обучения широких нейронных сетей с использованием алгебры гиперразмерных двоичных векторов и генетических алгоритмов

2.5 Выводы и результаты

Глава 3. КОМПЛЕКС МЕТОДИК ДИНАМИЧЕСКОЙ

БИОМЕТРИЧЕСКОЙ ВЕРИФИКАЦИИ

3.1 Методика прямой биометрической верификации

3.2 Методика косвенной биометрической верификации

3.3 Методика повышения точности динамической биометрической верификации

3.4 Формализация параметрического кодирования для методик биометрической верификации

3.5 Выводы и результаты

Глава 4. ПРОЕКТИРОВАНИЕ УНИФИЦИРОВАННОГО МОДУЛЯ ОБУЧЕНИЯ ШИРОКИХ НЕЙРОННЫХ СЕТЕЙ С ИСПОЛЬЗОВАНИЕМ

АЛГЕБРЫ ГИПЕРРАЗМЕРНЫХ ДВОИЧНЫХ ВЕКТОРОВ И ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ

4.1 Проектирование архитектуры унифицированного модуля широких нейронных сетей

4.2 Проектирование программного интерфейса взаимодействия модуля с внешними системами

4.3 Проектирование программного компонента поддержки алгебры гиперразмерных векторов

4.4 Проектирование программного компонента машинного обучения широких нейронных сетей

4.5 Проектирование программного компонента оптимизации параметрической модели

4.6 Проектирование программного компонента ядра унифицированного модуля обучения широких нейронных сетей

4.7 Выводы и результаты

Глава 5. ПРОЕКТИРОВАНИЕ СИСТЕМЫ ДИНАМИЧЕСКОЙ БИОМЕТРИЧЕСКОЙ ВЕРИФИКАЦИИ

5.1 Проектирование архитектуры системы динамической биометрической верификации

5.2 Проектирование модуля проксирования данных для файловой системы

5.3 Проектирование модуля биометрической верификации с использованием глубоких нейронных сетей

5.4 Проектирование модуля синтеза наборов данных с использованием методики прямой биометрической верификации

5.5 Проектирование модуля синтеза наборов данных с использованием методики косвенной биометрической верификации

5.6 Проектирование модуля программного ядра системы динамической биометрической верификации

5.7 Выводы и результаты

Глава 6. СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ БИОМЕТРИЧЕСКОЙ ВЕРИФИКАЦИИ

6.1. Описание анализируемых данных для задачи биометрической верификации оператора летательных аппаратов

6.2. Исследование моделей, построенных с использованием глубоких нейронных сетей

3

6.3. Исследование моделей, построенных с использованием методики прямой

биометрической верификации

6.4. Исследование моделей, построенных с использованием методики косвенной биометрической верификации

6.5. Использование методики повышения точности динамической биометрической верификации для исследуемых моделей

6.6. Выводы и результаты

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1. СВИДЕТЕЛЬСТВА О РЕГИСТРАЦИИ ПРОГРАММ.. 282 ПРИЛОЖЕНИЕ 2. АКТЫ О ВНЕДРЕНИИ

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Методы машинного обучения для динамической биометрической верификации операторов беспилотных летательных аппаратов»

Актуальность темы диссертации

В современном мире все чаще возникает необходимость верификации личности при доступе к информационным ресурсам или аппаратно-программным комплексам. Классические методы однократной верификации, основанные на парольной защите, используемые в момент первого доступа к целевому ресурсу, фактически позволяют выполнить только аутентификацию. Существенным недостатком этих методов является отсутствие эффективных способов предотвращения и обнаружения факта хищения пароля доступа.

Для решения этой проблемы в настоящее время активно создаются и внедряются методы биометрической верификации личности, основанные на анализе биометрических данных человека. Эти методы обеспечивают более надежную защиту от хищения данных, используемых для верификации, поскольку эти данные неразрывно связаны с верифицируемой личностью. Однако биометрические данные все же могут быть похищены, а затем использованы злоумышленником для верификации. Кроме того, классические методы биометрической верификации личности такие, как биометрическая верификация по изображению лиц, дактилоскопических изображений и рисунков ладоней рук, не могут гарантировать, что после успешного прохождения процедуры верификации личности не будет произведена передача доступа к целевому ресурсу третьему лицу.

Сложность описанной проблемы состоит в необходимости совместить

доступ к целевому ресурсу с процессом верификации. Такая верификация должна

носить перманентный характер, то есть выполняться динамически в процессе

использования целевого ресурса. Этот тип верификации возможен, если процесс

взаимодействия с целевым ресурсом можно представить, как множество

упорядоченных во времени событий, инициированных верифицируемым

пользователем целевого ресурса. При этом необходимым условием является

5

наличие большого количества возможных комбинаций таких событий, распределенных во времени, ведущих к одному и тому же результирующему состоянию целевого ресурса.

Описанный подход к верификации личности используется в ряде методов, которые входят в более крупный класс: методы поведенческой биометрии. К методам поведенческой биометрии относят следующие основные методы: методы голосовой биометрии, методы распознавания жестов и эмоций, методы распознавания клавиатурного почерка и более общие методы распознавания цифрового почерка. Последний тип методов является наиболее перспективным для решения задачи совмещения поведенческой верификации с процессом использования целевого ресурса, поскольку именно цифровой почерк включает в себя характеристики взаимодействия пользователя с различными устройствами, через которые осуществляется доступ к целевому ресурсу. Цифровой почерк связан с эвристической природой функционирования человеческого мозга, которая проявляется в виде недетерминированности действий человека при выполнении одной и той же задачи различными людьми. При этом разные люди приходят к единообразному (или схожему) решению различными путями, в ходе чего образуется так называемый «когнитивный след», представляющий собой в временной ряд действий человека, анализ которого позволяет выделить его цифровой почерк.

Идеи анализа цифрового почерка для решения задач верификации зародились в начале 90х годах прошлого столетия. В 1990 Рик Си Джойс (США) и Гопал Гупта (Австралия) публикуют одну из первых работ в области клавиатурного почерка, в которой решают задачу аутентификации личности, анализируя задержки между нажатиями клавиш. Несмотря на то, что в работе используются весьма примитивные по современным меркам модели, полученные результаты демонстрируют принципиальную возможность верификации личности с использованием клавиатурного почерка. В 1997 году шведский ученый

Александр Дж. Томас предложил подход к биометрической верификации, основанный на поведенческом распознавании подписи на клавиатуре с использованием нейронных сетей, однако, используемые нейросетевые модели были весьма примитивны, поскольку вычислительные мощности тех лет не позволяли обучать крупные нейронные сети. В это же время активно развивались методы клавиатурного почерка с использованием математического аппарата нечетких множеств, которые показывали более точные результаты, чем методы, использующие нейросетевые модели, в силу простоты последних.

На протяжении двух последних десятилетий применение цифрового почерка в задачах верификации и аутентификации исследовалось в ряде работ таких ученых, как Umphress, G. Williams (Texas, USA); M.S. Obaidat, B. Sadoun (New Jersey, USA); Dawn Song, Adrian Perrig (Pittsburgh, PA, USA); R. Gaines, W. Lisowski (Santa Monica, CA, USA); CH. Расторгуев, Р.Н. Минниханов, В.Б. Дорохов, А.И. Иванов, Т.Н. Щукин и др.

Наличие зависимости между изменениями цифрового почерка и психофизическим состоянием человека было продемонстрировано в работах А.Н. Лебедева и Е.В. Луценко. Эти исследование показали необходимость учета психофизиологического состояния в задачах верификации с использованием поведенческой биометрии.

В настоящее время наибольший потенциал в решении задач поведенческой

биометрии показывают нейросетевые методы. Это связано с существенным ростом

производительности современных вычислительных устройств по сравнению с

концом прошлого столетия, что позволило создавать глубокие (многослойные)

нейронные сети, способные решать плохо формализуемые задачи, к которым в

частности относится задача анализа цифрового почерка. При этом существенным

недостатком нейросетевых методов является необходимость экспертного участия

в создании параметрической модели нейронной сети, от которой сильно зависит

точность решения, которую может обеспечить нейросетевая модель. Эта проблема

7

особенно остро проявляется в задачах с большим количеством параметров, к которым и относится задача верификации. В этом случае требуется выделить подмножество ключевых параметров, оказывающих существенное влияние на решение целевой задачи. Выбором этих параметров в настоящее время обычно занимается эксперт. Однако далеко не всегда ему удается адекватно оценить важность параметра, отчего страдает точность верификации. Кроме того, эксперт так же разрабатывает правила представления данных в нейронной сети, поскольку не существует унифицированного способа преобразования между параметрическими моделями целевой задачи и нейронной сети.

В данной работе предлагается решение обозначенных проблем, путем разработки метода представления данных в широких нейронных сетях и метода параметрической оптимизации с использованием генетических алгоритмов. Первый метод обеспечивает унификацию представления данных для широких нейронных сетей, за счет использования позиционно-независимого кодирования. Широкие (с большим количеством нейронов в каждом слое и малым числом слоев) нейронные сети обладают приблизительно теми же возможностями в решении многих задач классификации и прогнозирования, что и глубокие нейронные сети. Основной проблемой применения широких нейронных сетей является сложность построения эффективных унифицированных правил преобразования между их параметрическими моделями и параметрическими моделями целевых задач. Поскольку эта проблема была решена в данном исследовании, применение широких нейронных сетей позволило снизить время необходимое на синтез и обучение нейросетевой модели. Второй метод позволяет проводить оптимизацию параметрической модели целевой задачи с использованием генетических алгоритмов без изменения размерности результирующей параметрической модели нейронной сети. Как следствие, в ходе оптимизации топология нейросетевой модели также остается неизменной, что существенно ускорят процесс такой оптимизации. Кроме того, за счет использования широких нейронных сетей,

требуется существенно меньшее время для многократного обучения нейросетевой модели, которое проводится в ходе оптимизации, чем для глубоких нейронных сетей. Основным достоинством обоих методов является отсутствие необходимости участия эксперта для их применения, что исключает влияние «человеческого фактора» на процесс построения нейросетевой модели, а также делает возможным полную автоматизацию этого процесса путем создания соответствующих аппаратно-программных средств.

Описанное выше решение проблемы экспертного участия при синтезе нейросетевой модели позволило создать комплекс методик динамической биометрической верификации: методику прямой биометрической верификации, которая заменяет целевую задачу задачей классификации, методику косвенной биометрической верификации, которая заменяет целевую задачу задачей прогнозирования, и методику повышения точности динамической биометрической верификации, объединяющая первые две методики для решения целевой задачи. Кроме того, был разработан комплекс программных средств, позволяющий автоматизировать процесс динамической биометрической верификации, который был использован для апробации предложенных в работе методов и методик на задаче непрерывной поведенческой верификации операторов БПЛА (беспилотных летательных аппаратов). Результаты апробации продемонстрировали повышение точности решения целевой задачи в сравнении с существующими методами динамической биометрической верификации, использующие глубокие нейронные сети.

