CN112257680B - 脑纹身份认证识别方法、服务器及计算机可读存储介质 - Google Patents

脑纹身份认证识别方法、服务器及计算机可读存储介质 Download PDF

Info

Publication number
CN112257680B
CN112257680B CN202011322438.3A CN202011322438A CN112257680B CN 112257680 B CN112257680 B CN 112257680B CN 202011322438 A CN202011322438 A CN 202011322438A CN 112257680 B CN112257680 B CN 112257680B
Authority
CN
China
Prior art keywords
brain
identification
tattoo
iteration
discrete
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011322438.3A
Other languages
English (en)
Other versions
CN112257680A (zh
Inventor
王智明
徐雷
陶冶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202011322438.3A priority Critical patent/CN112257680B/zh
Publication of CN112257680A publication Critical patent/CN112257680A/zh
Application granted granted Critical
Publication of CN112257680B publication Critical patent/CN112257680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Discrete Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Collating Specific Patterns (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本公开提供一种脑纹身份认证识别方法、服务器及计算机可读存储介质，其中，所述方法包括：接收用户的脑纹身份认证识别分析请求；对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案；从脑纹身份认证识别数据源中获取用户的脑纹身份认证识别数据；以及，基于所述脑纹身份认证识别分析方案对所述脑纹身份认证识别数据进行识别，得到脑纹身份认证识别结果。本公开实施例至少可以解决目前用户脑纹身份认证识别过程中响应延迟高、准确率低、误认率高等问题。

Description

脑纹身份认证识别方法、服务器及计算机可读存储介质
技术领域
本公开涉及通信技术领域，尤其涉及一种脑纹身份认证识别方法、一种脑纹身份认证识别服务器以及一种计算机可读存储介质。
背景技术
随着人5G(5th-Generation，第五代通信技术)网络的快速发展，目前所采用的传统身份认证识别方式已逐渐无法适应日益增长的认证重定义、防泄密更大的需求，产生的响应延迟高、准确率低、误认率高等问题日益突出。
发明内容
本公开提供了一种脑纹身份认证识别方法、服务器及计算机可读存储介质，以至少解决上述问题。
根据本公开实施例的一方面，提供一种脑纹身份认证识别方法，包括：
接收用户的脑纹身份认证识别分析请求；
对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案；
从脑纹身份认证识别数据源中获取用户的脑纹身份认证识别数据；以及，
基于所述脑纹身份认证识别分析方案对所述脑纹身份认证识别数据进行识别，得到脑纹身份认证识别结果。
在一种实施方式中，所述脑纹身份认证识别分析请求中携带脑纹身份认证识别原始数据，
所述对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案，包括：
基于傅里叶变换将所述脑纹身份认证识别原始数据转换为离散脑纹数据；以及，
针对所述离散脑纹数据对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案。
在一种实施方式中，所述方法还包括：
确定所述脑纹身份认证识别分析请求的优化参数；
基于傅里叶变换将所述脑纹身份认证识别原始数据转换为离散脑纹数据，包括：
基于傅里叶变换及所述优化参数将所述脑纹身份认证识别原始数据转换为离散脑纹数据；
所述对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案，包括：
针对所述离散脑纹数据及所述优化参数对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案。
在一种实施方式中，所述优化参数包括误认率、准确率及响应延迟率；
所述基于傅里叶变换及所述优化参数将所述脑纹身份认证识别原始数据转换为离散脑纹数据，根据以下公式得到：
Figure BDA0002793345960000021
式中，
Figure BDA0002793345960000022
表示第k次迭代时的离散脑纹数据，/>
Figure BDA0002793345960000023
