Главная
База знаний "Allbest"
Программирование, компьютеры и кибернетика
Психологическая интуиция искусственных нейронных сетей
Психологическая интуиция искусственных нейронных сетей
Психодиагностика и нейронные сети. Математические модели и алгоритмы психодиагностики. Решение нейросетями задач психодиагностики. Интуитивное предсказание нейросетями взаимоотношений. Полутораслойный предиктор с произвольными преобразователями.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | диссертация |
| Язык | русский |
| Дата добавления | 02.10.2008 |
| Размер файла | 643,7 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
h1, h2, h3 - различные значения величины шага оптимизации, используемые при ее подборе;
W - величина шага в вершину параболы, проходящей через точки (h1, H1), (h2, H2), ( h3, H3). Вычисляется по формуле:
H1, H2, H3 - значения функции ошибки, соответствующие смещению обучаемых параметров по направлению градиента на величину шага h1, h2 и h3.
Условие выпуклости комбинации h1,2,3, H1,2,3 определяется формулой
Если выражение истинно, то условие выпуклости выполнено.
Теперь, рассмотрев алгоритмы обучения сети, перейдем к описанию компонентов, структуры и функционирования сети.
4.5 Оценка информационной емкости нейронной сети при помощи выборочной константы Липшица
Условие остановки процесса пошагового исчерпания ошибки может основываться также на оценке полноты функции, заданной нейронной сетью. В случае, если число элементов сети задано (для каждого шага наращивания «поточной» это так) и значения ее параметров ограничены на определенном интервале (это условие выполняется наложением ограничений на параметры сети), данное условие можно сформулировать с использованием константы Липшица. Константа Липшица вектор-функции в области D определяется как . Верхняя грань может быть вычислена по области определения D. В качестве оценки расстояния используется евклидова норма.
Для суперпозиции вектор-функций .
Для линейной комбинации функций оценка константы Липшица .
Константа Липшица для адаптивного сумматора, работающего по формуле имеет вид .
Тогда для стандартной комбинации, состоящей из матрицы входных синапсов, сумматора и преобразователя - нейрона с гладкой функцией активации .
Для прямой суммы вектор-функций константа Липшица может быть оценена как .
Таким образом, для слоя нейронов с подбираемыми преобразователями , где - вектор весов синапсов, приходящих на входной сумматор i-го нейрона, а - функция i-го преобразователя.
Если заменить всю область определения функций D на конечное множество (задачник), то условие, определяющее требуемый объем нейронной сети можно получить, сравнивая с оценкой константы Липшица для обучающей выборки .
является нижней оценкой константы Липшица аппроксимируемой функции. Нейросеть может реализовать данную функцию только в том случае, когда .
Исходя из данного условия, можно сформулировать алгоритм обучения сети с поэтапным исчерпанием ошибки так, как это показано в блок-схеме на рис. 9
4.6 Соглашение о терминологии
Изложение вопросов, связанных со структурой и функционированием сети, тесно связано с программной реализацией задачи. Поэтому по тексту будут встречаться ссылки на реальные структуры программы.
Для описания компонентов сети был использован аппарат объектно-ориентированного программирования [28], реализованный в среде разработки программ Borland Delphi Developer v.3.0. (см. [44], [45], [58], [63], [75], [76])
Базовым понятием в языке программирования Object Pascal, встроенном в Delphi, является класс - особый вид записи, включающий поля и методы.
Экземпляр класса называется объектом.
Понятие поле для объекта аналогично понятию поля для записи.
Метод - процедура или функция, описанная внутри класса и предназначенная для операции над его полями.
4.7 Компоненты сети
Традиционный состав элементов сети (см. главу 1) включает в себя следующие элементы: нейрон, синапс, сумматор. Кроме того, в число типовых включены входной и выходной элементы.
На рис. 9 показаны схематические изображения элементов сети, которые далее будут использованы в схемах, описывающих структуру и функционирование программной модели.
4.8 Общий элемент сети
Базовым типом элементов, используемых для описания нейронной сети, является общий элемент сети - класс, инкапсулирующий основные свойства и методы, характерные для всех компонентов сети. Название этого класса в программной реализации - TNetPiece.
Объекты данного класса включают в себя следующие поля:
NextPiece - указатель на следующий элемент сети;
PriorPiece - указатель на предыдущий элемент сети;
ForwOut - значение сигнала, передающегося элементом вперед при прямом функционировании;
BackOut - значение сигнала, передающегося элементом назад при обратном функционировании.
Набор методов включает в себя:
Create - описание создания объекта;
Destroy - действия при разрушении (удалении) объекта;
ForwardTact - действия элемента во время такта прямого функционирования;
BackwardTact - действия элемента во время такта обратного функционирования;
При описании методов ForwardTact и BackwardTact они были оставлены пустыми, так как функционирование конкретных элементов сети существенно различно.
Однако введение этих методов имеет достаточно глубокий смысл, поскольку класс TNetPiece является предком всех прочих классов, описывающих элементы сети, и наличие типовых процедур прямого и обратного функционирования позволяет использовать такие свойства модели объектно-ориентированного программирования как наследование свойств и методов и полиморфизм. Подробнее этот тезис будет раскрыт ниже.
4.9 Вход сети
Для связи сети с задачником и передачи используются объекты класса TNetInput - входной элемент сети.
Данный класс является потомком TNetPiece, и поэтому наследует его набор полей и методов этого класса, а кроме того добавлено поле SourceSignal, которое содержит номер поля задачника, с которого данный вход сети забирает значение.
Методы ForwardTact и BackwardTact перекрыты, то есть их код заменен на тот, который соответствует назначению входного элемента.