Актуальность работы подтверждается соответствием направлению из Стратегии научно-технологического развития Российской Федерации, утвержденной Указом Президента РФ от 01 декабря 2016 № 642: «Переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам, к новым материалам и способам конструирования, создание систем обработки больших объемов данных, машинного обучения и

искусственного интеллекта» (п. 1) и Перечню критических технологий РФ, утвержденных Указом Президента РФ от 7 июля 2011 г. № 899: «Нано-, био-, информационные, когнитивные технологии» (п. 8).

В диссертационной работе разработаны теоретические положения, совокупность которых можно квалифицировать, как новые научно-обоснованные технические решения, внедрение которых вносит значительный вклад в развитие страны.

Объектом исследования в диссертационной работе являются биометрические данные оператора БПЛА.

Предметом исследования в диссертационной работе является динамическая биометрическая верификация оператора БПЛА.

Целью диссертационной работы является разработка научно обоснованных технических решений по повышению точности динамической биометрической верификации оператора БПЛА.

Задачи диссертационной работы

1. Разработать метод унифицированного представления данных в математических моделях, позволяющий нивелировать зависимость между размерностями параметрической и математической моделей.

2. Создать метод параметрической оптимизации, позволяющий определить подмножество наиболее важных параметров модели для решения задачи биометрической верификации без участия эксперта.

3. Разработать алгоритм машинного обучения, обладающий приемлемой алгоритмической сложностью, для решения задачи динамической биометрической верификации.

4. Создать комплекс методик, позволяющий использовать разработанный алгоритм машинного обучения, метод параметрической оптимизации и

метод представления данных в математических моделях для решения задачи динамической биометрической верификации оператора БПЛА.

5. Разработать программные средства, реализующие предложенные методы, алгоритмы и методики динамической биометрической верификации.

6. Провести апробацию предложенных методов, алгоритмов и методик с использованием реализующих их разработанных программных средств применительно к задаче динамической биометрической верификации оператора БПЛА.

Методы, используемые в диссертации, включают методы машинного обучения, в том числе нейросетевые методы распознавания и прогнозирования, эволюционные методы оптимизации, в частности, генетические алгоритмы и вычислительные методы алгебры гиперразмерных двоичных векторов.

Научная новизна работы состоит в следующем:

1. Предложен метод инвариантного кодирования информации для широких нейронных сетей с использованием алгебры гиперразмерных двоичных векторов. Отличительной особенностью метода является позиционно-независимое представление входных и выходных данных в нейронной сети. Такое представление данных позволяет использовать широкие нейронные сети, в том числе имеющие ассиметричную топологию, для решения технических задач с заранее неизвестным количеством параметров.

2. Предложен метод параметрической оптимизации широких нейронных, с использованием генетических алгоритмов. Основное отличие данного метода от существующих методов, использующих генетические алгоритмы для оптимизации нейронных сетей, состоит в том, что оптимизации подвергается не топология нейронной сети, а структура входных и выходных данных. Использование данного метода при решении технических задач позволяет избавиться от необходимости привлечения

экспертов соответствующей предметной области для определения количества и состава параметров нейросетевой модели.

3. Разработан алгоритм машинного обучения широких нейронных сетей с использованием алгебры гиперразмерных двоичных векторов и генетических алгоритмов. Данный алгоритм объединяет метод инвариантного кодирования информации, метод оптимизации параметров широких нейронных, использующий генетические алгоритмы, и классические методы обучения нейронных сетей, позволяя совместить процесс параметрической оптимизации нейросетевой модели и ее обучения.

4. Разработана методика прямой биометрической верификации. Отличительной особенностью данной методики является представление процесса биометрической верификации, как процесса распознавания событийной последовательности действий оператора, имеющей временные метки. Данная методика позволяет определить степень подобия биометрических данных верифицируемому оператору путем поиска расстояния Хэмминга между результирующим гиперразмерным вектором нейронной сети и гиперразмерным вектором сигнатуры верифицируемого оператора.

5. Разработана методика косвенной биометрической верификации. Отличительной особенностью данной методики является представление процесса биометрической верификации, как процесса прогнозирования событийной последовательности действий оператора, имеющей временные метки. Данная методика позволяет определить степень подобия биометрических данных верифицируемому оператору путем поиска расстояния Хэмминга между результирующим гиперразмерным вектором нейронной сети, соответствующим верифицируемому оператору, и целевым гиперразмерным вектором, соответствующим ожидаемому событию.

6. Предложена методика повышения точности динамической биометрической верификации, которая позволяет совместно использовать методики прямой

12

и косвенной биометрической верификации, что вызывает синергетический эффект, выраженный в снижении ошибок второго рода (ложноположительной верификации) в среднем на 35% по сравнению с раздельным применением указанных методик.

Практическая значимость работы:

1. Предложена программная реализация унифицированного модуля обучения широких нейронных сетей с использованием алгебры гиперразмерных двоичных векторов и генетических алгоритмов, которая позволяет автоматизировать процесс параметрической оптимизации и обучения математических моделей, построенных на базе широких нейронных сетей, благодаря чему становится возможным синтезировать математические модели для решения сложных технических задач классификации и прогнозирования с большим числом параметров без участия эксперта за приемлемое время.

2. Предложена программная реализация системы динамической биометрической верификации, использующая унифицированный модуль обучения широких нейронных сетей, которая позволяет проводить непрерывную поведенческую верификацию путем анализа временных рядов зарегистрированных действий верифицируемых личностей с применением разработанного комплекса методик динамической биометрической верификации.

3. Проведена апробация предложенных методик динамической биометрической верификации для задачи непрерывной поведенческой верификации оператора БПЛА, а также сравнительный анализ этих методик с уже существующими, результаты которого показали снижение ошибок первого рода (ложноотрицательной верификации) на 29%, а ошибок второго рода (ложноположительной верификации) на 35%.

Алгоритм машинного обучения широких нейронных сетей с использованием алгебры гиперразмерных двоичных векторов и генетических алгоритмов и его программная реализация внедрены в АО «Уральский завод гражданской авиации» (г. Казань) при проведении ОКР «Альтиус-РУ» по разработке перспективного комплекса с беспилотными летательными аппаратами в части создания наземного пункта управления и обработки информации и в АО «НПП «Рубин» (г. Пенза) при проведении ОКР по созданию «Наземного комплекса обработки и дешифрирования информации изделия А-101» в части разработки модуля машинного обучения, построенного с использованием математического аппарата нейронных сетей. Методики динамической биометрической верификации и их программная реализация внедрены в ООО НПК «ФаворитЪ» (г. Москва) при проведении ОКР по созданию подвижного комплекса радиолокационно-оптико-электронного наблюдения и контроля наземной обстановки в части разработки подсистемы поведенческой биометрической верификации оператора беспилотного летательного аппарата.

Результаты, выносимые на защиту:

1. Метод инвариантного кодирования информации для широких нейронных сетей с использованием алгебры гиперразмерных двоичных векторов;

2. Метод параметрической оптимизации широких нейронных, с использованием генетических алгоритмов;

3. Алгоритм машинного обучения широких нейронных сетей с использованием алгебры гиперразмерных двоичных векторов и генетических алгоритмов.

4. Комплекс методик динамической биометрической верификации.

5. Программная реализация унифицированного модуля обучения широких нейронных сетей с использованием алгебры гиперразмерных двоичных векторов и генетических алгоритмов.

6. Программная реализация системы динамической биометрической верификации.

7. Результаты апробации предложенных методик динамической биометрической верификации для задачи непрерывной поведенческой верификации оператора БПЛА.

Область исследования согласно паспорту специальности 05.13.17 -Теоретические основы информатики:

- исследование методов и разработка средств кодирования информации в виде данных. Принципы создания языков описания данных, языков манипулирования данными, языков запросов. Разработка и исследование моделей данных и новых принципов их проектирования (п. 3);

- разработка и исследование моделей и алгоритмов анализа данных, обнаружения закономерностей в данных и их извлечениях, разработка и исследование методов и алгоритмов анализа текста, устной речи и изображений (п. 5);

- применение бионических принципов, методов и моделей в информационных технологиях (п. 13).

Согласно формуле специальности «Теоретические основы информатики», к ней относятся, в числе прочего, «.. .исследования методов преобразования информации в данные и знания; создание и исследование информационных моделей, моделей данных и знаний, ., методов машинного обучения и обнаружения новых знаний; исследования принципов создания . программных средств автоматизации указанных процессов».

Личный вклад. В выполненных единолично работах опубликованы результаты, выносимые на защиту в данной диссертации. В выполненных с соавторами работах опубликованы частные решения, отражающие примеры применения результатов диссертации.

Степень достоверности и апробация результатов.

Достоверность результатов исследования обеспечивается корректным применением существующих методов, а также широкой экспериментальной базой и согласованностью теоретического обоснования предложенных методов и методик с результатами их апробации, проведенной с использованием разработанных программных средств. Результаты, полученные в диссертационном исследовании, были опубликованы в научных изданиях, прошли апробацию на международных и всероссийских научных конференциях, на разработанные программные средства получены соответствующие охранные документы.

Публикации. Результаты диссертации опубликованы в 52 работах, из них: 13 публикаций в журналах, рекомендованных ВАК, 17 публикаций входят в базы WoS/Scopus, а также 1 монография и 9 свидетельств о государственной регистрации программ для ЭВМ.

Объем и структура диссертации. Диссертация состоит из введения, шести глав, заключения и двух приложений. Общий объем диссертации 295 страниц. Диссертация содержит 14 таблиц, 50 рисунков и список литературы из 239 наименований.

Глава 1. ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ

1.1. Анализ существующих методов поведенческой биометрической верификации.

Динамические методы биометрической верификации в настоящее время могут быть использованы во многих сферах человеческой деятельности, где необходимо с уверенностью определить факт несанкционированного доступа к аппаратно-программному или информационному ресурсу. Существует большое число различных методов [1-4], каждый из которых призван анализировать одну или несколько биометрических характеристик, которые меняются во времени, например, голос, почерк, походку и т.п. Однако, в данной работе основное внимание уделяется методам, позволяющим анализировать «цифровой почерк» человека, который может быть представлен временным рядом событий взаимодействия человека с аппаратно-программным комплексам. Сам факт возникновения цифрового почерка обуславливается некоторой долей недетерминизма в совершаемых человеком мелких действиях при выполнении более крупного целевого действия или задачи. Это связано в первую очередь с эвристической природой процесса обработки информации мозгом человека, а цифровой почерк является частным случаем более общего понятия «когнитивный след», который проявляется, как особенность выполнения одних и тех же действий различными людьми.