表示脑纹身份认证识别原始数据，i、j和t为维度，且i∈[1,m],j∈[1,n],t∈[1，g]，m、n、q分别表示维度最大值；/>
Figure BDA0002793345960000024
为第k次迭代时的准确率；/>
Figure BDA0002793345960000025
为第k次迭代时的误认率；/>
Figure BDA0002793345960000026
为第k次迭代时的响应延迟率。
在一种实施方式中，所述针对所述离散脑纹数据及所述优化参数对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案，包括：
设置迭代初始参数和最大迭代次数；
针对所述离散脑纹数据及优化参数对所述脑纹身份认证识别分析请求进行深度分析，得到匹配度最优的初始脑纹身份认证识别分析方案；
判断所述匹配度最优的脑纹身份认证识别分析方案是否满足预设的评估条件；
若满足预设的评估条件，则选择所述匹配度最优的初始脑纹身份认证识别分析方案作为所述脑纹身份认证识别分析方案；
若不满足预设的评估条件，则判断当前迭代次数是否不大于所述最大迭代次数；
若不大于所述最大迭代次数，则对所述离散脑纹数据及优化参数进行深度无监督学习，得到迭代次数加1后的脑纹身份认证识别分析请求，返回执行针对所述离散脑纹数据及优化参数对所述脑纹身份认证识别分析请求进行深度分析的步骤；
若大于所述最大迭代次数，则选择所述匹配度最优的初始脑纹身份认证识别分析请求作为所述脑纹身份认证识别分析方案。
在一种实施方式中，所述优化参数包括误认率、准确率及响应延迟率；
针对所述离散脑纹数据及优化参数对所述脑纹身份认证识别分析请求进行深度分析，得到匹配度最优的初始脑纹身份认证识别分析方案，根据以下公式得到：
Figure BDA0002793345960000031
式中，MinZk表示匹配度最优的初始脑纹身份认证识别分析方案，i、j和t为维度，且i∈[1,m],j∈[1,n],t∈[1，q]，m、n、q分别表示维度最大值；
Figure BDA0002793345960000032
为第k次迭代时的准确率；/>
Figure BDA0002793345960000033
为第k次迭代时的响应延迟率；/>
Figure BDA0002793345960000034
为第k次迭代时的误认率；CGmax为历史最高准确率，EGmin为历史最低响应延迟率，wGmin为历史最小误认率；/>
Figure BDA0002793345960000035
为第k次迭代时的离散脑纹数据，/>
Figure BDA0002793345960000036
表示脑纹身份认证识别原始数据，/>
Figure BDA0002793345960000037
为第0次迭代时的离散脑纹数据。
在一种实施方式中，所述优化参数包括误认率、准确率及响应延迟率；
所述判断所述匹配度最优的脑纹身份认证识别分析方案是否满足预设的评估条件，根据以下公式得到：
Figure BDA0002793345960000041
式中，P表示概率，i、j和t为维度，且i∈[1,m],j∈[1,n],t∈[1，q]，m、n、q分别表示维度最大值；
Figure BDA0002793345960000042
为第k次迭代时的准确率；/>
Figure BDA0002793345960000043
为第k次迭代时的误认率；/>
Figure BDA0002793345960000044
为第k次迭代时的响应延迟率，/>
Figure BDA0002793345960000045
为第k次迭代时的离散脑纹数据，/>
Figure BDA0002793345960000046
表示脑纹身份认证识别原始数据，/>
Figure BDA0002793345960000047
为第0次迭代时的离散脑纹数据。
在一种实施方式中，所述优化参数包括误认率、准确率及响应延迟率；
所述对所述离散脑纹数据及优化参数进行深度无监督学习，根据以下公式得到：
Figure BDA0002793345960000048
Figure BDA0002793345960000049
式中，
Figure BDA00027933459600000410
表示迭代次数为第k次时的离散脑纹数据及优化参数；/>
Figure BDA00027933459600000411
表示迭代次数为第k+1次时的离散脑纹数据及优化参数，包含/>
Figure BDA00027933459600000412
Figure BDA00027933459600000413
四方面的信息向量，其中/>
Figure BDA00027933459600000414
表示迭代次数为第k+1次时的准确率，/>
Figure BDA00027933459600000415
表示迭代次数为第k+1次时的响应延迟率，/>
Figure BDA00027933459600000416
表示迭代次数为第k+1次时的误认率，/>
Figure BDA00027933459600000417
表示迭代次数为第k次时的离散脑纹数据，/>
Figure BDA00027933459600000418
表示脑纹身份认证识别原始数据，/>
Figure BDA00027933459600000419
为第0次迭代时的离散脑纹数据；/>
Figure BDA00027933459600000420
表示迭代次数为第k+1次时的深度无监督学习加强因子；
其中，深度无监督学习加强因子
Figure BDA00027933459600000421