Метод ForwardTact выполняет передачу значения из соответствующего данному элементу поля задачника на выходной сигнал элемента, поле ForwOut.
Метод BackwardTact передает двойственный сигнал следующего элемента на свой двойственный сигнал (поле BackOut).
4.10 Выход сети
Выходной элемент сети описывает класс TNetOutput, также являющийся потомком TNetPiece.
В методах ForwardTact и BackwardTact заложены действия элемента при прямом и обратном тактах функционирования.
Метод ForwardTact выполняет передачу сигнала от выхода предыдущего на выход данного элемента, кроме того в поле H заносится значение ошибки сети при вычислении функции Y.
Метод BackwardTact передает на обратный выход элемента (поле BackOut) значение двойственного сигнала. Двойственный сигнал ?H представляет собой производную функции ошибки по выходному сигналу сети:
,
где - аппроксимированное значение функции, выдаваемое сетью, - значение аппроксимируемой функции в данном примере.
4.11 Синапс сети
Для описания синапсов сети используются объекты класса TNetSynapse. Как наследник класса TNetPiece он наследует все его поля и методы. Помимо этого в список полей включены Alpha - параметр, представляющий собой вес синапса, и MuAlpha - сигнал, двойственный весу синапса.
На такте прямого функционирования метод ForwardTact снимает выходной сигнал предыдущего элемента, умножает его на вес синапса и передает на выходной сигнал данного объекта (поле ForwOut).
На такте обратного функционирования метод BackwardTact передает в поле BackOut двойственный сигнал синапса, который может быть вычислен по следующей формуле:
,
где - двойственный сигнал, передаваемый синапсом, W - функция преобразования в синапсе, - сигнал, поступающий в синапс от предыдущего элемента на такте прямого функционирования, - входной двойственный сигнал, поступающий в синапс от следующего элемента на такте обратного функционирования, - вес синапса.
Кроме того на обратном такте вычисляется сигнал, двойственный и представляющий собой значение частной производной функции ошибки по этому параметру:
,
где - сигнал, двойственный .
Для значений , в классе TNetSynapse предусмотрены поля Alpha и MuAlpha.
4.12 Тривиальный сумматор
Программной моделью тривиального сумматора является класс TSummator.
Помимо полей, унаследованных от класса - предка TNetPiece, TSummator имеет в своей структуре PriorPieces, которое, в отличии от стандартного поля PriorPiece является не указателем на предыдущий элемент, а списком указателей на набор таких элементов.
Метод ForwardTact осуществляет суммирование выходных сигналов элементов из списка PriorPieces и помещает полученный результат в поле ForwOut.
На такте обратного функционирования происходит передача двойственного сигнала следующего элемента на двойственный сигнал сумматора BackOut.
4.13 Нейрон
В данной работе под термином «нейрон» подразумевается нелинейный преобразователь вида
,
где у - выходной сигнал преобразователя, - входной сигнал, - параметр преобразователя, - так называемый «параметр спонтанной активности».
Нейрон описывается в программной модели классом TNeuron, выходной сигнал на такте прямого функционирования заносится в поле ForwOut.
Обучаемыми в нейроне являются оба параметра - и , поэтому в классе TNeuron помимо полей Alpha и AlphaS, в которых хранятся значения соответствующих параметров, предусмотрены MuAlpha и MuAlphaS, в которых помещаются значения двойственных им сигналов.
Помимо этого в поле BackOut заносится сигнал, двойственный входному. Кроме того, объект класса TNeuron характеризуется еще и полем FunctionType, представляющим собой номер используемой функции преобразователя в списке функций, используемых при оптимизации.
Вычисление двойственных сигналов в нейронах производится в общем случае по формулам:
,
где ?? - параметр, для которого вычисляется двойственный сигнал, - сам двойственный сигнал.
Список выражений для применяемого в данной работе набора стандартных функций с их производными по основным параметрам приведен в таблице 1.
Таблица 1
Набор функций нелинейного преобразователя
|
Ф-ция |
|||||
4.14 Поток сети
Фрагмент сети, состоящий из слоя входных синапсов, сумматора, нейрона и выходного синапса и названный «потоком» представлен в программной модели классом TNetStream.
Помимо обычных для потомка класса TNetPiece полей NextPiece, PriorPiece, ForwOut и BackOut данный класс включает в себя FirstLayer - список синапсов первого слоя, Summator - объект класса TSummator, реализующего тривиальный сумматор, Neuron - объект класса TNeuron, реализующего нелинейный преобразователь - нейрон, SecondLayer - объект класса TSynapse, описывающий выходной синапс потока.
Прямой такт потока, описанный методом ForwardTact, происходит следующим образом:
Перебираются элементы списка FirstLayer, для каждого из которых вызывается его собственный метод ForwardTact, затем происходит «срабатывание» (вызов этого же метода) для объектов Summator, Neuron и SecondLayer. Затем выходной сигнал объекта заносится в поле ForwOut - выходной сигнал всего потока.
Такт обратного функционирования потока, который описан в методе BackwardTact, включает в себя следующие действия:
Последовательный вызов собственного метода BackwardTact для объектов SecondLayer, Neuron и Summator, затем перебор элементов списка FirstLayer и вызов метода BackwardTact для каждого синапса, входящего в него.
Структура связей между элементами потока представлена на рис 10.
4.15 Скомпонованная полутораслойная поточная сеть
Целая сеть представлена классом TNet. Данный класс также является потомком класса TNetPiece - общего элемента сети, что позволяет, используя свойство полиморфизма объектов, достаточно легко компоновать из отдельных фрагментов нейросети более сложной структуры.
Кроме полей, унаследованных от TNetPiece, сеть характеризуется также полями Inputs - список входных элементов, Streams - список потоков сети, SecondLayer - сумматор входного слоя, Answer - выходной элемент сети.
