Biometric User Authentication System via Fingerprints Using Novel Hybrid Optimization Tuned Deep Learning Strategy
Notice bibliographique
Résumé
Due to security concerns, the necessity for authentication and identity techniques has increased in the modern world.A novel Accurate and Automated Fingerprint Biometric Authentication Model (AAFBAM) is introduced.The operation of the suggested AAFBAM is divided into two parts: (a) enrollment and (b) verification.During the enrollment phase, the database is prepared, and the input fingerprint is authenticated during the identification phase.The enrollment phase includes the data acquisition stage, preprocessing feature extraction stage, and minutiae point detection phase.The minutiae point detection is performed using the MISHO-based Optimized Deep Neural Network (MISHO-DNN) classifier.The weight function of DNN is tuned optimally using the proposed Memory Integrated Spotted Hyena Optimization (MISHO) algorithm to enhance its detection accuracy.The Verification Phase includes the preprocessing, feature extraction stage, minutiae point detection with MISHO-DNN, minutia matching, and minutiae score evaluation.Here, the minutiae score is obtained by matching minutiae from both phases and is compared with the threshold value.When the minutiae score exceeds the threshold, the user is identified as the genuine user, and their request is accepted.Otherwise, the user is recognized as an unauthenticated user, and their request is rejected.Finally, a comparative evaluation is conducted to validate the efficiency of the projected model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».