根据以下公式得到：
Figure BDA0002793345960000051
式中，i、j和t为维度，且i∈[1,m],j∈[1,n],t∈[1，q]，m、n、q分别表示维度最大值；
Figure BDA0002793345960000052
为第k次迭代时的准确率；/>
Figure BDA0002793345960000053
为第k次迭代时的响应延迟率；/>
Figure BDA0002793345960000054
为第k次迭代时的误认率；CGmax表示历史最高准确率，EGmin表示历史最低响应延迟率、WGmin表示历史最小误认率。
根据本公开实施例的另一方面，提供一种脑纹身份认证识别服务器，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行所述的脑纹身份认证识别方法。
根据本公开实施例的又一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行所述的脑纹身份认证识别方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例提供的脑纹身份认证识别方法，通过接收用户的脑纹身份认证识别分析请求；对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案；从脑纹身份认证识别数据源中获取用户的脑纹身份认证识别数据；以及，基于所述脑纹身份认证识别分析方案对所述脑纹身份认证识别数据进行识别，得到脑纹身份认证识别结果。本公开实施例至少可以解决目前用户脑纹身份认证识别过程中响应延迟高、准确率低、误认率高等问题。
本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本公开技术方案的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开的技术方案，并不构成对本公开技术方案的限制。
图1为本公开实施例提供的一种脑纹身份认证识别方法的流程示意图；
图2为脑纹身份认证识别的场景示意图；
图3为本公开实施例离散脑纹数据及优化参数以三维向量的形式存储的示意图；
图4为基于傅里叶变换及所述优化参数将所述脑纹身份认证识别原始数据转换为离散脑纹数据的流程示意图；
图5为本公开实施例卷积神经元网络的示意图；
图6为本公开实施例针对所述离散脑纹数据及所述优化参数对所述脑纹身份认证识别分析请求进行分析的流程示意图；
图7为本公开实施例提供的脑纹身份认证识别服务器的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序；并且，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本公开的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
随着5G网路的迅猛发展，5G网络所指的就是在移动通信网络发展中的第五代网络，与之前的四代移动网络相比较而言，5G网络在实际应用过程中表现出更加强化的功能，并且理论上其传输速度每秒钟能够达到数10GB，这种速度是4G移动网络的几百倍。对于5G网络而言，其在实际应用过程中表现出更加明显的优势及更加强大的功能，同时，传统的身份认证识别方式已逐渐无法适应日益增长的认证重定义、防泄密更大的需求，产生的响应延迟高、准确率低、误认率高等问题日益突出，尤其在战争脑纹身份识别认证过程中，亟需提出一种基于5G的脑纹身份认证识别方案。
请参照图1，图1为本公开实施例提供的一种脑纹身份认证识别方法的流程示意图，所述方法包括步骤S101-S104。
在步骤S101中，接收用户的脑纹身份认证识别分析请求。
结合图2所示，图2主要分为三个层面部分：1)资源层，包含：脑纹身份认证识别数据源，主要实现脑纹和身份认证加密对应数据的获取及反馈。2)分析层，包含：脑纹身份认证识别服务器等，实现脑纹身份认证的分析识别。3)接入层，包含：脑纹用户等，实现用户脑纹识别分析请求接入及反馈。
具体地，接入层中脑纹用户将用户脑纹识别分析请求发送给分析层中脑纹身份认证识别服务器；分析层中脑纹身份认证识别服务器提供脑纹身份认证识别服务，包括生成脑纹身份认证识别分析方案以及脑纹身份认证识别；分析层中脑纹身份认证识别服务器调取脑纹身份认证识别数据；脑纹身份认证识别数据源将脑纹身份认证识别数据返回给脑纹身份认证识别服务器，脑纹身份认证识别服务器分析脑纹并将分析结果反馈给接入层中脑纹用户。
在步骤S102中，对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案。
本实施例中，结合多层神经网络、矩阵分解、傅里叶变换等技术对脑纹身份认证识别分析请求进行动态深度分析，并结合上述流程实现系统响应延迟低、准确率高、误认率低的脑纹身份认证识别方案。
在步骤S103中，从脑纹身份认证识别数据源中获取用户的脑纹身份认证识别数据。
在步骤S104中，基于所述脑纹身份认证识别分析方案对所述脑纹身份认证识别数据进行识别，得到脑纹身份认证识别结果。
本实施例中，所述脑纹身份认证识别分析请求中携带脑纹身份认证识别原始数据，所述步骤S102，包括以下步骤：
基于傅里叶变换将所述脑纹身份认证识别原始数据转换为离散脑纹数据；
针对所述离散脑纹数据对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案。