Для описания такта прямого функционирования сети используется, так же как в других элементах сети, метод ForwardTact. Методом выполняются следующие действия:
Перебор списка входных элементов и вызов метода ForwardTact для каждого из них, перебор и прямое функционирование каждого из элементов списка потоков, и затем - для объектов SecondLayer и Answer.
Метод BackwardTact, описывающий обратное функционирование сети, задается следующей последовательностью действий:
Обратное функционирование элементов Answer, SecondLayer, затем перебор и выполнение методов BackwardTact для элементов списков Streams и Inputs.
Структура связей между стандартными элементами полностью скомпонованной поточной нейросети показана на рис. 11.
Схема, приведенная на рис. 11, хорошо иллюстрирует преимущества применения объектно-ориентированного подхода к моделированию нейронных сетей.
Свойство полиморфизма объектов позволяет составлять список предыдущих элементов, например, сумматора, как из простых синапсов, так и из более сложных структур - потоков. Для этого требуется лишь аккуратное выполнение иерархии объектов, описывающих элементы сети.
В перспективе, с появлением параллельных трансляторов, объектно-ориентированный подход за счет свойства инкапсуляции объектов позволит легко перейти к моделированию нейросетей в параллельных системах.
Выводы по главе 4.
Созданный программный имитатор полутораслойной нейронной сети представляет собой механизм, позволяющий реализовать систему преобразователей, восстанавливающих зависимость, заданную в виде обучающей выборки.
Использование в программе алгоритма попоточного исчерпания ошибки позволяет ей создавать нейронные сети неизбыточной структуры.
Дополнение алгоритма попоточного исчерпания ошибки проверкой на сравнение константы Липшица нейронной сети с выборочной константой Липшица дает возможность использовать в работе пользовательского программного обеспечения более строгие требования к требуемому для восстановления функции по данной выборке объему нейронной сети.
Применение принципов объектно-ориентированного программирования при создании программного имитатора полутораслойной нейронной сети позволило создать программу с прозрачной, легко расширяемой и сопровождаемой структурой.
ВЫВОДЫ
Показано, что для решения классической задачи компьютерной психодиагностики с вероятностью правильного ответа около 95% может быть применена искусственная нейронная сеть из 2 нейронов с параметром преобразователя равным 0,4. При этом такая экспертная система способна перенимать опыт специалиста непосредственно, без участия математика или программиста.
У полносвязной искусственной нейронной сети с числом нейронов 16 и параметром преобразователя 0.1 возможно выработать психологическую интуицию, позволяющую выдавать предсказание взаимоотношений, формализованных в виде результатов социометрического эксперимента, с погрешностью 25-30%.
Задача предсказания взаимоотношений может решаться интуитивно - без построения описанной реальности и без сбора информации о социальной истории исследуемых.
Созданная программа, представляющая собой нейронную сеть полутораслойной структуры, способна решать задачу восстановления зависимости по обучающей выборке при помощи алгоритма поэтапного исчерпания ошибки наращиванием объема сети.
Применение при создании программы выборочной константы Липшица в алгоритме наращивания сети позволило реализовать способ ограничения избыточности числа нейронов и объема сети.
Применение концепции объектно-ориентированного программирования позволило разработать гибкий, открытый и легко сопровождаемый нейроимитатор.
Основное содержание диссертации изложено в следующих работах:
Dorrer M.G. Neural networks instead of psychological measurements // Abstracts of the 3rd International conference «Mathematics, computer, education». Dubna, 1996.
Dorrer M.G., Gorban A.N., Kopytov A.G. Simulation of psychological intuition by means of neural networks // New Concepts to Uncover Higher Brain Functions. The 5th Tohwa university International Symposium. Fukuoka, Japan: Tohwa University, 1995. - p.153.
Dorrer M.G., Gorban A.N., Kopytov A.G. Zenkin V.I. Psychological intuition of neural networks // Proceedings of the WCNN'95 (World Congress on Neural Networks'95, Washington DC, Juli 1995) - pp. 193-196
Dorrer M.G., Gorban A.N., Zenkin V.I. Neural networks in psychology: classical explicit diagnoses // Neuroinformatics and neurocomputers, Proceedings of the 2nd RNNS-IEEE Symposium, Rostov-on-Don, September 1995 - pp 281-284
Gorban A.N., Rossiev D.A., Butakova E.V., Gilev S.E., Golovenkin S.E., Dogadin S.A., Dorrer M.G., Kochenov D.A., Kopytov A.G., Maslennikova E.V., Matyushin G.V., Mirkes Ye.M., Nazarov B.V., Nozdrachev K.G., Savchenko A.A., Smirnova S.V., Shulman V.A., Zenkin V.I. Medical, psychological and physiological applications of MultiNeuron neural simulator // Neuroinformatics and neurocomputers, Proceedings of the 2nd RNNS-IEEE Symposium, Rostov-on-Don, September 1995 - pp 7-14
Gorban A.N., Rossiev D.A., Gilev S.E., Dorrer M.G., Kochenov D.A., Mirkes Ye.M., Golovenkin S.E., Dogadin S.A., Nozdrachev K.G., Matyushin G.V., Shulman V.A., Savchenko A.A. Medical and physiological applications of MultiNeuron neural simulator // Proceedings of the WCNN'95 (World Congress on Neural Networks'95, Washington DC, Juli 1995) - paper № 050
Gorban A.N., Rossiev D.A., Gilev S.E., Dorrer M.G., Kochenov D.A., Mirkes Ye.M., Golovenkin S.E., Dogadin S.A., Nozdrachev K.G., Matyushin G.V., Shulman V.A., Savchenko A.A. «NeuroComp» group: neural network software and its application // Russian Academy of Sciences, Krasnoyarsk Computing Center, Preprint №8. - Krasnoyarsk, 1995 - 38p.
