计算生物识别系统的假接受率和假拒绝率(MATLAB)

Question

我有一个名为(all_output)的矩阵(它是由36个用户组成的输出训练和测试神经网络)。该矩阵包含36个单元，每个单元具有504值(如所附图像所示)。

​

​

(all_output)的每个单元的内容显示在所附图像中。

​

​

                              **___Update__**

我将解释(all_output)是如何构造的

在对神经网络进行了训练之后，我使用了该代码来测试神经网络

% % %     Test the Network  %%%%%%%
     outputs = net(Testing_Gen{i});

     all_output{1,i}=outputs

Testing_Gen：是一个大小矩阵(如所附图像所示的1*36个单元)。

​

​

为了了解Testing_Gen矩阵的内容，

对于每个用户，我有14个测试样本(示例)，对于每个样本，143个特征已经被提取并存储在一列中。

Testing_Gen矩阵中的每个单元格都包含用户的测试样本和冒名顶替者的测试样本(如所附图像所示)

​

​

我们可以看到，一个单元格是(143行x 504列)，每个单元格中的第一个14列是用户的样本(真正的用户样本)，其余的列是冒名顶替者的样本(490个样本14*35)

例如，我提取了用于测试的14个样本或示例，因此，第一个单元格包含 User1 的测试样本( 14)和冒名顶替的样本以及(490个样本14*35)，以计算FAR和FRR。

我想计算这个矩阵的错误接受率(FAR)、假拒绝率(FRR)和等错误率。

错误接受率是指系统错误地接受冒名顶替者为合法用户的百分比。

例如，要计算User1的远距离，所有冒名顶替者的样本(已经存储在User1矩阵中)都需要对User1进行测试，并重复这个过程36次。

错误拒绝率显示授权用户被系统错误拒绝的百分比。

例如，要计算(all_output)的FRR，他的所有测试样本(已经存储在User1矩阵中)都需要对User1进行测试，并对每个真正的用户(36次)重复这个过程。

EER可以使用这个方程(FAR+FRR)/2简单地计算。

在计算EER时，EER的结果应该显示出在系统的 FRR 和 FAR 之间保持平衡的必要性(换句话说，FAR和FRR的值应该尽可能接近于我的系统的目标是在接受授权用户和拒绝仿冒之间保持平衡)。

这是我到目前为止为计算FRR所做的代码。

%%% performance calculate FAR FRR EER

% %FRR
i=36;  % number of users 
for n=1:i
    counter1=1;
    for t=0:0.01:1     % Threeshold value
        FRRsingletemp=sum(all_output{1,n}(size(all_output{1},1)):size(all_output{1},2)<t)/size(all_output{1},2);
        FRRsingle(counter1)=FRRsingletemp;
        counter1=counter1+1;
    end
    FRR(n,:)=FRRsingle;

end

Answer 1

我不知道你的问题是什么，但我不能同意你的说法。

EER可以用这个方程(FAR+FRR)/2来计算。

FAR (FRR)不是一个值，它是一个依赖于阈值的函数。EER是远图和FRR图相交的值，如这里所见。