可以理解的是，傅立叶变换能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合，本实施例利用傅里叶变换将脑纹身份认证识别原始数据转换为离散脑纹数据，进而对脑纹身份认证识别请求进行分析，其中身份认证识别原始数据为特定图片或景象与其一一映射出的脑电波，将脑电波中固定频段中的信息提取出来，并加以进行傅里叶转换。
进一步地，所述方法还包括以下步骤：
确定所述脑纹身份认证识别分析请求的优化参数。
其中，优化参数包括误认率W(＝分析出的不匹配脑纹识别但实际是匹配的数量/分析出的脑纹识别总数量)、响应延迟率E(＝单位时间内脑纹识别分析无效占用时间量/单位时间总量)、准确率C(＝分析出的匹配脑纹识别数量/分析出的脑纹识别总数量)
基于傅里叶变换将所述脑纹身份认证识别原始数据转换为离散脑纹数据，包括以下步骤：
基于傅里叶变换及所述优化参数将所述脑纹身份认证识别原始数据转换为离散脑纹数据；
所述对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案，包括：
针对所述离散脑纹数据及所述优化参数对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案。
在一种实施方式中，所述基于傅里叶变换及所述优化参数将所述脑纹身份认证识别原始数据转换为离散脑纹数据，根据以下公式得到：
Figure BDA0002793345960000091
式中，
Figure BDA0002793345960000092
表示第k次迭代时的离散脑纹数据，/>
Figure BDA0002793345960000093
表示脑纹身份认证识别原始数据，i、j和t为维度，且i∈[1,m],j∈[1,n],t∈[1，q]，m、n、q分别表示维度最大值；/>
Figure BDA0002793345960000094
为第k次迭代时的准确率；/>
Figure BDA0002793345960000095
为第k次迭代时的误认率；/>
Figure BDA0002793345960000096
为第k次迭代时的响应延迟率。
本实施例采用稀疏矩阵以三维向量的形式存储离散脑纹数据及优化参数，
Figure BDA0002793345960000097
其中i、j和t为维度。如图3所示，/>
Figure BDA0002793345960000098
所对应的i，j，t(即m、n、q坐标上的任意取值)的维度位置中存储离散脑纹数据及各个优化参数。在一些实施例中，结合卷积神经元网络实现对脑纹身份认证识别分析方案的误认率、准确率及响应延迟率的优化。
进一步地，每次迭代中的多层神经网络、矩阵分解、傅里叶变换等策略思想为:在1,2，L h多维空间中，多个深度分析方案根据多层神经网络、矩阵分解、傅里叶变换等策略方式向最优化任务优先方案确定的方向迁移，结合图4所示，多层神经网络a、矩阵分解b、傅里叶变换c等策略原理，脑纹识别分析请求输入，多层神经网络、矩阵分解、傅里叶变换分析后输出相应分析结果。结合图5所示，多层神经元网络包括：误认率W(＝分析出的不匹配脑纹识别但实际是匹配的数量/分析出的脑纹识别总数量)、响应延迟率E(＝单位时间内脑纹识别分析无效占用时间量/单位时间总量)、准确率C(＝分析出的匹配脑纹识别数量/分析出的脑纹识别总数量)。
在一种实施方式中，所述针对所述离散脑纹数据及所述优化参数对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案，如图6所示，包括以下步骤：
a、设置迭代初始参数和最大迭代次数；
b、针对所述离散脑纹数据及优化参数对所述脑纹身份认证识别分析请求进行深度分析，得到匹配度最优的初始脑纹身份认证识别分析方案；
c、判断所述匹配度最优的脑纹身份认证识别分析方案是否满足预设的评估条件，若满足预设的评估条件，则执行d，否则，执行e。
d、选择所述匹配度最优的初始脑纹身份认证识别分析方案作为所述脑纹身份认证识别分析方案；
e、判断当前迭代次数是否不大于所述最大迭代次数，若不大于所述最大迭代次数，则执行f，否则返回d选择所述匹配度最优的初始脑纹身份认证识别分析请求作为所述脑纹身份认证识别分析方案。
f、对所述离散脑纹数据及优化参数进行深度无监督学习，得到迭代次数加1后的脑纹身份认证识别分析请求，返回执行针对所述离散脑纹数据及优化参数对所述脑纹身份认证识别分析请求进行深度分析的步骤。
迭代次数即k，本实施例中k∈[0，50]，需要说明的是，本实施例对脑纹身份认证识别分析请求以迭代循环的方式进行深度分析，其中，可以设置最大迭代参数为50，为避免无限迭代优化，在迭代次数达到50次时，默认为该方案已满足评估条件。
在一种实施方式中，针对所述离散脑纹数据及优化参数对所述脑纹身份认证识别分析请求进行深度分析，得到匹配度最优的初始脑纹身份认证识别分析方案，根据以下公式得到：
Figure BDA0002793345960000101
式中，MinZk匹配度最优的初始脑纹身份认证识别分析方案，i、j和t为维度，且i∈[1，m]，j∈[1，n]，t∈[1，q]，m、n、q分别表示维度最大值；
Figure BDA0002793345960000102
为第k次迭代时的准确率；/>
Figure BDA0002793345960000103
为第k次迭代时的误认率；/>
Figure BDA0002793345960000104
为第k次迭代时的响应延迟率，CGmax为历史最高准确率，EGmin为历史最低响应延迟率，wGmin为历史最小误认率，/>
Figure BDA0002793345960000111
为第k次迭代时的离散脑纹数据，