Доррер М.Г. Обработка психологической информации при помощи нейронных сетей. // Проблемы информатизации региона: Материалы второй межрегиональной конференции. Красноярск: КГТУ, 1997. - с.33-43.
Доррер М.Г. Полутораслойный предиктор с произвольными преобразователями. // Проблемы информатизации региона: Труды Третьей Всероссийской конференции (Красноярск, 25-27 ноября 1997 г.). - Красноярск: АО «Диалог-Сибирь», 1997г. -с.143.
Доррер М.Г. Попытка применения нейронных сетей для прогнозирования психологической совместимости в группе. // Нейроинформатика и ее приложения: Программа и тезисы докладов II всероссийского рабочего семинара. - Красноярск: КГТУ, 1994. - с.13.
Доррер М.Г., Горбань А.Н., Копытов А.Г., Зенкин В.И. Психологическая интуиция нейронных сетей // Нейроинформатика и ее приложения: Материалы III всероссийского рабочего семинара. - Красноярск: КГТУ, 1995. - с.114-127.
ЛИТЕРАТУРА
Amari S. - I. The Brain and Computer // Proceedings of 1993 International Joint Conference on Neural Networks, Nagoya, Japan, October 25-29, 1993. - Nagoya, 1993. - v.1. - p.7-8.
Asary K.V., Eswaran C.A. Self-organizing Neural Network for Multidimensional Mapping and Classification of Multiple Valued Data // Proceedings of 1993 International Joint Conference on Neural Networks, Nagoya, Japan, October 25-29, 1993. - Nagoya, 1993. - v.2. - p.2488-2491.
Atamanchuk Z.M., Petrov A.A. Some problems of building and learning of neural networks while creating user's expert systems diagnoses // The RNNS-IEEE Symposium on Neuroinformatics and Neurocomputers, Rostov-on-Don, September 1992 - v.2. - pp 1133-1135.
Baxt W.G. Complexity, chaos and human physiology: the justification for non-linear neural computational analysis // Cancer Lett. - 1994. - v.77, №2-3. - p.85-93.
Becraft W.R. Diagnostic applications of artificial neural networks // Proceedings of 1993 International Joint Conference on Neural Networks, Nagoya, Japan, October 25-29, 1993. - Nagoya, 1993. - v.2. - p.2807-2810.
Bedenbaugh P., Gerstein G.L. Rectification of correlation by a sigmoid non-linearity // Biol. Cybern. - 1994. - v.70, №3. - p.219-225.
Berrios G.E., Chen E.Y. Recognizing psychiatric symptoms. Relevance to the diagnostic process // Br. J. Psychiatry. - 1993. V.163. - p.308-314.
Cohen I.L., Sudhalter V., Landon-Jimenez D. et al. A neural network approach to the classification of autism // J. Autism Dev. Disord. - 1993. - v.23, №3. - p.443-466.
Forrest D.V., Flory M.J., Anderson S. Neural network programming // N.Y.State J. Med. - 1991. - v.91, №12. - p.553.
Fu H.C., Shann J.J. A fuzzy neural network for knowledge learning // Int. J. Neural Syst. - 1994. - v.5, №1. - p.13-22.
Galushkin A.I., Savushkin S.A. Neural Network expert system // The RNNS-IEEE Symposium on Neuroinformatics and Neurocomputers, Rostov-on-Don, September 1992 - v.2. - pp 1116-1123.
Galushkin A.I., Sudarikov V.A., Shabanov E.V. Neuromathematic: the methods of solving problems on neurocomputers // The RNNS-IEEE Symposium on Neuroinformatics and Neurocomputers, Rostov-on-Don, September 1992 - v.2. - pp 1179-1188.
Modai I., Stoler M., Inbar-Saban N. et al. Clinical decisions for psychiatric inpatients ant their evaluation by a trained neural network // Methods Inf. Med. - 1993 - v.32, №5. - p.396-399.
Sima J., Neruda R. Neural networks as expert systems // Neural Network Worl. - 1992 - v.2, №6. - p.775-783.
Sitting D.F., Orr J.A. A parallel implementation of the backward error propagation neural network training algorithm: experiments in event identification // Comput. Biomed Res. - 1992. - v.25, №6. - p.547-561.
Аванесов В.С. Тесты в социологическом исследовании. - М., 1982 - 199с.
Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений. - М.: Статистика, 1974 - с. 240.
Айвазян С.А., Бухштабер В.М., Енюков С.И., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. - М.: Финансы и статистика, 1989 - с.607
Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Статистическое оценивание зависимостей. - М.: Финансы и статистика, 1983 - с.471.
Анастази А. Психологическое тестиование. - М. Педагогика, 1982 - кн.1 - с.320, кн.2 - с.360.
Ануфриев А.Ф. Психодиагностика как деятельность и научная дисциплина. // Вопросы психологии - 1994 - №2 - с.123-131.
Барцев С.И. Некоторые свойства адаптивных сетей. - Красноярск, 1987. - 17 с. - (Препринт / ИФ СО АН СССР; № 71Б.)
Барцев С.И., Гилев С.Е., Охонин В.А. Принцип двойственности в организации адаптивных систем обработки информации. // Динамика химических и биологических систем. - Новосибирск: Наука. Сибирское отделение, 1989. - с.6-55.
Бодалев А.А. О взаимосвязи общения и отношения // Вопросы психологии - 1994 - №1 - с.122-126.