Наиболее ранние работы в области поведенческой биометрии посвящены анализу голоса человека [5-7], в результате которого происходил синтез кода идентификации с использованием разного рода сочетаний частотных и статистических характеристик голоса. Однако, такой подход имел ряд недостатков, поскольку на результаты распознавания голоса влияло множество различных факторов, которые эти методы были не способны учитывать [8, 9]. Эти факторы имели, как технический характер, например, помехи в звукозаписывающем оборудовании или специфическая акустика помещения, так и психологический:

ошибки при произношении, эмоциональное состояние человека и т.п. Методы биометрического анализа голоса делятся на два крупных класса: первый обрабатывает текстовый шаблон (например, какую-то последовательность чисел и сравнение происходит с образцом ранее прочитанного текста), а второй класс методов позволяет обрабатывать любые фразы (сравниваются особенности произношения). В то время как первый класс методов используется преимущественно для аутентификации, второй применяется в задачах верификации[10], поэтому далее рассмотрим подробнее последний класс методов.

Проблемой верификации человека по голосу в настоящее время занимается большое число ученых, как в России, так и за рубежом. В России над данной проблемой уже более 30 лет работают ученые Центра речевых технологий, главный эксперт которого С.Л. Коваль имеет множество работ [11-13] в этом направлении, им был предложен и запатентован способ идентификации говорящего по фонограммам произвольной устной речи на основе формантного выравнивания. Сущность способа состоит в том, что идентификацию говорящего по фонограммам устной речи осуществляют путем оценки сходства между первой фонограммой говорящего и второй, эталонной фонограммой. Для указанной оценки на первой и второй фонограммах выбирают опорные фрагменты речевых сигналов, на которых присутствуют формантные траектории, по крайней мере, трех формантных частот, сравнивают между собой опорные фрагменты, в которых совпадают значения, по крайней мере, двух формантных частот, оценивают сходство сравниваемых опорных фрагментов по совпадению значений остальных формантных частот, а сходство фонограмм в целом определяют по суммарной оценке сходства всех сравниваемых опорных фрагментов. Технический результат - обеспечивают надежную идентификацию говорящего как для длинных, так и для коротких фонограмм, фонограмм, записанных в различных каналах с высоким уровнем помех и искажений, а также фонограмм с произвольной устной речью дикторов, находящихся в различных психофизиологических состояниях, говорящих на

разных языках [14-16]. Этот способ эффективно решает проблему биометрической верификации по голосу, однако, в силу того, что он учитывает именно акустические и биологические особенности речи, его адаптация для решения задач биометрической верификации человека по цифровому почерку не представляется возможным.

Список литературы диссертационного исследования доктор наук Трокоз Дмитрий Анатольевич, 2021 год

СПИСОК ЛИТЕРАТУРЫ

1. Харитонов А. В. Обзор биометрических методов идентификации личности / Харитонов А. В. // NB: Кибернетика и программирование - 2013. - № 2 - С.12—19.

2. Gahi Y. Biometric identification system based on electrocardiogram data / Gahi Y., Lamrani M., Zoglat A., Guennoun M., Kapralos B., El-Khatib K. // 2008 New Technologies, Mobility and Security - 2008. - С.1-5.

3. Gómez E. Biometric identification system by lip shape / Gómez E., Travieso C. M., Briceño J. C., Ferrer M. A. // Proceedings. 36th Annual 2002 International Carnahan Conference on Security Technology - 2002. - С.39-42.

4. Conti V. A frequency-based approach for features fusion in fingerprint and iris multimodal biometric identification systems / Conti V., Militello C., Sorbello F., Vitabile

5. // IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews) - 2010. - Т. 40 - № 4 - С.384-395.

5. Krevatin I. Biometric recognition in telecom environment / Krevatin I. // 2010 14th Int. Conference on Intelligence in Next Generation Networks: "Weaving Applications Into the Network Fabric", ICIN 2010 - 2nd Int. Workshop on Business Models for Mobile Platforms, BMMP 10 - 2010. - С.74.

6. Lee K.-S. Prediction of acoustic feature parameters using myoelectric signals / Lee K.-S. // IEEE Transactions on Biomedical Engineering - 2010. - Т. 57 - № 7 - С.1587-1595.

7. Десятчиков А.А. Комплекс алгоритмов для устойчивого распознавания человека / Десятчиков А.А., Ковков В.В., Лобанцов В.В., Маковкин К.А., Матвеев И.А., Мурынин А.Б., Чучупал В.Я. // Известия российской академии наук. Теория и системы управления - 2006. - № 6 - С.119-130.

- 2004. - № 2 - С.41-45.

9. Arora S. J. Automatic speech recognition: a review / Arora S. J., Singh R. P. // International Journal of Computer Applications - 2012. - Т. 60 - № 9.

10. Сорокин В. Н. Распознавание личности по голосу: аналитический обзор / Сорокин В. Н., Вьюгин В. В., Тананыкин А. А. // Информационные процессы -2012. - Т. 12 - № 1 - С.1-30.

11. Stolbov M. Parametric multi-band automatic gain control for noisy speech enhancement / Stolbov M., Koval S., Khitrov M. // EUROSPEECH 2003 - 8th European Conference on Speech Communication and Technology - 2003. - С.561-564.

12. Zubova P. Speaker ID on langage unknown to an expert / Zubova P., Koval S. // Proceedings of the AES International Conference - 2008.

13. Barinov A. Channel compensation for forensic speaker identification using inverse processing / Barinov A., Koval S., Ignatov P., Stolbov M. // Proceedings of the AES International Conference - 2011. - С.53-58.

14. Коваль С.Л. Способ идентификации говорящего по фонограммам произвольной устной речи на основе формантного выравнивания / Коваль С.Л. - 2011. - С.23.

15. Kir'yanov P. A. The possibilities and limitations of the methods for the personality identification from the voice and sounding speech characteristics / Kir'yanov P. A. // Sudebno-meditsinskaya ekspertiza - 2015. - Т. 58 - № 4 - С.32-36.

16. Булгакова Е. В. Экспертные системы и методы идентификации диктора / Булгакова Е. В., Краснова Е. В. // Известия высших учебных заведений. Приборостроение - 2014. - Т. 57 - № 2 - С.58-63.

17. Dollinger M. Analysis of vocal fold function from acoustic data simultaneously recorded with high-speed endoscopy / Dollinger M., Kunduk M., Kaltenbacher M., Vondenhoff S., Ziethe A., Eysholdt U., Bohr C. // Journal of Voice - 2012. - Т. 26 - № 6 - С.726-733.

18. Mongia P. K. Estimation and statistical analysis of human voice parameters to investigate the influence of psychological stress and to determine the vocal tract transfer function of an individual / Mongia P. K., Sharma R. K. // Journal of Computer Networks and Communications - 2014. - Т. 2014 - С.1-18.

19. Грачев А.М. Статистические подходы к автоматическому распознаванию речи / Грачев А.М. // Вестник Нижегородского университета им. Н.И. Лобачевского -2015. - № 2 - С.376-379.

20. Zimmermann H.J. Fuzzy set theory / Zimmermann H.J. // Wiley Interdisciplinary Reviews: Computational Statistics - 2010. - Т. 2 - № 3 - С.317-332.

21. Пекарь Д. В. Алгоритм принятия решений в речевой системе безопасности на основе нечеткой логики / Пекарь Д. В., Садов В. С. // ПФМТ - 2013. - № 1(14) -С.101-107.

22. Antipina T.I. Fuzzy model in the problem of the speaker identification by voice / Antipina T.I. // Fuzzy Systems and Soft Computing - 2018. - Т. 13 - № 1 - С.37-43.

23. Корнев П.А. Синтез голосовой командной системы на базе нейронной сети Кохонена для управления интеллектуальным агентом / Корнев П.А., Шолохов А.В. // Новое слово в науке и практике: гипотезы и апробация результатов исследований - 2016. - № 25 - С.82-86.

24. Romanyuk A.G. Using deep neural network training for the recognition of user voice commands. / Romanyuk A.G., Smirnov A.N., Antonova V.M. // Journal of Radio Electronics - 2019. - Т. 2019 - № 11 - С.10-20.

25. Титов Ю.Н. Математическая модель органа слуха для автоматического распознавания речи / Титов Ю.Н., Арзамасцев А.А. // Научно-технический вестник информационных технологий, механики и оптики - 2007. - № 37 - С.307-310.

государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение - 2013. - № 2 - С.7.

27. Кучуганов А. В. Распознавание рукописных текстов / Кучуганов А. В., Лапинская Г. В. // Материалы международной научной конференции, Ижевск -2006. - С.98-103.

28. Суслова А. М. Распознавание рукописного текста / Суслова А. М., Жимбоев М. М. // Синергия наук - 2017. - № 17 - С.67-71.

29. Ауесбай К. Распознавание рукописного текста / Ауесбай К. // Интернаука -2019. - № 41-2 - С.5-6.

30. Алимсеитова Ж. Программно-аппаратный модуль распознавания рукописных образов / Алимсеитова Ж. // Известия Кыргызского государственного технического университета им. И. Раззакова - 2018. - № 1 - С.11-19.

31. Impedovo S. More than twenty years of advancements on frontiers in handwriting recognition / Impedovo S. // Pattern Recognition - 2014. - Т. 47 - № 3 - С.916-928.

32. Trokoz D.A. Neural Network for Handwriting Recognition / Trokoz D.A., Babich M.Y., Butaev D.V., Pashchenko D.V., Martyshkin A.I. // Nexo Revista Cientifica - 2020. - Т. 33 - № 2 - С.623-637.

33. Булдаков Н.С. Особенности идентификации пользователя компьютерной сети по почерку / Булдаков Н.С., Булдакова Т.И., Комаров Н.И. // Математические методы в технике и технологиях - ММТТ - 2017. - Т. 2 - С.129-132.

34. Булдакова Т.И. Аутентификация пользователей информационных ресурсов по биометрическим характеристикам / Булдакова Т.И., Смолянинова К.А., Соколов М.Н. // Математические методы в технике и технологиях - ММТТ - 2018. - Т. 2 -С.65-68.

35. Buldakova T.I. Biological principles of integration information at Big Data processing / Buldakova T.I., Suyatinov S.I. // Proceedings - 2019 International Russian Automation

254

Conference, RusAutoCon 2019 - 2019. - С.1-6.

36. Pashchenko D.V. Imitation model for keystroke dynamics base on state context representation / Pashchenko D.V., Martyshkin A.I., Trokoz D.A., Balzannikova E.A. // IOP Conference Series: Materials Science and Engineering - 2020. - № 994 (1) -С.012001.

37. Joyce R. Identity authentication based on keystroke latencies / Joyce R., Gupta G. // Communications of the ACM - 1990. - Т. 33 - № 2 - С.168-176.