Figure BDA0002793345960000112
为第0次迭代时的离散脑纹数据。
具体地，针对所述离散脑纹数据及优化参数对所述脑纹身份认证识别分析请求进行深度分析，根据上述公式在第k次迭代选择出历史最高准确率，历史最低响应延迟率、历史最低误认率的方案作为匹配度最优的初始脑纹身份认证识别分析方案。
在一种实施方式中，所述判断所述匹配度最优的脑纹身份认证识别分析方案是否满足预设的评估条件，根据以下公式得到：
Figure BDA0002793345960000113
式中，P表示概率，i、j和t为维度，且i∈[1,m],j∈[1,n],t∈[1，q]，m、n、q分别表示维度最大值；
Figure BDA0002793345960000114
为第k次迭代时的准确率；/>
Figure BDA0002793345960000115
为第k次迭代时的误认率；/>
Figure BDA0002793345960000116
为第k次迭代时的响应延迟率，/>
Figure BDA0002793345960000117
为第k次迭代时的离散脑纹数据。
在一种实施方式中，所述对所述离散脑纹数据及优化参数进行深度无监督学习，根据以下公式得到：
Figure BDA0002793345960000118
Figure BDA0002793345960000119
式中，
Figure BDA00027933459600001110
表示迭代次数为第k+1次时的离散脑纹数据及优化参数，包含
Figure BDA00027933459600001111
四方面的信息向量，/>
Figure BDA00027933459600001112
表示迭代次数为第k+1次时的准确率，/>
Figure BDA00027933459600001113
表示迭代次数为第k+1次时的响应延迟率，/>
Figure BDA00027933459600001114
表示迭代次数为第k+1次时的误认率，/>
Figure BDA00027933459600001115
表示迭代次数为第k+1次时的深度无监督学习加强因子；
其中，深度无监督学习加强因子
Figure BDA00027933459600001116
根据以下公式得到：
Figure BDA0002793345960000121
式中，CGmax表示历史最高准确率，EGmin表示历史最低响应延迟率、WGmin表示历史最小误认率。
基于相同的技术构思，本公开实施例相应还提供一种脑纹身份认证识别服务器，如图7所示，所述服务器包括存储器71和处理器72，所述存储器71中存储有计算机程序，当所述处理器72运行所述存储器71存储的计算机程序时，所述处理器72执行所述的脑纹身份认证识别方法。
基于相同的技术构思，本公开实施例相应还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，所述处理器执行所述的脑纹身份认证识别方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (7)

1.一种脑纹身份认证识别方法，其特征在于，包括：
接收用户的脑纹身份认证识别分析请求，所述脑纹身份认证识别分析请求中携带脑纹身份认证识别原始数据；
对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案；
从脑纹身份认证识别数据源中获取用户的脑纹身份认证识别数据；以及，
基于所述脑纹身份认证识别分析方案对所述脑纹身份认证识别数据进行识别，得到脑纹身份认证识别结果；
所述对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案，包括：
确定所述脑纹身份认证识别分析请求的优化参数，所述优化参数包括误认率、准确率及响应延迟率；
基于傅里叶变换及所述优化参数将所述脑纹身份认证识别原始数据转换为离散脑纹数据；以及，
针对所述离散脑纹数据及所述优化参数对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案；
所述针对所述离散脑纹数据及所述优化参数对所述脑纹身份认证识别分析请求进行分析，得到脑纹身份认证识别分析方案，包括：
设置迭代初始参数和最大迭代次数；
针对所述离散脑纹数据及优化参数对所述脑纹身份认证识别分析请求进行深度分析，得到匹配度最优的初始脑纹身份认证识别分析方案；
判断所述匹配度最优的脑纹身份认证识别分析方案是否满足预设的评估条件；
若满足预设的评估条件，则选择所述匹配度最优的初始脑纹身份认证识别分析方案作为所述脑纹身份认证识别分析方案；
若不满足预设的评估条件，则判断当前迭代次数是否不大于所述最大迭代次数；
若不大于所述最大迭代次数，则对所述离散脑纹数据及优化参数进行深度无监督学习，得到迭代次数加1后的脑纹身份认证识别分析请求，返回执行针对所述离散脑纹数据及优化参数对所述脑纹身份认证识别分析请求进行深度分析的步骤；
若大于所述最大迭代次数，则选择所述匹配度最优的初始脑纹身份认证识别分析请求作为所述脑纹身份认证识别分析方案。
2.根据权利要求1所述的方法，其特征在于，所述基于傅里叶变换及所述优化参数将所述脑纹身份认证识别原始数据转换为离散脑纹数据，根据以下公式得到：
Figure FDA0004219200350000021
式中，
Figure FDA0004219200350000022
表示第k次迭代时的离散脑纹数据，/>
Figure FDA0004219200350000023