Боннер Р.Е. Некоторые методы классификации // Автоматический анализ изображений. - М.: Мир, 1969 - с.205 - с.234.
Бурлачук Л.Ф., Коржова Е.Ю. К построению теории измеренной индивидуальности в психодиагностике. // Вопросы психологии - 1994 - №5 - с.5-12.
Бурлачук Л.Ф., Морозов С.М. Словарь - справочник по психологической диагностике. - Киев: Наукова думка, 1989 - с.200.
Буч Г. Объектно-ориентированное программирование с примерами применения. - М.: Конкорд, 1992. - с.36.
Вапник В.Н., Глазкова Т.Г., Кощеев .В.А., Михальский А.И., Червоненкис А.Я. Алгоритмы и программы восстановления зависимостей. - М.: Наука, 1984, с.8-11, 27-32, 42-55.
Вапник В.Н., Червоненкис А.Ф. Теория распознавания образов. - М.: Наука, 1974.
Гаврилова Т.А., Червинская К.Р., Яшин А.М. Формирование поля знаний на примере психодиагностики. // Известия АН СССР. Техническая кибернетика. - 1988. - №5. - с.72-85.
Гилев С.Е. Сравнение характеристических функций нейронов. // Тезисы докладов III всероссийского семинара «Нейроинформатика и ее приложения». - Красноярск: изд. КГТУ, 1995 - с.82.
Гилев С.Е., Горбань А.Н., Миркес Е.М. и др. Определение значимости обучающих параметров для принятия нейронной сетью решения об ответе. // Нейроинформатика и нейрокомпьютеры: Тезисы докладов рабочего семинара, 8-11 октября 1993 г. - Красноярск: Институт биофизики СО РАН, 1993. - с.8.
Гилев С.Е., Коченов Д.А., Миркес Е.М., Россиев Д.А. Контрастирование, оценка значимости параметров, оптимизация их значений и их интерпретация в нейронных сетях // Тезисы докладов III всероссийского семинара «Нейроинформатика и ее приложения». - Красноярск: изд. КГТУ, 1995 - с.66-78.
Гласс Дж., Стэнли Дж. Статистические методы в педагогике и психологии. - М.: Прогресс, 1976 - 495с.
Горбань А.Н. Обучение нейронных сетей.- М. СП ПараГраф - 1990.
Горбань А.Н., Миркес Е.М. Кодирование качественных признаков для нейросетей // Тезисы докладов II всероссийского семинара «Нейроинформатика и ее приложения». - Красноярск: изд. КГТУ, 1994 - с.29.
Горбань А.Н., Миркес Е.М. Компоненты нейропрограмм. // Тезисы докладов III всероссийского семинара «Нейроинформатика и ее приложения». - Красноярск: изд. КГТУ, 1995 - с.17.
Горбань А.Н., Миркес Е.М. Контрастирование нейронных сетей. // Тезисы докладов III всероссийского семинара «Нейроинформатика и ее приложения». - Красноярск: изд. КГТУ, 1995 - с.78-79.
Горбань А.Н., Миркес Е.М. Функциональные компоненты нейрокомпьютера. // Тезисы докладов III всероссийского семинара «Нейроинформатика и ее приложения». - Красноярск: изд. КГТУ, 1995 - с.79-90.
Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. - Новосибирск: Наука, 1996 - с.144.
Грановская Р.М., Березная И.Я. Интуиция и искусственный интеллект. - Л.: ЛГУ, 1991. - 272с.
Губерман Т.А., Ямпольский Л.Т. Применение алгоритмов распознавания образов в психодиагностике // Вопросы психологии, 1983 №5. - с.118-125.
Дантенманн Дж., Мишел Дж., Тейлор Д. Программирование в среде Delphi. - Киев: DiaSoft, 1995.
Дарахвелидзе П., Марков Е. Delphi - среда визуального программирования. - Санкт-Петербург: BHV, 1996.
Деннис Дж. Мл., Шнабель Р. Численные методы безусловной оптимизации и решения нелинейных уравнений. - М.: Мир, 1988 - с.440.
Дюк В.А. Компьютерная психодиагностика. - Санкт-Петербург: Братство, 1994.
Елисеева И.И., Рукавишников В.О. Группировка, корреляция, распознавание образов (Статистические методы классификации и измерения связей). - М.: Статистика, 1977 - с.144.
Енюков И.С. Методы, алгоритмы, программы многомерного статистического анализа: Пакет ППСА. - М.: Финансы и статистика, 1986 - с.232
Житков Г.Н. Некоторые методы автоматической классификации.// Структурные методы опознавания и автоматическое чтение. М.: ВИНИТИ, 1970 - с.68 - с.85.
Журавлев Ю.И. Непараметрические задачи распознавания образов // Кибернетика - №6 - 1976 - с.93-103.
Журавлев Ю.И., Гуревич И.Б. Распознавание образов и анализ изображений // Искусственный интеллект. - В 3-х кн. Кн.2. - М.: Радио и связь, 1990 - с. 304.
Журавлев Ю.И., Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. М.: Наука, 1978, вып.33 - с.5-68.
Забродин Ю.М., Похилько В.И., Шмелев А.Г. Статистические и семантические проблемы конструирования и адаптации многофакторных личностных тест-опросников. // Психологический журнал, т.8, №6, 1987 - с.79-89.
Загоруйко Н.Г., Елкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. - Новосибирск: Наука, 1985 - 110с.
Зеличенко А.И. Интеллектуальные системы и психологическое знание. // В книге: Компьютеры и познание. - М.: Наука, 1990 - с.69-86.
Кабанов М.М., Личко А.И., Смирнов В.М. Методы психологической диагностики и коррекции в клинике. М. Медицина - 1983
Килверт Ч. Энциклопедия Delphi 2. Киев: DiaSoft, 1996.
