ВКР Исследование методов повышения устойчивости моделей машинного обучения, путем внесения возмущений в обучающие данные

Оригинальность по АП.Вуз на 27 октября 2024 года более 72%.

После оплаты вы сможете скачать документ дипломом. Вы покупаете готовую работу в формате pdf.

Содержание

Введение .................................................................................................... 5

1. Теоретические основы ............................................................... 10

1.1. Нейронные сети ....................................................................... 10

1.2. Продвинутые модели компьютерного зрения ................... 22

1.3. Аугментация данных .............................................................. 33

2. Разработка модели ...................................................................... 39

2.1. Данные для обучения ............................................................. 39

2.2. Архитектура модели ............................................................... 41

2.3. Используемые технологии ..................................................... 41

2.4. Программная реализация ..................................................... 45

3. Результаты обучения модели .................................................... 57

Заключение ............................................................................................ 64

Список литературы .............................................................................. 66

Приложение ............................................................................................ 68

Введение

В современном информационном обществе цифровая подпись

является неотъемлемой частью множества процессов и операций. Она

обеспечивает подлинность и целостность данных, а также идентификацию

автора. Верификация подписи, то есть процесс проверки принадлежности

одному и тому же человеку, является ключевым шагом для достижения этих

целей. Правильное решение задачи верификации подписи имеет огромное

значение для защиты информации и обеспечения доверия в электронных

коммуникациях и транзакциях.

Однако, с увеличением объема цифровых данных и ростом сложности

алгоритмов шифрования, традиционные методы верификации подписи

сталкиваются с вызовами и ограничениями. Ручная проверка подписей

становится неэффективной и подверженной ошибкам. В этом контексте

машинное обучение становится одним из основных инструментов для

решения задачи верификации подписи.

Машинное обучение предлагает новый подход к верификации

подписи, позволяя автоматизировать и улучшить процесс. С помощью

алгоритмов машинного обучения и нейронных сетей можно создать модели,

которые могут обучаться на больших объемах данных подписей и находить

закономерности, связанные с подлинностью и целостностью подписей. Эти

модели могут быстро и точно проверять подписи, обнаруживать

поддельные или измененные подписи и предупреждать о потенциальных

угрозах. Машинное обучение позволяет компьютерным системам извлекать

ценную информацию и прогнозировать события на основе больших

объемов данных. Это обеспечивает возможность автоматизировать сложные

задачи и улучшить принятие решений. Машинное обучение применяется в

различных областях, таких как медицина, финансы, транспорт, маркетинг и

многие другие, где оно помогает оптимизировать процессы, повышать

эффективность и снижать ошибки.

Одним из основных направлений в машинном обучении является

компьютерное зрение, которое открывает возможности для компьютерных

систем "видеть" и анализировать изображения и видео. Это позволяет

распознавать объекты, лица, текст, обнаруживать аномалии и выполнять

автоматическую классификацию. Применения компьютерного зрения

охватывают широкий спектр областей, включая робототехнику,

автоматическое вождение, медицину, безопасность, контроль качества и

многие другие.

В процессе верификации подписи возникают несколько основных

задач: 1. Извлечение признаков: Для анализа и сравнения подписей

необходимо извлечь релевантные признаки из оригинальных

образцов и представленной подписи. Эти признаки могут включать

форму и контур подписи, давление пера и другие характеристики,

которые могут быть уникальными для каждого человека.

2. Моделирование: Верификация подписи часто включает создание

математических моделей или алгоритмов, которые описывают и

представляют признаки подписи. Процесс построения модели может

включать использование методов машинного обучения, таких как

нейронные сети или статистические модели, для обучения системы на

основе образцов подписи и их характеристик.