表示脑纹身份认证识别原始数据，i、j和t为维度，且i∈[1,m],j∈[1,n],t∈[1,q]，m、n、q分别表示维度最大值；/>
Figure FDA0004219200350000024
为第k次迭代时的准确率；/>
Figure FDA0004219200350000025
为第k次迭代时的误认率；/>
Figure FDA0004219200350000026
为第k次迭代时的响应延迟率。
3.根据权利要求1所述的方法，其特征在于，针对所述离散脑纹数据及优化参数对所述脑纹身份认证识别分析请求进行深度分析，得到匹配度最优的初始脑纹身份认证识别分析方案，根据以下公式得到：
Figure FDA0004219200350000027
式中，MinZk表示匹配度最优的初始脑纹身份认证识别分析方案，i、j和t为维度，且i∈[1,m],j∈[1,n],t∈[1,q]，m、n、q分别表示维度最大值；
Figure FDA0004219200350000028
为第k次迭代时的准确率；/>
Figure FDA0004219200350000029
为第k次迭代时的响应延迟率；/>
Figure FDA00042192003500000210
为第k次迭代时的误认率；CGmax为历史最高准确率，EGmin为历史最低响应延迟率，wGmin为历史最小误认率；/>
Figure FDA00042192003500000211
为第k次迭代时的离散脑纹数据，
Figure FDA00042192003500000212
表示脑纹身份认证识别原始数据，/>
Figure FDA00042192003500000213
为第0次迭代时的离散脑纹数据。
4.根据权利要求1所述的方法，其特征在于，所述判断所述匹配度最优的脑纹身份认证识别分析方案是否满足预设的评估条件，根据以下公式得到：
Figure FDA0004219200350000031
式中，P表示概率，i、j和t为维度，且i∈[1,m],j∈[1,n],t∈[1,q]，m、n、q分别表示维度最大值；
Figure FDA0004219200350000032
为第k次迭代时的准确率；/>
Figure FDA0004219200350000033
为第k次迭代时的误认率；/>
Figure FDA0004219200350000034
为第k次迭代时的响应延迟率，/>
Figure FDA0004219200350000035
为第k次迭代时的离散脑纹数据，/>
Figure FDA0004219200350000036
表示脑纹身份认证识别原始数据，/>
Figure FDA0004219200350000037
为第0次迭代时的离散脑纹数据。
5.根据权利要求1所述的方法，其特征在于，所述对所述离散脑纹数据及优化参数进行深度无监督学习，根据以下公式得到：
Figure FDA0004219200350000038
Figure FDA0004219200350000039
式中，
Figure FDA00042192003500000310
表示迭代次数为第k次时的离散脑纹数据及优化参数；/>
Figure FDA00042192003500000311
表示迭代次数为第k+1次时的离散脑纹数据及优化参数，包含/>
Figure FDA00042192003500000312
Figure FDA00042192003500000313
四方面的信息向量，其中/>
Figure FDA00042192003500000314
表示迭代次数为第k+1次时的准确率，/>
Figure FDA00042192003500000315
表示迭代次数为第k+1次时的响应延迟率，/>
Figure FDA00042192003500000316
表示迭代次数为第k+1次时的误认率，/>
Figure FDA00042192003500000317
表示迭代次数为第k次时的离散脑纹数据，/>
Figure FDA00042192003500000318
表示脑纹身份认证识别原始数据，/>
Figure FDA00042192003500000319
为第0次迭代时的离散脑纹数据；/>
Figure FDA00042192003500000320
表示迭代次数为第k+1次时的深度无监督学习加强因子；
其中，深度无监督学习加强因子
Figure FDA00042192003500000321
根据以下公式得到：
Figure FDA0004219200350000041
式中，i、j和t为维度，且i∈[1,m],j∈[1,n],t∈[1,q]，m、n、q分别表示维度最大值；
Figure FDA0004219200350000042
为第k次迭代时的准确率；/>
Figure FDA0004219200350000043
为第k次迭代时的响应延迟率；/>
Figure FDA0004219200350000044
为第k次迭代时的误认率；CGmax表示历史最高准确率，EGmin表示历史最低响应延迟率、WGmin表示历史最小误认率。
6.一种脑纹身份认证识别服务器，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1至5中任一项所述的脑纹身份认证识别方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，所述处理器执行根据权利要求1至5中任一项所述的脑纹身份认证识别方法。