Коченов Д.А., Россиев Д.А. Аппроксимация функций класса нейросетевыми предикторами // Тезисы докладов рабочего семинара «Нейроинформатика и нейрокомпьютеры», Красноярск, 8-11 октября 1993 г.. - Красноярск, 1993 - с.13.
Кулагин Б.В., Сергеев С.Т. Типологический подход к исследованию проблемы профотбора // Психологический журнал, 1989, т.10, №1
Логико-гносеологические и методологические проблемы прогноза. - М., 1986.
Мельников А.В. О применении персональных компьютеров в психологии. // Психологический журнал, т.10, №1, 1989 - с.56-61.
Миллер Т., Пауэл Д. И др. Использование Delphi 3. - Киев: Диалектика, 1997 - 768 с.
Минский М., Пайперт С. Персептроны. - М.:Мир, 1971
Миркин Б.Г. Анализ качественных признаков и структур. - М.: Статистика, 1980. - с.319.
Налимов В.В. Теория эксперимента. - М: Наука, 1971 - с.208.
Нейроинформатика и ее приложения // Материалы II всероссийского семинара. Красноярск, 1995.
Нейроинформатика и ее приложения // Материалы III всероссийского семинара. Красноярск, 1996.
Нейроинформатика и ее приложения // Материалы всероссийского семинара. Красноярск, 1994.
Нейропрограммы / сборник статей под ред. А.Н. Горбаня //Красноярск, КГТУ, 1994.
Немов Р.С. Психология. / В 3-х кн. Кн 2. Психология образования - М.: Просвещение, 1995.
Немов Р.С. Психология. / В 3-х кн. Кн 3. Экспериментальная педагогическая психология и психодиагностика - М.: Просвещение, 1995.
Никифоров А.М., Фазылов Ш.Х. Методы и алгоритмы преобразования типов признаков в задачах анализа данных. - Ташкент: Фан, 1988 - с. 132.
Оганезов А.С., Суменко О.В. Автоматизация исследования личности по психологической методике MMPI с синтезом словесного диагноза. // Вопросы психологии, 1990, №1. - с.154-157.
Орлик С. Секреты Delphi на примерах. - М.: Бином, 1996 - 316с.
Оузер Д. Освой самостоятельно Delphi 2. - М.: Бином, 1997 - 624с.
Поляк Б.Т. Введение в оптимизацию. М.: Наука, 1983, с. 15-94.
Поспелов Д.А. Данные и знания. Представление знаний // Искусственный интеллект. Кн.2: Модели и методы: Справочник - М.: Радио и связь. - с.7-13.
Практическая психология для преподавателей. / под ред. М.К.Тутушкиной // М.: Филин, 1997 - с. 167.
Психологический словарь / под редакцией В.В. Давыдова, А.В. Запорожца, Б.Ф. Ломова и др. - М.: Педагогика, 1983 - с.140-141
Психология. Словарь. / под общей редакцией А.В. Петровского, М.Г. Ярошевского. - М.: Политиздат, 1990 - с.149.
Пфанцагль И. Теория измерений. - М.: Мир, 1976 - с. 248.
Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга. - М.: Мир, 1965. - с.480.
Россиев Д.А., Винник Н.Г. Предсказание «удачности» предстоящего брака нейросетевыми экспертами. // Нейроинформатика и ее приложения: Тезисы докладов II всероссийского рабочего семинара, 7-10 октября 1994 г. - Красноярск, 1994. - с.45.
Россиев Д.А., Гилев С.Е., Коченов Д.А. MultiNeuron, версии 2.0 и 3.0 // Тезисы докладов III всероссийского семинара «Нейроинформатика и ее приложения». - Красноярск: изд. КГТУ, 1995 - с.14.
Россиев Д.А., Головенкин С.Е., Назаров Б.В. и др. Определение информативности медицинских параметров с помощью нейронной сети // Диагностика, информатика и метрология - 94: Тезисы научно-технической конференции, Санкт-Петербург, 28-30 июня 1994 г. - С-Пб., 1994. - с.348.
Россиев Д.А., Коченов Д.А. Пакет программ «MultiNeuron» - «Configurator» - «Tester» для конструирования нейросетевых приложений. // Нейроинформатика и ее приложения: Тезисы докладов II всероссийского рабочего семинара, 7-10 октября 1994 г. - Красноярск, 1994. - с.30.
Савушкин С.А. Нейросетевые экспертные системы // Нейрокомпьютер - 1992, №2 - с.29-36
Суппес П., Зинес Дж. Основы теории измерений // Психологические измерения. - М.: Мир, 1976 - с.9 - 119.
Тарасов К.Е., Великов В.К., Фролова А.И. Логика и семиотика диагноза: Методологические проблемы. - М.: Медицина, 1989. -272с.
Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ. - М.: Финансы и статистика, 1990 - 320с.
Тихомиров О.К., Собчик Л.Н., Гурьева Л.П., Гарбер И.Е., Тарновская Н.В., Ремизова А.Л. Анализ этапов компьютеризованной психодиагностики (на примере MMPI). // Вопросы психологии, №2, 1990 - с.136-142.
Фу. К. Структурные методы в распознавании образов. -М. Мир, 1977 - с.320.
Цыпкин Я.З. Адаптация и обучение в автоматических системах. - М.: Наука, 1968 - с.400.
Шеннон К. Работы по теории информации в кибернетике, пер. с англ., М., 1963, с. 243-332.
Шмелев А.Г. Психодиагностика и новые информационные технологии. // Компьютеры и познание. - М.: Наука, 1990 - с.87-105.