38. Gupta G.K. Using position extrema points to capture shape in on-line handwritten signature verification / Gupta G.K., Joyce R.C. // Pattern Recognition - 2007. - Т. 40 -№ 10 - С.2811-2817.

39. Ерусланов Р.В. Клавиатурная идентификация пользователя на базе метода многосвязного представления / Ерусланов Р.В. // Вестник Марийского государственного технического университета. Серия: Радиотехнические и инфокоммуникационные системы - 2009. - № 3(7) - С.43-50.

40. Брюхомицкий Ю.А. Параметрический метод биометрической аутентификации пользователей информационных систем / Брюхомицкий Ю.А. // Информационное противодействие угрозам терроризма - 2002. - № 1 - С.40-45.

41. Брюхомицкий Ю.А. Идентификация пользователя по клавиатурному почерку на основе сменных виртуальных клавиатур / Брюхомицкий Ю.А., Зверев Е.М., Казарин М.Н. // Информационное противодействие угрозам терроризма - 2005. -№ 4 - С.135-140.

42. Брюхомицкий Ю.А. Выделение информативных биометрических параметров в системах клавиатурного мониторинга / Брюхомицкий Ю.А., Казарин М.Н. // Информационное противодействие угрозам терроризма - 2010. - №2 14 - С.139-143.

Савинов А.Н. // Программные системы и вычислительные методы - 2012. - № 1 -С.53-59.

44. Савинов А.Н. Математическая модель механизма распознавания клавиатурного почерка на основе гауссовского распределения / Савинов А.Н., Сидоркина И.Г. // Известия Кабардино-Балкарского научного центра РАН - 2013. - № 1(51) - С.26-32.

45. Сидоркина И.Г. Три алгоритма управления доступом к КСИИ на основе распознавания клавиатурного почерка оператора / Сидоркина И.Г., Савинов А.Н. // Вестник Чувашского университета - 2013. - № 3 - С.293-301.

46. Хиценко В.Е. Повышение достоверности аутентификации по клавиатурному почерку / Хиценко В.Е., Крутохвостов Д.С // Актуальные проблемы электронного приборостроения. труды XII международной конференции: АПЭП-2014 - 2014. -С.160-163.

47. Krutohvostov D. S. Password authentication and continuous authentication by keystroke dynamics using mathematical statistics / Krutohvostov D. S., Khitsenko V. E. // Voprosy kiberbezopasnosti - 2017. - № 5(24) - С.91-99.

48. Khitsenko V. E. Statistical monitoring of keyboard handwriting for continuous authentication / Khitsenko V. E., Krutokhvostov D.S. // 2018 XIV International Scientific-Technical Conference on Actual Problems of Electronics Instrument Engineering (APEIE) - 2018. - С.171-174.

49. Mondal S. Multi-item fuzzy EOQ models using genetic algorithm / Mondal S., Maiti M. // Computers & Industrial Engineering - 2003. - Т. 44 - № 1 - С.105-117.

50. D. Sen Defect production in nonlinear quench across a quantum critical point / D. Sen, Sengupta K., Mondal S. // Physical Review Letters - 2008. - Т. 101 - № 1 -С.016806.

manipulators / Mondal S., Mahanta C. // Journal of the Franklin Institute - 2014. - Т. 351

- № 4 - С.2356-2377.

52. Bhargav-Spantzel A. Privacy preserving multi-factor authentication with biometrics / Bhargav-Spantzel A., Squicciarini A. C., Modi S., Young M., Bertino E., J. E.S. // Journal of Computer Security - 2007. - Т. 15 - № 5 - С.529-560.

53. Bhatia A. Keystroke dynamics based authentication using information sets / Bhatia A., Hanmandlu M. // Journal of Modern Physics - 2017. - Т. 08 - № 09 - С.1557-1583.

54. Bhatia A. Keystroke dynamics based authentication using possibilistic renyi entropy features and composite fuzzy classifier / Bhatia A., Hanmandlu M. // Journal of Modern Physics - 2018. - Т. 09 - № 02 - С.112-129.

55. Phoha V. V. Hidden markov model ("HMM")-based user authentication using keystroke dynamics / Phoha V. V., Phoha S., Ray A., Joshi S. S., Vuyyuru S. K. - 2007.

- С.13.

56. Joshi S. S. Competition between SOM clusters to model user authentication system in computer networks / Joshi S. S., Phoha V. V. // 2007 2nd International Conference on Communication Systems Software and Middleware - 2007. - С.1-8.

57. Ali M. L. Keystroke biometric user verification using hidden Markov model / Ali M. L., Thakur K., Tappert C. C., Qiu M. // 2016 IEEE 3rd International Conference on Cyber Security and Cloud Computing (CSCloud) - 2016. - С.204-209.

58. Тимофеев А.В. Параметрическая оптимизация структуры консолидирующего решения в биометрических системах идентификации личности / Тимофеев А.В. // Научно-технический вестник информационных технологий, механики и оптики -2014. - № 3(91) - С.96-102.

59. Timofeev A.V. Automatic object classification according to 3d-lidar data based on single-photon counting technology / Timofeev A.V., Denisov V.M. // Scientific and Technical Journal of Information Technologies, Mechanics and Optics - 2018. - Т. 18 -

№ 5 - С.709-718.

60. Timofeev A.V. Identification of equipment dégradation phase in preventative maintenance systems / Timofeev A.V., Denisov V.M. // Scientific and Technical Journal of Information Technologies, Mechanics and Optics - 2019. - Т. 19 - № 6 - С.1097-1105.

61. Ложников П.С. Алгоритм биометрической идентификации личности с использованием альтернативных сценариев авторизации / Ложников П.С., Сулавко А.Е. // Динамика систем, механизмов и машин - 2014. - № 4 - С.79-82.

62. Иванов А.И. Биометрическая идентификация рукописных образов с использованием корреляционного аналога правила Байеса / Иванов А.И., Качайкин Е.И., Ложников П.С., Сулавко А.Е. // Вопросы защиты информации - 2015. - № 3(110) - С.48-54.

63. Еременко А.В. Идентификационный потенциал клавиатурного почерка с учетом параметров вибрации и силы нажатия на клавиши / Еременко А.В., Сулавко А.Е., Мишин Д.В., Федотов А.А. // Прикладная информатика - 2017. - Т. 12 - № 1(67) - С.79-97.

64. Сесин Е.М. Построение моделей идентификации личности, основанных на сравнении множества физических или поведенческих характеристик человека / Сесин Е.М., Белов В.М. // Вестник СибГУТИ - 2011. - № 4(16) - С.41-49.

65. Сесин Е.М. Системы идентификации личности, основанные на интеграции нескольких биометрических характеристик человека / Сесин Е.М., Белов В.М. // Доклады Томского государственного университета систем управления и радиоэлектроники - 2012. - № 1- 2(25) - С.175-179.

66. Сесин Е.М. Методы синтеза стратегии идентификации при использовании нескольких биометрических характеристик / Сесин Е.М., Белов В.М. // Информационные технологии в прикладных исследованиях. сборник научных

трудов. под ред. А. Л. Осипова - 2012. - № 1- 2(25) - С.47-51.

67. Hill T. Neural network models for time series forecasts / Hill T., O'Connor M., Remus W. // Management Science - 1996. - Т. 42 - № 7 - С.939-1092.

68. Li X. Performance analysis of GPU-based convolutional neural networks / Li X., Zhang G., Huang H. H., Wang Z., Zheng W. // 2016 45th International conference on parallel processing (ICPP) - 2016. - С.67-76.

69. Wang L. Superneurons: dynamic GPU memory management for training deep neural networks / Wang L., Ye J., Zhao Y., Wu W., Li A., Song S. L., Xu Z., Kraska T. // Proceedings of the 23rd ACM SIGPLAN symposium on principles and practice of parallel programming - 2018. - С.41-53.

70. Li B. Large scale recurrent neural network on GPU / Li B., Zhou E., Huang B., Duan J., Wang Y., Xu N., Zhang J., Yang H. // 2014 International Joint Conference on Neural Networks (IJCNN) - 2014. - С.4062-4069.

71. Tatyankin V. M The training set in the problem of pattern recognition using neural networks / Tatyankin V. M, Dyubko I. S. // Yugra State University Bulletin - 2015. - Т. 11 - № 2 - С.94-98.

72. Щицелов А.В. Использование нейронных сетей глубокого доверия для идентификации объектов / Щицелов А.В., Татьянкин В.М. // Математическое и информационное моделирование. сборник научных трудов. Тюмень - 2017. -С.512-516.

73. Татьянкин В.М. Способ идентификации образов с использованием нейронных сетей глубокого доверия / Татьянкин В.М. // Всероссийская научная конференция по проблемам управления в технических системах - 2015. - № 1 - С.92-94.

74. Татьянкин В.М. Использование многослойных нейронных сетей в прогнозирование временных рядов / Татьянкин В.М. // Приоритетные направления развития науки и образования: Материалы III междунар. науч.-практ. конф.

(Чебоксары, 4 дек. 2014 г.) - 2014. - № 3(3) - С.195-197.

75. Medsker L. R.Hybrid neural network and expert systems / Medsker L. R. - Boston: Springer Science & Business Media, 2012.- 240c.

76. Sahin S. Hybrid expert systems: a survey of current approaches and applications / Sahin S., Tolun M. R., Hassanpour R. // Expert systems with applications - 2012. - Т. 39

- № 4 - С.4609-4617.

77. Трокоз Д.А. Возможности применения биоинспирированных алгоритмов в задаче синтеза альтернативных сетей Петри в тензорной методологии исследования СП-структур / Трокоз Д.А., Мартяшин Г.В., Бальзанникова Е.А., Пащенко Д. В., Синев М. П. // Модели, системы, сети в экономике, технике, природе и обществе - 2017. - № 1(21) - С.159-168.

78. Пащенко Д.В. Обзор возможностей психологического профилирования пользователей социальной сети на основе мультимодальных данных / Пащенко Д.В., Мартышкин А.И., Трокоз Д.А. // Современные методы и средства обработки пространственно-временных сигналов. сборник статей XVIII Всероссийской научно-технической конференции. Под редакцией И.И. - Пенза Сальникова. - 2020.

- С.55-59.

79. Трокоз Д.А. Программно-информационная система для анализа публикаций пользователей в социальных сетях / Трокоз Д.А., Пащенко Д. В., Мартышкин А. И., Синев М. П. // XXI век: итоги прошлого и проблемы настоящего плюс - 2019. - Т. 8 - № 2(46) - С.14-21.

80. Трокоз Д.А. Алгоритмический подход к анализу профиля пользователя социальной сети на основе мультимодальных темпоральных данных / Трокоз Д.А., Синев М.П., Пащенко Д.В., Мартышкин А.И., Перекусихина А.Н. // XXI век: итоги прошлого и проблемы настоящего плюс - 2020. - Т. 9 - № 1(49) - С.14-20.