CN202011322438.3A 2020-11-23 2020-11-23 脑纹身份认证识别方法、服务器及计算机可读存储介质 Active CN112257680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011322438.3A CN112257680B (zh) 2020-11-23 2020-11-23 脑纹身份认证识别方法、服务器及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011322438.3A CN112257680B (zh) 2020-11-23 2020-11-23 脑纹身份认证识别方法、服务器及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112257680A CN112257680A (zh) 2021-01-22
CN112257680B true CN112257680B (zh) 2023-06-23

Family

ID=74225488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011322438.3A Active CN112257680B (zh) 2020-11-23 2020-11-23 脑纹身份认证识别方法、服务器及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112257680B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088693A1 (zh) * 2015-11-23 2017-06-01 中国银联股份有限公司 基于特征识别的身份认证方法
CN107831907A (zh) * 2017-12-07 2018-03-23 深圳先进技术研究院 基于步态识别的身份认证方法及装置
CN110543831A (zh) * 2019-08-13 2019-12-06 同济大学 一种基于卷积神经网络的脑纹识别方法
EP3695783A1 (en) * 2019-02-15 2020-08-19 Origin Wireless, Inc. Method, apparatus, and system for wireless gait recognition
CN111597874A (zh) * 2020-03-30 2020-08-28 潘镇元 基于ecg的身份识别方法及用户在ecg识别设备中注册的方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10567961B2 (en) * 2017-11-02 2020-02-18 Bank Of America Corporation System for electroencephalogram patterning recognition for authentication
CN110120928A (zh) * 2018-02-05 2019-08-13 北京智明星通科技股份有限公司 一种身份认证的方法、装置、服务器及计算机可读介质
CN109508087A (zh) * 2018-09-25 2019-03-22 易念科技（深圳）有限公司 脑纹信号识别方法及终端设备
US11023570B2 (en) * 2019-01-28 2021-06-01 EMC IP Holding Company LLC User authentication with acoustic fingerprinting
US10853642B2 (en) * 2019-03-22 2020-12-01 Advanced New Technologies Co., Ltd. Fusing multi-spectral images for identity authentication
JP6816218B2 (ja) * 2019-06-11 2021-01-20 コンコルド アジア プライベート リミテッド 立ち入りを許可するセキュリティ制御システムおよびそのセキュリティ制御方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017088693A1 (zh) * 2015-11-23 2017-06-01 中国银联股份有限公司 基于特征识别的身份认证方法
CN107831907A (zh) * 2017-12-07 2018-03-23 深圳先进技术研究院 基于步态识别的身份认证方法及装置
EP3695783A1 (en) * 2019-02-15 2020-08-19 Origin Wireless, Inc. Method, apparatus, and system for wireless gait recognition
CN110543831A (zh) * 2019-08-13 2019-12-06 同济大学 一种基于卷积神经网络的脑纹识别方法
CN111597874A (zh) * 2020-03-30 2020-08-28 潘镇元 基于ecg的身份识别方法及用户在ecg识别设备中注册的方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
Gaussian Mixture Modeling of Short-Time Fourier Transform Features for Audio Fingerprinting;Ramalingam 等;《IEEE Transactions on Information Forensics and Security》;第1卷(第4期);457-463 *