Шмелев А.Г., Похилько В.И. Анализ пунктов при конструировании и применении тест - опросников: ручные и компьютерные алгоритмы // Вопросы психологии - 1985 - №4 - с.126-134.
Шнейдерман Б. Психология программирования. М.: Радио и связь, 1984 - с.139.
Ямпольский Л.Т. Типологический подход к прогнозу клинических особенностей хронического алкоголизма // Вопросы психологии - 1986 - №2 - с.91 - 99.
Приложение 1
Программа-имитатор полутораслойной сети
Рис.1 Страница «редактирование данных»
Нейроимитатор, структура и функционирование которого описаны в Главе 4 настоящей работы выполнен в среде разработки программ Delphi developer v.2.0 и может функционировать в операционных системах Windows-95 и Windows-NT.
В данном приложении проиллюстрирована работа с интерфейсом нейроимитатора. Вся структура интерфейса программы организована в виде блокнота, состоящего из четырех страниц:
Структура задачника
Редактирование данных
Обучение помеченных
Тестирование
Кроме того в правой части окна программы расположена панель, на которой находится кнопка «Выход» по нажатию которой происходит отсоединение от активной базы данных и закрытие приложения.
На рис.1 изображена страница «редактирование данных», в которой происходит считывание и редактирование данных задачника. Редактирование ведется непосредственно в окне, в котором отображаются данные.
Связь с файлом данных устанавливается при нажатии кнопки «открыть задачник». Происходит вызов интерфейсного диалога «открытие файла»
Система может использовать в качестве задачника все файлы локальных баз данных, поддерживаемых ODBC, а именно:
Paradox (3.5, 4, 5 for Windows, 7);
dBASE (III+, IV, for Windows);
MSACCESS.
Тип файла может быть выбран из выпадающего списка с соответствующим названием.
На странице «Конфигурация задачника» размещены интерфейсные элементы, предназначенные для выполнения следующих функций:
Пометка задач (обучающие/тестируемые).
Для пометки задачи на включения или исключение ее из списка активных достаточно двойного щелчка по соответствующей строке скроллируемого окна «Набор задач». Затем на появившемся диалоге «Пометка задач» нужно установить переключатель в соответствующее положение, и если решение о пометке принято правильно, то нажать кнопку «Ok», а иначе - «Отказ».
Для пометки сигнала как входного, выходного или пустого, достаточно двойного щелчка по соответствующей строке скроллируемого окна «Набор сигналов». Затем на появившемся диалоге «Тип сигнала» нужно установить переключатель в требуемоее положение, и если решение о пометке принято правильно, то нажать кнопку «Ok», а иначе - «Отказ».
На странице «Обучение помеченных» расположены интерфейсные элементы, позволяющие управлять процессом обучения нейронной сети.
Кнопки «Сохранить сеть» и «Считать сеть» позволяют соответственно записать нейронную сеть и считать ее из файла в собственном формате программы (таким файлам присвоено традиционное расширение «*.nn»). Выбор файла при записи и считывании происходит при помощи стандартных диалогов Windows «Открыть файл» и «Сохранить файл», которые уже настроены на работу с файлами нейронных сетей.
В процессе обучения отображаются:
оценка (суммарная ошибка) сети на данной стадии обучения;
номер обучаемого потока;
функция преобразователя, для которой идет подбор параметров;
текущее значение шага оптимизации;
выполняемая в настоящий момент оптимизационная процедура.
В текстовом окне помещается список потоков в порядке обучения сверху вниз. Для каждого из них сообщается выбранная функция преобразователя и достигнутое значение оценки сети.
Кнопка «Начать обучение» вызывает очистку нейросети и начало обучения с первого потока.
Кнопка «Продолжить обучение» сигнализирует программе о том, что нужно продолжить доучивание сети, считая последний из имеющихся потоков уже обученным.
На странице «Тестирование» помещается окно, в котором при нажатии кнопки «Тестирование» выводятся следующие данные о задачах:
номер;
истинное значение результата;
значение результата, вычисленное нейросетью.
Переход между страницами блокнота осуществляется щелчком мыши по ярлычку требуемого листа.
приложение 2
Программа расчета социометрических показателей
Данная программа предназначена для ввода и обработки социометрической информации.
Программа реализована в среде разработки программ Borland Delphi developer v.2.0. и может функционировать в операционных системах Windows-95 и Windows-NT.
Для каждого исследуемого хранится его идентификационный код (например, его имя или фамилия) и социометрические оценки, поставленные им другим членам своей группы. По введенным оценкам для статуса и экспансивности исследуемых рассчитываются (соответственно, по столбцам и строкам) следующие характеристики:
Коэффициент известности (экспансивности) исследуемых, вычисляемый как отношение ненулевых оценок данного испытуемого (от данного испытуемого) к общему числу числу членов группы.
- среднее арифметическое ненулевых оценок столбца (строки).
- среднеквадратичное отклонение ненулевых оценок столбца (строки).
Стэн - стеновая оценка статуса (экспансивности) данного испытуемого. Вычисление стэна ведется следующим образом:
Вычисляется мат. ожидание оценок по всей социометрической матрице .
Для каждого столбца (строки) производится разбиение интервала в с центром в на десять равновеликих интервалов.
Далее каждой оценке присваивается значение номера того интервала, в который она попала по этому разбиению.
Ввод и отображение информации ведется в матрицу строк. После занесения фамилий их редактирование может быть блокировано. Это сделано с тем, чтобы исключить ошибочный ввод при занесении социометрических оценок.
Для экономии ресурсов компьютера на время занесения информации функция пересчета итоговых социометрических показателей может быть отключена.
Данные о группах исследуемых могут быть сохранены и считаны из файлов в собственном формате программы (расширение *.scm).