финансовых временных рядов / Ефремова Е. А., Дунаев Е. В. // Доклады Томского государственного университета систем управления и радиоэлектроники - 2004. -№ 1 (9) - С.192-196.

82. Кропотов Ю. А. Метод прогнозирования изменений параметров временных рядов в цифровых информационно-управляющих системах / Кропотов Ю. А., Проскуряков А. Ю., Белов А. А. // Компьютерная оптика - 2018. - Т. 42 - № 6 -С.1093-1100.

83. Крючин О. В. Прогнозирование временных рядов с помощью искусственных нейронных сетей и регрессионных моделей на примере прогнозирования котировок валютных пар / Крючин О. В., Козадаев А. С., Дудаков В. П. // Исследовано в России - 2010. - Т. 13 - С.354.

84. Фаворская М. Н. Атаки на системы биометрической идентификации и методы их выявления / Фаворская М. Н., Киба А. С. // РЕШЕТНЕВСКИЕ ЧТЕНИЯ - 2020. - С.481-483.

85. Fong S. A biometric authentication model using hand gesture images / Fong S., Zhuang Y., Fister I. // Biomedical engineering online - 2013. - Т. 12 - № 1 - С.1-18.

86. Брагина Е. К. Современные методы биометрической аутентификации: обзор, анализ и определение перспектив развития / Брагина Е. К., Соколов С. С. // Вестник АГТУ - 2016. - № 1(61) - С.40-45.

87. Довгаль В. А. Анализ перспективных методов поведенческой биометрии для аутентификации пользователей / Довгаль В. А., Довгаль Д. В. // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки - 2017. - № 3(206) - С.139-142.

88. Паршонок А. А. Биометрическая идентификация в повседневности / Паршонок А. А. // ВУЗ и реальный бизнес - 2018. - Т. 1 - С.194-202.

паспортной системе / Горбенко И.Д., Олешко И.В. // Прикладная радиоэлектроника - 2011. - Т. 10 - № 2 - С.233-239.

90. Маркелов К.С. Идентификация и верификация личности - комплексная биометрическая информационная технология / Маркелов К.С. // International Journal of Open Information Technologies - 2015. - Т. 3 - № 5 - С.12-19.

91. Фролов И.И. Протоколы систем биометрической идентификации / Фролов И.И. // Доклады Белорусского государственного университета информатики и радиоэлектроники - 2016. - № 3(97) - С.49-55.

92. Ворона В.А. Биометрические технологии идентификации в системах контроля и управления доступом / Ворона В.А., Костенко В.О. // Computational nanotechnology - 2016. - С.224-241.

93. Чжан Е. А. Модификация непараметрического алгоритма моделирования и дуального управления многомерными процессами в условиях неопределенности / Чжан Е. А., Кемпф Д. А. // Вестник Воронежского государственного технического университета - 2020. - Т. 16 - № 3 - С.7-13.

94. Тишуков Б. Н. Многометодный подход к управлению сложными объектами на основе комплексирования процедур численной оптимизации методами компьютерного моделирования / Тишуков Б. Н., Львович Я. Е., Иванов Д.В., Воробьев Э.И., Мандрыкин А.В. // Вестник Воронежского государственного технического университета - 2020. - Т. 16 - № 1 - С.33-38.

95. Pashchenko D.V. Construction features of procedural simulator for objective control expert systems management devices of rocket and space technology ground infrastructure objects / Pashchenko D.V., Sinev M.P., Trokoz D.A., Sineva M., Tokarev A., Dubravin A. // MATEC Web of Conferences - 2016. - № 44 - С.01010.

heat recovery / Ren L., Wang H. // Energies - 2019. - Т. 12 - № 24 - С.4623.

97. Baier C. Mean-payoff optimization in continuous-time markov chains with parametric alarms / Baier C., Dubslaff C., Korenciak L., Kucera A., RehÁK V. // ACM Transactions on Modeling and Computer Simulation - 2019. - Т. 29 - № 4 - C.Article 28.

98. Qais M. H. Transient search optimization: a new meta-heuristic optimization algorithm / Qais M. H., Hasanien H. M., Alghuwainem S. // Applied Intelligence - 2020. - Т. 50 - № 11 - С.3926-3941.

99. Kumar R. S. Prediction and validation of indexing performance for biometrics / Kumar R. S., Bhanu B., Ghosh S., Thakoor N. // 2011 International Joint Conference on Biometrics, IJCB 2011 - 2011. - С.1-6.

100. Costilla-Reyes O. Analysis of spatio-temporal representations for robust footstep recognition with deep residual neural networks / Costilla-Reyes O., Vera-Rodriguez R., Scully P., Ozanyan K. B. // IEEE Transactions on Pattern Analysis and Machine Intelligence - 2019. - Т. 41 - № 2 - С.285-296.

101. Shokoohi F. A hidden markov model for identifying differentially methylated sites in bisulfite sequencing data / Shokoohi F., Stephens D. A., Bourque G., Pastinen T., Greenwood Celia M.T., Labbe A. // Biometrics - 2019. - Т. 75 - № 1 - С.210-221.

102. Ильин В.П. Методические особенности применения дескриптивной статистики в медико-биологических исследованиях / Ильин В.П. // Acta Biomedica Scientifica - 2013. - № 1(89) - С.165-172.

103. Соколов А.В. Выбор математической модели: баланс между сложностью и близостью к измерениям / Соколов А.В., Волошинов В.В. // International Journal of Open Information Technologies - 2018. - Т. 6 - № 9 - С.33-41.

104. Lin L. Composite estimation: an asymptotically weighted least squares approach / Lin L., Li F., Wang K., Zhu L. // Statistica Sinica - 2019. - Т. 29 - № 3 - С.1367-1393.

105. Сорокин И. А. Применение метода перестановочного декодирования в системе

263

управления беспилотных летательных аппаратов малого класса (дроны, мультикоптеры) / Сорокин И. А., Обухов А. Д., Романов П. Н., Шибаева М. Ю. // Современные технологии. Системный анализ. Моделирование - 2019. - № 2(62) -

C.186-195.

106. Shtaev D. V. Analysis of control technology of unmanned aerial vehicles / Shtaev

D. V. // Территория новых возможностей. ВестникВладивостокскогогосударственногоуниверситетаэкономикиисервиса -2019. - Т. 11 - № 2 - С.113-119.

107. Xiao L. Unmanned quadrotor transportation systems with payload hoisting/lowering: dynamics modeling and controller design / Xiao L., Hai Y., Zhuang Z., Wang Y., Sun N., Fang Y. // ICARM 2020 - 2020 5th IEEE International Conference on Advanced Robotics and Mechatronics - 2020. - С.666-671.

108. Lee P. The drone operator and identity: exploring the constitution of ethical subjectivity in drones discourses / Lee P. // Critical Approaches to Discourse Analysis across Disciplines: CADAAD - 2017. - Т. 9 - № 2 - С.62-78.

109. Shoufan A. Drone pilot identification by classifying radio-control signals / Shoufan A., Al-Angari H. M., Sheikh Muhammad F. A., Damiani E. // IEEE Transactions on Information Forensics and Security - 2018. - Т. 13 - № 10 - С.2439-2447.

110. Osborne M. UAS operators safety and reliability survey: emerging technologies towards the certification of autonomous UAS / Osborne M., Lantair J., Shafiq Z., Zhao X., Robu V., Flynn D., Perry J. // 2019 4th International Conference on System Reliability and Safety, ICSRS 2019 - 2019. - С.203-212.

111. Wang J.-B. A machine learning framework for resource allocation assisted by cloud computing / Wang J.-B., Wang J., Wu Y., Wang J.-Y., Zhu H., Lin M., Wang J. // IEEE Network - 2018. - Т. 32 - № 2 - С.144-151.

M., Katzy J., Kloppenburg J., Verbelen T., Rellermeyer J. S. // ACM Computing Surveys (CSUR) - 2020. - Т. 53 - № 2 - С.1-33.

113. Alma Z. The methodology of expert systems / Alma Z., Mansiya K., Torgyn M., Marzhan M., Kanat N. // International Journal of Com puter Science and Network Security (IJCSNS) - 2014. - Т. 14 - № 2 - С.62-63.

114. Созыкин А. В. Обзор методов обучения глубоких нейронных сетей / Созыкин А. В. // Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика - 2017. - Т. 6 - № 3 - С.28-59.

115. Сулавко А. Е. Биометрическая аутентификация по клавиатурному почерку с учетом силы нажатия на клавиши, параметров вибрации и движений рук оператора / Сулавко А. Е., Лыжин А. А., Новиков М. Д., Седнев Н. В., Хамзин А. Р., Хабаров С. В. // Вопросы защиты информации - 2018. - № 2 - С.41-50.

116. Рогаль А. А. Применение методов глубокого обучения в задаче распознавания изображений / Рогаль А. А. // In Situ - 2016. - № 6 - С.13-17.

117. Сенов А. А. Глубокое обучение в задаче реконструкции суперразрешения изображений / Сенов А. А. // Стохастическая оптимизация в информатике - 2017.

- Т. 13 - № 2 - С.38-57.

118. Khan S. A guide to convolutional neural networks for computer vision / Khan S., Rahmani H., Shah S. A. Ali, Bennamoun M. // Synthesis Lectures on Computer Vision -2018. - Т. 8 - № 1 - С.1-207.

119. Gopalakrishnan K. Deep convolutional neural networks with transfer learning for computer vision-based data-driven pavement distress detection / Gopalakrishnan K., Khaitan S. K., Choudhary A., Agrawal A. // Construction and Building Materials - 2017.

- Т. 157 - С.322-330.

№ 1 - С.1-17.

121. Trokoz D.A. Development and investigation of a motion planning algorithm for a mobile robot with a smart machine vision system / Trokoz D.A., Martyshkin A.I., Salnikov I.I. // Proceedings - 2020 International Russian Automation Conference (RusAutoCon) 2020 - 2020. - С.831-838, 9208129.

122. КузнецовА. С. Кластеризацияизображенийприиспользованиипредобученныхнейронныхсетей / КузнецовА. С., СеменовЕ. Ю., МатросоваЛ. Д. // International Journal of Open Information Technologies - 2019. - Т. 7 - № 7 - С.42-47.

123. Dong G. Color clustering and learning for image segmentation based on neural networks / Dong G., Xie M. // IEEE transactions on neural networks - 2005. - Т. 16 - № 4 - С.925-936.