Multi-modal brain fingerprinting: A manifold approximation based framework;Kumar K 等;《NeuroImage》;第183卷;212-226 *
Person Authentication Using Brainwaves (EEG) and Maximum A Posteriori Model Adaptation;Marcel Sebastien等;《IEEE Transactions on Pattern Analysis and Machine Intelligence》;第29卷(第04期);743-752 *
The Research of Identity Authentication Based on Multiple Biometrics Fusion in Complex Interactive Environment;Wang Y 等;《Journal of Network Intelligence》;第4卷(第4期);124-139 *
任务无关的脑纹识别研究;范巧男;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第01期);I136-192 *
关于语音个人身份优化识别建模仿真研究;田秀丽 等;《计算机仿真》;第33卷(第10期);403-407 *
基于傅里叶变换特征遗传算法的人脸识别;陈绵书 等;《计算机工程与应用》;第587卷(第28期);10-11+98 *
基于密集连接卷积网络的小面积指纹识别方法;陈文燕 等;《计算机工程与应用》;第56卷(第10期);134-140 *
脑电信号在身份识别及疲劳检测中的应用研究;冯知音;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第11期);I136-61 *

Also Published As

Publication number Publication date
CN112257680A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN108229419B (zh) 用于聚类图像的方法和装置
Chen et al. Saliency detection via the improved hierarchical principal component analysis method
CN108280477B (zh) 用于聚类图像的方法和装置
CN106780639B (zh) 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法
CN113435509B (zh) 基于元学习的小样本场景分类识别方法及系统
CN112200296B (zh) 网络模型量化方法、装置、存储介质及电子设备
CN115146670A (zh) 基于数据增强和对比学习的射频指纹识别方法及系统
Cao et al. Acceleration of histogram‐based contrast enhancement via selective downsampling
Hu et al. Efficient JPEG batch steganography using intrinsic energy of image contents
CN108615006A (zh) 用于输出信息的方法和装置
CN114972016A (zh) 图像处理方法、装置、计算机设备、存储介质及程序产品
CN112257680B (zh) 脑纹身份认证识别方法、服务器及计算机可读存储介质
Qiu et al. DeepSIG: A Hybrid Heterogeneous Deep Learning Framework for Radio Signal Classification
CN117009873A (zh) 支付风险识别模型的生成方法、支付风险识别方法及装置
CN115685133B (zh) 自动驾驶车辆的定位方法、控制装置、存储介质及车辆
CN116229154A (zh) 一种基于动态混合模型的类增量图像分类方法
CN115601791A (zh) 基于Multiformer及离群样本重分配的无监督行人重识别方法
CN117667227A (zh) 参数调整方法及相关设备
CN116644783A (zh) 模型训练方法、对象处理方法及装置、电子设备、介质
CN112511521B (zh) 基于ddpg算法的ip地址黑灰名单分析方法及服务器
CN112437460B (zh) Ip地址黑灰名单分析方法、服务器、终端及存储介质
CN112491863B (zh) Ip地址黑灰名单分析方法、服务器、终端及存储介质
CN116506261B (zh) 一种可见光通信感知方法及系统
CN115102852B (zh) 物联网业务开通方法、装置、电子设备及计算机介质
US20220398261A1 (en) System and method for identifying approximate k-nearest neighbors in web scale clustering

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant