Resumen

Examinamos la eficiencia de cuatro algoritmos de aprendizaje automático para la fusión de varias modalidades biométricas con el fin de crear un sistema de seguridad biométrica multimodal. Los algoritmos examinados son Modelos de Mezcla Gaussiana (GMMs), Redes Neuronales Artificiales (ANNs), Sistemas Expertos Difusos (FESs) y Máquinas de Vectores de Soporte (SVMs). La fusión de las biometrías conduce a sistemas de seguridad que presentan tasas de reconocimiento más altas y alarmas falsas más bajas en comparación con los sistemas de seguridad biométrica unimodales. Se realizó un aprendizaje supervisado utilizando un número de patrones de una base de datos biométrica de referencia conocida, y la validación/prueba se llevó a cabo con patrones de la misma base de datos que no fueron incluidos en el conjunto de datos de entrenamiento. La comparación de los algoritmos revela que el sistema de fusión de biometrías es superior a los sistemas unimodales orig

• Materias:Máquina de vectores Marco neuronal híbrido Base de datos Inteligencia neuronal Sintonización de controladores
• Subjects:Vector machine Hybrid neural framework Database Neural intelligence Controller tuning
• Palabras claves:Algoritmos de aprendizaje automático; Fusión; Modalidades biométricas; Sistema de seguridad; Tasas de reconocimiento; Aprendizaje supervisado
• Keywords:Machine learning algorithms; Fusion; Biometrics modalities; Security system; Recognition rates; Supervised learning