124. K.-L. Du Clustering: a neural network approach / K.-L. Du // Neural networks -2010. - Т. 23 - № 1 - С.89-107.

125. Hsu C.-C. Unsupervised convolutional neural networks for large-scale image clustering / Hsu C.-C., Lin C.-W. // 2017 IEEE International Conference on Image Processing (ICIP) - 2017. - С.390-394.

126. Shaham U. Spectralnet: spectral clustering using deep neural networks / Shaham U., Stanton K. P., Li H., Basri R., Nadler B., Kluger Y. // arXiv preprint arXiv:1801.01587 -2018. - С.1-20.

127. Giacinto G. Design of effective neural network ensembles for image classification purposes / Giacinto G., Roli F. // Image and Vision Computing - 2001. - Т. 19 - № 9-10 - С.699-707.

128. Ляхов С. В., Строганов Ю. Н. Т.Т.Б. Использование глубоких нейронных сетей для задачи классификации звуков / Ляхов С. В., Строганов Ю. Н. Т.Т.Б. // Известия Международной академии аграрного образования - 2017. - № 36 - С.172-176.

129. Piczak K. Environmental sound classification with convolutional neural networks / Piczak K. // 2015 IEEE 25th International Workshop on Machine Learning for Signal Processing (MLSP) - 2015. - С.1-6.

130. Zhang X. Dilated convolution neural network with LeakyReLU for environmental sound classification / Zhang X., Zou Y., Shi W. // 2017 22nd International Conference on Digital Signal Processing (DSP) - 2017. - С.1-5.

131. Khamparia A. Sound classification using convolutional neural network and tensor deep stacking network / Khamparia A., Gupta D., Nguyen N. G., Khanna A., Pandey B., Tiwari P. // IEEE Access - 2019. - Т. 7 - С.7717-7727.

132. Kirill K. Noise masking recurrent neural network for respiratory sound classification / Kirill K., Putin E., Balashov M., Filchenkov A., Shalyto A. // International Conference on Artificial Neural Networks - 2018. - С.208-217.

133. Acharya J. Deep neural network for respiratory sound classification in wearable devices enabled by patient specific model tuning / Acharya J., Basu A. // IEEE transactions on biomedical circuits and systems - 2020. - Т. 14 - № 3 - С.535-544.

134. Кипяткова И. С. Разновидности глубоких искусственных нейронных сетей для систем распознавания речи / Кипяткова И. С., Карпов А. А. // SPIIRAS Proceedings - 2016. - Т. 6 - № 49 - С.80-103.

135. Abdel-Hamid O. Convolutional neural networks for speech recognition / AbdelHamid O., Mohamed A.-R., Jiang H., Deng L., Penn G., Yu D. // IEEE/ACM Transactions on audio, speech, and language processing - 2014. - Т. 22 - № 10 - С.1533-1545.

136. Graves Al. Speech recognition with deep recurrent neural networks / Graves Al., Mohamed A.-r., Hinton G. // 2013 IEEE international conference on acoustics, speech and signal processing - 2013. - С.6645-6649.

Graves A., Jaitly N. // International conference on machine learning - 2014. - С.1764-1772.

138. Hinton G. Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups / Hinton G., Deng L., Yu D., Dahl G. E., Mohamed A.-R., Jaitly N., Senior A., Vanhoucke V., Nguyen P., Sainath T. N., Others // IEEE Signal processing magazine - 2012. - Т. 29 - № 6 - С.82-97.

139. Dahl G. E. Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition / Dahl G. E., Yu D., Deng L., Acero A. // IEEE Transactions on audio, speech, and language processing - 2011. - Т. 20 - № 1 - С.30-42.

140. Han W. ContextNet: improving convolutional neural networks for automatic speech recognition with global context / Han W., Zhang Z., Zhang Y., Yu J., Chiu C.-C., Qin J., Gulati A., Pang R., Wu Y. // Interspeech 2020 - 2020. - С.3610-3614.

141. Видмант О.С. Прогнозирование финансовых временных рядов с использованием рекуррентных нейронных сетей LSTM / Видмант О.С. // Общество: политика, экономика, право - 2018. - № 5 - С.63-66.

142. Oancea B. Time series forecasting using neural networks / Oancea B., Ciucu S. C. // Challenges of the Knowledge Society. IT in Social Sciences - 2014. - С.1402-1408.

143. Mishra K. A dilated convolutional based model for time series forecasting / Mishra K., Basu S., Maulik U. // SN Computer Science - 2021. - Т. 2 - № 2 - С.90.

144. Chen J.-F. Financial time-series data analysis using deep convolutional neural networks / Chen J.-F., Chen W.-L., Huang C.-P., Huang S.-H., Chen A.-P. // 2016 7th International conference on cloud computing and big data (CCBD) - 2016. - С.87-92.

145. Dingli A. Financial time series forecasting - a deep learning approach / Dingli A., Fournier K. S. // International Journal of Machine Learning and Computing - 2017. - Т. 7 - № 5 - С.118-122.

146. Borovykh A. Dilated convolutional neural networks for time series forecasting /

268

Borovykh A., Bohte S., Oosterlee C. W. // Journal of Computational Finance - 2018. -Т. 22 - № 4 - С.73-101.

147. Куллин О. Н. Применение глубоких нейронных сетей для управления мобильными роботами / Куллин О. Н. // Труды всероссийской конференции с международным участием - 2017. - С.180.

148. He W. Neural network control of a robotic manipulator with input deadzone and output constraint / He W., Ofosu D. A., Zhao Y., Changyin S. // IEEE Transactions on Systems, Man, and Cybernetics: Systems - 2015. - Т. 46 - № 6 - С.759-770.

149. Jin L. Robot manipulator control using neural networks: a survey / Jin L., Li S., Yu J., He J. // Neurocomputing - 2018. - Т. 285 - С.23-34.

150. Yu W. Neural PID control of robot manipulators with application to an upper limb exoskeleton / Yu W., Rosen J. // IEEE Transactions on cybernetics - 2013. - Т. 43 - № 2 - С.673-684.

151. Мартышкин А.И. Разработка и исследование алгоритма планирования движения мобильного робота с интеллектуальной системой технического зрения / Мартышкин А.И., Трокоз Д.А., Сальников И.И. // Фундаментальные проблемы управления производственными процессами в условиях перехода к индустрии 4.0. тезисы докладов научного семинара в рамках международной научно-технической конференции "Автоматизация". Министерство науки и высшего образования Российс - 2020. - С.267-270.

152. Визильтер Ю.В. Идентификация лиц в реальном времени с использованием свёрточный нейронной сети и хэширующего леса / Визильтер Ю.В., Горбацевич В.С., Воротников А.В., Костромов Н.А. // Компьютерная оптика - 2017. - Т. 41 -№ 2 - С.254-265.

Conference on Signal Processing, Informatics, Communication and Energy Systems (SPICES) - 2015. - С.1-4.

154. Mollahosseini A. Going deeper in facial expression recognition using deep neural networks / Mollahosseini A., Chan D., Mahoor M. H. // 2016 IEEE Winter Conference on Applications of Computer Vision (WACV) - 2016. - С.1-10.

155. Sun Y. Deep learning face representation by joint identification-verification / Sun Y., Wang X., Tang X. // 12th Chinese Conference, CCBR 2017, Shenzhen, China, October 28-29, 2017, Proceedings - 2014. - С.314-323.

156. Ding C. Trunk-branch ensemble convolutional neural networks for video-based face recognition / Ding C., Tao D. // IEEE transactions on pattern analysis and machine intelligence - 2017. - Т. 40 - № 4 - С.1002-1014.

157. Гудков В.Ю. Применение нейронной сети для распознавания частных признаков дактилоскопических изображений / Гудков В.Ю., Дорофеев К.А. // Графикон'2012 - 2012. - С.273-274.

158. Michelsanti D. Fast fingerprint classification with deep neural networks / Michelsanti D., Ene A.-D., Guichi Y., Stef R., Nasrollahi K., Moeslund T. B. // Proceedings of the 12th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications - 2017. - С.202-209.

159. Peralta D. On the use of convolutional neural networks for robust classification of multiple fingerprint captures / Peralta D., Triguero I., Garcia S., Saeys Y., Benitez J. M., Herrera F. // International Journal of Intelligent Systems - 2018. - Т. 33 - № 1 - С.213-230.

160. Jiang L. A direct fingerprint minutiae extraction approach based on convolutional neural networks / Jiang L., Zhao T., Bai C., Yong A., Wu M. // 2016 International Joint Conference on Neural Networks (IJCNN) - 2016. - С.571-578.

networks / Dabouei A., Kazemi H., Iranmanesh S. M., Dawson J., Nasrabadi N. M. // 2018 International Conference on Biometrics (ICB) - 2018. - С.1-8.

162. Понкратов А. Ю. Поиск оптимальных параметров базы изображений для идентификации рисунка ладони посредством искусственной нейронной сети / Понкратов А. Ю., Лобов Д. В., Осауленко Р. Н. // Advances in Science and Technology - 2018. - С.145-147.

163. Понкратов А. Ю. Идентификация личности по рисунку внутренней стороны ладони посредством искусственной нейронной сети / Понкратов А. Ю., Лобов Д. В., Осауленко Р. Н. // Международный журнал прикладных и фундаментальных исследований - 2019. - № 6 - С.159-163.

164. Jia W. A performance evaluation of classic convolutional neural networks for 2D and 3D palmprint and palm vein recognition / Jia W., Gao J., Xia W., Zhao Y., Min H., Lu J.-T. // International Journal of Automation and Computing - 2020. - С.1-27.

165. Волчихин В.И. Перспективы использования искусственных нейронных сетей с многоуровневыми квантователями в технологии биометрико-нейросетевой аутентификации / Волчихин В.И., Иванов А.И., Фунтиков В.А., Малыгина Е.А. // Известия высших учебных заведений. Поволжский регион. Технические науки -2013. - № 4(28) - С.86-96.

166. Сериков А. В. Перспектива создания нейросетевых идентификаторов уровня слабых корреляционных связей с большим числом сетей и выходных состояний / Сериков А. В., Иванов А.И. // Труды научно-технической конференции кластера пензенских предприятий, обеспечивающих безопасность информационных технологий. Т. 10. Пенза - 2016. - С.47.

168. Ying C. Image classification at supercomputer scale / Ying C., Kumar S., Chen D., Wang T., Cheng Y. // arXiv preprint arXiv:1811.06992 - 2018.

169. Jouppi N. P. A domain-specific supercomputer for training deep neural networks / Jouppi N. P., Yoon D. H., Kurian G., Li S., Patil N., Laudon J., Young C., Patterson D. // Communications of the ACM - 2020. - T. 63 - № 7 - C.67-78.

170. Hamilton J. D.Time series analysis. / Hamilton J. D. - California, San Diego: Princeton university press, 2020.- 820c.

171. Chou J.-S. Time series analytics using sliding window metaheuristic optimization-based machine learning system for identifying building energy consumption patterns / Chou J.-S., Ngo N.-T. // Applied energy - 2016. - T. 177 - C.751-770.

172. Selvin S. Stock price prediction using LSTM, RNN and CNN-sliding window model / Selvin S., Vinayakumar R., Gopalakrishnan E. A., Menon V. K., Soman K. P. // 2017 international conference on advances in computing, communications and informatics (icacci) - 2017. - C.1643-1647.

173. Chou J.-S. Forward forecast of stock price using sliding-window metaheuristic-optimized machine-learning regression / Chou J.-S., Nguyen T.-K. // IEEE Transactions on Industrial Informatics - 2018. - T. 14 - № 7 - C.3132-3142.

174. Peng C. A bidirectional weighted boundary distance algorithm for time series similarity computation based on optimized sliding window size / Peng C., Tang Z., Gui W., Chen Q., He J. // Journal of Industrial & Management Optimization - 2021. - T. 17 - № 1 - C.205.

175. Hunter D. Selection of proper neural network sizes and architectures—A comparative study / Hunter D., Yu H., Pukish III., Michael S., Kolbusz J., Wilamowski B. M. // IEEE Transactions on Industrial Informatics - 2012. - T. 8 - № 2 - C.228-240.

С.1-18.

177. Трокоз Д.А. Использование алгебры гиперразмерных векторов для эвристического представления данных при обучении широких нейронных сетей / Трокоз Д.А., Пащенко Д.В., Мартышкин А.И., Синев // Проблемы управления и моделирования в сложных системах. Труды XXI Международной конференции. В 2-х томах. Под редакцией С.А. Никитова, Д.Е. Быкова, С.Ю. Боровика, Ю.Э. Плешивцевой. - 2019. - С.301-305.

178. Бойков Д. В. Представление функции исключающего "или" персептроном / Бойков Д. В. // Актуальные аспекты и приоритетные направления развития транспортной отрасли - 2019. - С.146-148.

179. Kanerva P. Hyperdimensional computing: an introduction to computing in distributed representation with high-dimensional random vectors / Kanerva P. // Cognitive Computation - 2009. - Т. 1 - № 2 - С.139-159.

180. Pashchenko D.V. Search for a substring of characters using the theory of non-deterministic finite automata and vector-character architecture / Pashchenko D.V., Trokoz D.A., Martyshkin A.I., Sinev M.P., Svistunov B.L. // Bulletin of Electrical Engineering and Informatics - 2020. - № 9(3) - С.1238-1250.

181. Kleyko D. Modification of holographic graph neuron using sparse distributed representations / Kleyko D., Osipov E., Rachkovskij D. A // Procedia Computer Science - 2016. - Т. 88 - С.39-45.

182. Imani M. Hierarchical hyperdimensional computing for energy efficient classification / Imani M., Huang C., Kong D., Rosing T. // 2018 55th ACM/ESDA/IEEE Design Automation Conference (DAC) - 2018. - С.1-6.

183. Мазилкин Д.С. Применение HDR векторов для анализа текста / Мазилкин Д.С., Трокоз Д.А. // Информационные технологии в науке и образовании. Проблемы и перспективы. Сборник научных статей Всероссийской межвузовской научно-

практической конференции. Под редакцией Л.Р. Фионовой - 2018. - С.99-100.

184. Трусов Е.В. HDR векторы и их применение в самообучающихся сетях / Трусов Е.В., Трокоз Д.А. // Информационные технологии в науке и образовании. Проблемы и перспективы. Сборник научных статей Всероссийской межвузовской научно-практической конференции. ПодредакциейЛ.Р. Фионовой - 2018. - Т. 117118.

185. Karlgren J. High-dimensional distributed semantic spaces for utterances / Karlgren J., Kanerva P. // Natural Language Engineering - 2019. - Т. 25 - № 4 - С.503-517.

186. Ivanov A.I. High-dimensional neural-network artificial intelligence capable of quick learning to recognize a new smell, and gradually expanding the database / Ivanov A.I., Kulagin V.P., Kuznetsov Y.M., Chulkova G.M., Ivannikov A.D. // Third International Conference on Digital Information Processing, Data Mining, and Wireless Communications (DIPDMWC) - 2016. - С.332-335.

187. Trokoz D. Using algebra of hyper-dimensional vectors for heuristic representation of data while training wide neural networks / Trokoz D., Pashchenko D., Martyshkin A., Sinev M. // 2019 XXI International Conference Complex Systems: Control and Modeling Problems, (CSCMP) 2019 - 2019. - № 2019- September - С.168-171, 8976507.

188. Трокоз Д.А. Метод параметрической оптимизации для широких нейронных сетей с использованием генетических алгоритмов / Трокоз Д.А. // Известия Самарского научного центра Российской академии наук - 2021. - Т. 23 - № 2 -С.51-56.

189. Мищенко В. А. Использование генетических алгоритмов в обучении нейронных сетей / Мищенко В. А., Коробкин А. А. // Современные проблемы науки и образования - 2011. - № 6 - С.116-124.

// Восточно-Европейский журнал передовых технологий - 2012. - Т. 5 - №2 4 - С.16-21.

191. Гладков Л. А.Биоинспирированные методы в оптимизации / Гладков Л. А., Курейчик В. В., Курейчик В. М., и др. - Москва: ФИЗМАТЛИТ, 2009.- 384c.

192. Васильев Ф.П.Методы оптимизации / Васильев Ф.П. - МЦНМО, 2011.- 624c.

193. Иванов А.И.Многомерная нейросетевая обработка биометрических данных с программным воспроизведением эффектов квантовой суперпозиции / Иванов А.И. - Пенза: ПНИЭИ, 2016.- 133c.

194. Osipov E. Associative synthesis of finite state automata model of a controlled object with hyperdimensional computing / Osipov E., Kleyko D., Legalov A. // IECON 2017 -43rd Annual Conference of the IEEE Industrial Electronics Society - 2017. - С.3276-3281.

195. Trokoz D.A. Simulation modelling of data locking in a distributed system / Trokoz D.A., Martyshkin A.I., Pashchenko D.V. // Proceedings - 2020 Global Smart Industry Conference, GloSIC 2020 - 2020. - С.105-112, 9267834.

196. Trokoz D.A. Queueing theory to describe adaptive mathematical models of computational systems with resource virtualization and model verification by similarly configured virtual server / Trokoz D.A., Martyshkin A.I., Pashchenko D. V. // Proceedings - 2019 International Russian Automation Conference, RusAutoCon 2019 -2019. - С.8867620.

197. Trokoz D.A. Using queuing theory to describe adaptive mathematical models of computing systems with resource virtualization and its verification using a virtual server with a configuration similar to the configuration of a given model / Trokoz D.A., Martyshkin A.I., Pashchenko D.V., Sinev M.P., Svistunov B.L. // Bulletin of Electrical Engineering and Informatics - 2020. - № 9(3) - С.1106-1120.

Мартышкин А.И., Трокоз Д.А. // Современные информационные технологии -2019. - № 30 - С.11-18.

199. Трокоз Д.А. Алгоритм машинного обучения широких нейронных сетей с использованием алгебры гиперразмерных двоичных векторов и генетических алгоритмов / Трокоз Д.А. // Южно-Сибирский научный вестник - 2020. - № 6(34) -С.148-154.

200. Катасёва Д. В. Нейронечеткая модель анализа и прогнозирования временных рядов / Катасёва Д. В., Катасёв А. С., Кирпичников А. П., Абянов Б. Э. // Вестник Казанского технологического университета - 2016. - Т. 19 - № 13 - С.127-131.

201. Трокоз Д. А. Методика прямой динамической биометрической верификации / Трокоз Д. А. // Вестник Ростовского государственного университета путей сообщения - 2021. - № 1(81) - С.70-79.

202. Иванов А. И. Нейросетевая биометрия для облаков. Российские стандарты для защиты цифровых прав граждан / Иванов А. И. // Системы безопасности - 2018. -Т. 3 - С.134-143.

203. Трокоз Д.А. Методика косвенной динамической биометрической верификации / Трокоз Д.А. // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и Технические Науки - 2021. - № 4 - С.148-153.

204. Влацкая И. В.Проектирование и реализация прикладного программного обеспечения / Влацкая И. В., Заельская Н. А., Надточий Н. С. - Оренбург: Оренбургский государственный университет, 2015.- 119c.

205. Синев М. П. Исследование и анализ подходов к организации параллельных вычислений в распределенных системах / Синев М. П., Мартышкин А. И., Трокоз Д. А. // XXI век: итоги прошлого и проблемы настоящего плюс - 2020. - Т. 9 - № 2(50) - С.95-104.

/ Nadareishvili I., Mitra R., McLarty M., Amundsen M. - Sebastopol, California: " O'Reilly Media, Inc.," 2016.- 146c.

207. Jadeja Y. Cloud computing-concepts, architecture and challenges / Jadeja Y., Modi K. // 2012 International Conference on Computing, Electronics and Electrical Technologies (ICCEET) - 2012. - С.877-880.

208. Pashchenko D.V. Directly executable formal models of middleware for MANET and cloud networking and computing / Pashchenko D.V., Jaafar M. S., Zinkin S.A., Trokoz D.A., Pashchenko T.U., Sinev M.P. // Journal of Physics: Conference Series -2016. - № 710 (1) - С.12024.

209. Трокоз Д.А. Система мониторинга. Структура и основные компоненты / Трокоз Д.А., Трусов Е.В. // Труды международного симпозиума "Надежность и качество" - 2018. - Т. 1 - С.214-215.

210. Takefuji Y.Neural network parallel computing / Takefuji Y. - New York, NY, United States: Springer Science & Business Media, 2012.- 243c.

211. Трокоз Д. А. Методы автоматизированного тестирования с использованием конечных автоматов / Трокоз Д. А., Холуденева А. О., Веселова М. Д., Забродина К. А., Сафронова В. С. // XXI век: итоги прошлого и проблемы настоящего плюс -2019. - Т. 8 - № 4(48) - С.14-19.

212. Алексеев В. A. Схема горизонтального масштабирования веб-сервисов на основе протокола WebSocket / Алексеев В. A., Домашнев П. A., Лаврухина Т. В., Назаркин О. А. // Системы управления и информационные технологии - 2018. - № 3 - С.52-55.

213. Roy C. A proposal for optimization of horizontal scaling in big data environment / Roy C., Pandey M., Rautaray S. S. // Advances in data and information sciences - 2018. - С.223-230.

информационной системе / Трокоз Д.А., Мартышкин А.И., Федяшов М.С., Карлыганов А.Д., Лысцов Н.А. // XXI век: итоги прошлого и проблемы настоящего плюс - 2019. - Т. 8 - № 4(48) - С.33-38.

215. Трусов Е.В. Кросс - серверный поиск / Трусов Е.В., Трокоз Д.А., Смогунов

B.В. // Труды международного симпозиума "Надежность и качество" - 2019. - Т. 2 - С.160-161.

216. Masse M.REST API design rulebook: designing consistent RESTful web service interfaces / Masse M. - Sebastopol: " O'Reilly Media, Inc.," 2011.- 150c.

217. Peng D. Using JSON for data exchanging in web service applications / Peng D., Cao L., Xu W. // Journal of Computational Information Systems - 2011. - Т. 7 - № 16 -

C.5883-5890.

218. Трокоз Д.А. Программный модуль поддержки алгебры гиперразмерных векторов / Трокоз Д.А. // Вестник Рязанского государственного радиотехнического университета - 2021. - № 75 - С.53-62.

219. Trokoz D.A. Associative co-processor on the basis of programmable logical integrated circuits for special purpose computer systems / Trokoz D.A., Martyshkin A.I., Salnikov I.I., Pashchenko D.V. // Proceedings - 2018 Global Smart Industry Conference, GloSIC 2018 - 2018. - С.8570067.

220. Abadi M. Tensorflow: a system for large-scale machine learning / Abadi M., Barham P., Chen J., Chen Z., Davis A., Dean J., Devin M., Ghemawa S., Irving G., Isard M., Others // 12th symposium on operating systems design and implementation - 2016. -С.265-283.

221. Abadi M. Tensorflow: large-scale machine learning on heterogeneous distributed systems / Abadi M., Agarwal A., Barham P., Brevdo E., Chen Z., Citro C., Corrado G. S., Davis A., Dean J., Devin M., Others // arXiv preprint arXiv:1603.04467 - 2016. -С.265-283.

222. Gaster B.Heterogeneous computing with openCL: revised openCL 1. / Gaster B., Howes L., Kaeli D. R, Mistry P., Schaa D. - Newnes, 2012.- 308c.

223. Sanders J.CUDA by example: an introduction to general-purpose GPU programming / Sanders J., Kandrot E. - Addison-Wesley Professional, 2010.- 312c.

224. Жумажанова С.С. Перспективы использования широких нейронных сетей в задачах идентификации состояния человека по термограммам лица и шеи / Жумажанова С.С. // Прикладная информатика - 2019. - С.1-10.

225. Сулавко А. Е. Высоконадёжная двухфакторная биометрическая аутентификация по рукописным и голосовым паролям на основе гибких нейронных сетей / Сулавко А. Е. // Компьютерная оптика - 2020. - Т. 44 - № 1 - С.82-91.

226. Мартышкин А.И.Синтез автоматных моделей параллельных вычислительных систем / Мартышкин А.И., Трокоз Д.А. - Пенза: ПензГТУ, 2020.- 91c.

227. Вашкевич Н. П.Недетерминированные автоматы в проектировании систем параллельной обработки / Вашкевич Н. П. - Пенза: Изд-во Пенз.гос.ун-та, 2004.-280c.

228. Поликарпова Н. И.Автоматное программирование / Поликарпова Н. И., Шалыто А. А. - Санкт-Петербург: Издательский дом" Питер", 2010.- 176c.

229. Мартышкин А. И. Обзор методов автоматного программирования / Мартышкин А. И., Трокоз Д. А. // Современные инновационные технологии подготовки инженерных кадров для горной промышленности и транспорта - 2020.

- № 1(7) - С.273-278.

230. Трокоз Д. А. Темпоральный анализ киберфизических систем с использованием теории автоматов / Трокоз Д. А., Исхаков Н. В., Синев М. П., Митрохин М. А., Сивишкина Н. О. // XXI век: итоги прошлого и проблемы настоящего плюс - 2019.

- Т. 8 - № 3(47) - С.113-117.

231. Trokoz D. A. Formalized description of cyber-physical systems models using

279

temporary non-deterministic automata / Trokoz D. A., Zabrodina K. A., Safronova V. S., Veselova M. D., Sinev M. P., Mitrohin M. A., Gurin E. I., Pashchenko T. Y. // Journal of Physics: Conference Series - 2021. - Т. 1889 - № 2 - С.022068.

232. Трокоз Д. А. Способ преобразования алгоритмов функционирования компонентов киберфизической системы, построенных на схемах жесткой логики, в конечный автомат / Трокоз Д. А., Нешко Н.О., Сивишкина Д.О., Слепцов Н.В. // Новые информационные технологии и системы. Сборник научных статей по материалам XVII Международной научно-технической конференции - 2020. -

C.82-86.

233. Pashchenko D.V. Decomposition of process control algorithms for parallel computing systems using automata models / Pashchenko D.V., Martyshkin A.I., Trokoz

D.A. // Proceedings - 2020 International Russian Automation Conference (RusAutoCon) 2020 - 2020. - С.839-845, 9208165.

234. Трокоз Д.А. Моделирование автоматизированной информационной системы государственных услуг / Трокоз Д.А., Пащенко Д. В., Синев М.П., Мартышкин А. И., Кормишина В.В., Малинин Д.Д. // XXI век: итоги прошлого и проблемы настоящего плюс - 2018. - Т. 7 - № 2(42) - С.6-9.

235. Пащенко Д.В. Декомпозиция алгоритмов управления процессами параллельных вычислительных систем с использованием автоматных моделей / Пащенко Д.В., Мартышкин А.И., Трокоз Д.А. // Фундаментальные проблемы управления производственными процессами в условиях перехода к индустрии 4.0. тезисы докладов научного семинара в рамках международной научно-технической конференции "Автоматизация". МинистерствонаукиивысшегообразованияРоссийс - 2020. - С.270-274.

236. Pashchenko D. Formalized description of message encryption in messaging apps using automata theory / Pashchenko D., Sinev M., Trokoz D., Martyshkin A., Veselova M., Zabrodina K., Safronova V., Puchkova U. // Proceedings - 2019 21st International

Conference Complex Systems: Control and Modeling Problems, CSCMP 2019 - 2019. -№ 2019- September - С.565-569, 8976517.

237. Trokoz D.A. Modeling of process control algorithms for parallel computing systems using nondeterministic automata / Trokoz D.A., Pashchenko D. V., Martyshkin A.I. // International Scientific and Practical Conference in Control Engineering and Decision Making - 2020. - С.235-249.

238. Трокоз Д.А. Формализованное описание шифрования сообщений в мессенждерах с использованием теории автоматов / Трокоз Д.А., Веселова М. Д., Сафронова В. С., Пащенко Д.В., Пучкова У. Н., Забродина К. А. // Проблемы управления и моделирования в сложных системах. Труды XXI Международной конференции. В 2-х томах. Под редакцией С.А. Никитова, Д.Е. Быкова, С.Ю. Боровика, Ю.Э. Плешивцевой. - 2019. - С.226-231.

239. Trokoz D.A. Simulation of quadcopter flight altitude stabilization system / Trokoz D.A., Babich M.Y., Butaev D.V., Pashchenko D.V., Martyshkin A.I. // Nexo Revista Cientifica - 2020. - Т. 33 - № 2 - С.638-650.

ПРИЛОЖЕНИЕ 1. СВИДЕТЕЛЬСТВА О РЕГИСТРАЦИИ ПРОГРАММ

ПРИЛОЖЕНИЕ 2. АКТЫ О ВНЕДРЕНИИ

УТВЕРЖДАЮ

Заместитель генерального директора

гауке АО «Н1Ц1 «Рубин», к.т.н.

Сериков И.В.

__2021 г.

-т

АКТ

о внедрении результатов докторской диссертационной работы Трокоза Д.А.

Комиссия в составе: председатель - начальник центра, к.т.н. Бибарсов А.Д.; члены комиссии - начальник отдела Бубнов М.В., начальник сектора Старостин Е.В. настоящим актом подтверждает, что результаты диссертационной работы Трокоза Дмитрия Анатольевича внедрены при проведении ОКР по созданию «Наземного комплекса обработки и дешифрования информации изделия А-101» в части разработки модуля машинного обучения, построенного с использованием математического аппарата нейронных сетей.

Результаты работы были использованы на этапах разработки и изготовления опытного образца «Наземного комплекса обработки и дешифрования информации изделия А-101» и получили положительную оценку.

Подписи членов комиссии:

УТВЕРЖДАЮ Директор обособленного подразделения №2

в г. Казани АО «Уральский завод

АКТ

о внедрении результатов докторской диссертационной работы Трокоза Д.А.

Комиссия в составе: председатель - начальник ОКБ - главный конструктор, к.т.н. И.В. Матвеев; члены комиссии - заместитель главного конструктора по спецоборудованию В.Е. Латышев, заместитель главного конструктора по авиационному оборудованию Д.М. Кислов, ведущий специалист, к.т.н. Д.С. Гущина, настоящим актом подтверждает, что результаты диссертационной работы Трокоза Дмитрия Анатольевича внедрены при проведении ОКР «Альтиус-РУ» по разработке перспективного комплекса с беспилотными летательными аппаратами (КБпЛА) в части создания наземного пункта управления и обработки информации (НПУОИ).

Результаты работы были использованы на этапах разработки и изготовления действующего макета НПУОИ в составе комплекса наземных отработок оборудования КБпЛА и получили положительную оценку в ходе выполнения полунатурных отработок.

ШшШ ФаворитЪ

Нш

■ШЩ научно-производственная компания

Общество с ограниченной ответственностью Научно-производственная компания «ФаворитЪ»

ИНН 7723349886 КПП 772001001 адрес: 111123, г. Москва, шоссе Энтузиастов, д.56 стр.22

Тел.:[phone] Факс:[phone] infofflnpkfavorit.ru www.npKfavorit.ru

УТВЕРЖДАЮ

Первый заместитель генерального директора £>рОДИК «ФаворитЪ»

Стенюшкина О.В.

2021 г.

АКТ

о внедрении результатов докторской диссертационной работы Трокоза Д.А.

Комиссия в составе: председателя — заместителя генерального директора по научно-технической работе Семеновых О.Б., членов комиссии-главного специалиста Кириленко В.В. и первого заместителя генерального директора Стенюшкиной О.В. настоящим актом подтверждает, что результаты диссертационной работы Трокоза Дмитрия Анатольевича внедрены при проведении ОКР по созданию подвижного комплекса радиолокационно-оптико-электронного наблюдения и контроля наземной обстановки в части разработки подсистемы поведенческой биометрической верификации оператора беспилотного летательного аппарата.

Результаты работы были использованы на этапах разработки и изготовления опытного образца интегрированного рабочего места оператора комплекса радиолокационно-оптико-электронного наблюдения и контроля обстановки и получили положительную оценку.

Председатель комиссии: Заместитель генерального директора по научно-технической работе, к.т.н.

Члены комиссии:

главный специалист

Кириленко В.В.