При считывании и записи информации выбор файла производится при помощи стандартных диалогов Windows «Открытие файла» и «Сохранить файл», которые специально сконфигурированы для работы с файлами программы.
Вызов операций работы с файлами, а также команды выхода из программы осуществляется из меню программы.
Приложение 3
Психологический опросник А.Г. Копытова
Субтест 1
Опросник содержит утверждения или вопросы, касающиеся Вашего характера. С каждым из ни Вы можете согласиться или не согласиться. Давайте ответы ("да" или "нет"), в зависимости от того, подходит ли оно Вам.
1. Легко ли Вы генерируете идеи, связанные с работой?
2. Легко ли Вам выполнять работу, требующую длительного внимания и большой сосредоточенности?
3. Испытываете ли Вы чувство беспокойства, что Вас неправильно поняли в разговоре?
4. Любите ли Вы игры в быстром темпе?
5. Быстры ли у Вас движения рук?
6. Вы обычно говорите без запинок?
7. Легко ли Вы можете найти другие варианты решения известной задачи?
8. Вы когда-нибудь опаздываете на свидание или работу?
9. Часто ли Вам не спится из-за того, что вы поспорили с друзьями?
10. Нравится ли Вам быстро бегать?
11. Испытываете ли Вы постоянную жажду деятельности?
12. Быстро ли Вы читаете вслух?
13. Если Вы обещали что-то сделать, всегда ли Вы выполняете свое обещание независимо от того, удобно это Вам или нет?
14. Все ли Ваши привычки хороши и желательны?
15. Всегда ли Вы платили бы за провоз багажа на транспорте, если бы не опасались проверки?
16. Обычно Вам трудно переключать внимание с одного дела на другое?
17. Трудно ли Вам говорить очень быстро?
18. Дрожат ли у Вас иногда руки во время ссоры?
19. Обычно Вы предпочитаете легкую работу?
20. Медленны ли Ваши движения, когда Вы что-то мастерите?
21. Вы обычно предпочитаете выполнять только одну операцию?
22. Бывает ли так, что Вы говорите о вещах, в которых не разбираетесь?
23. Вы обычно предпочитаете делать несложные дела, не требующие от Вас большой энергии?
24. Сосет ли у Вас под ложечкой перед ответственным разговором?
25. Считаете ли Вы свои движения медленными и неторопливыми?
26. Ваша речь обычно медленна и нетороплива?
27. Склонны ли Вы иногда преувеличивать в своем воображении негативное
отношение близких к Вам людей?
28. Испытываете ли Вы тягу к напряженной ответственной деятельности?
29. Нравится ли Вам быстро говорить?
Субтест 2
Опросник содержит утверждения или вопросы, касающиеся Вашего характера. С каждым из них Вы можете согласиться или не согласиться - в зависимости от того, подходит ли оно Вам. Выбирайте наиболее типичное для Вас и указывайте соответствующую букву. Варианты ответов - "А”, “Б”, “В".
1. Я предпочитаю несложную классическую музыку современным популярным мелодиям?
а) верно
б) не уверен
в) неверно
2. У меня бывают такие волнующие сны, что я просыпаюсь
а) часто
б) изредка
в) практически никогда
3. Окружающим известно, что у меня много разных идей, и я почти всегда могу предложить какое-то решение проблемы.
а) да
б) нечто среднее
в) нет
4. Если бы я сделал полезное изобретение, я предпочел бы:
а) работать с ним в лаборатории и дальше
б) трудно выбрать
в) позаботиться об его практическом использовании
5. Ко дну рождения, к праздникам
а) я люблю делать подарки
б) затрудняюсь ответить
в) считаю, что покупка подарков несколько неприятная обязанность
6. Иногда у меня бывали огорчения из-за того, что люди говорили обо мне дурно за глаза без всяких на то оснований
а) часто
б) затрудняюсь ответить
в) нет
7. Мне нравится работа разнообразная, связанная с частыми переменами и поездками, даже если она немного опасна
а) да
б) верно нечто среднее
в) нет
8. Я предпочел бы иметь дачу
а) в оживленном дачном поселке
б) предпочел бы нечто среднее
в) уединенную, в лесу
9. Я провожу много свободного времени, беседуя с друзьями о тех прежних событиях, которые мы вместе пережили когда-то
а) да
б) верно нечто среднее
в) нет
10. Думаю, что обо мне правильнее сказать, что я
а) вежливый и спокойный
б) верно нечто среднее
в) энергичный и напористый
11. Устаревший закон должен быть изменен
а) только после основательного обсуждения
б) верно нечто среднее
в) немедленно
12. Если кто-то разозлился на меня
а) Я постарался бы его успокоить
б) я не знаю, что бы я предпринял
в) это вызвало бы у меня раздражение
13. Иногда какая-нибудь навязчивая мысль не дает мне заснуть
а) да, это верно
б) не уверен
в) нет, это неверно
14. Мне доставляет удовольствие совершать рискованные поступки только ради забавы
а) да
б) верно нечто среднее
в) нет
15. Я делаю людям резкие критические замечания, если мне кажется, что они того заслуживают
а) обычно
б) иногда
в) никогда не делаю
16. Если бы я работал в хозяйственной сфере, мне было бы интереснее
а) беседовать с заказчиками, клиентами
б) выбрать нечто среднее
в) вести счета и другую документацию
17. Вечер, проведенный за любимым занятием, привлекает меня больше, чем оживленная вечеринка
а) согласен
б) не уверен
в) не согласен
18. Обычно я могу сосредоточенно работать, не обращая внимания на то, что люди вокруг меня очень шумят
а) да
б) верно нечто среднее
в) нет
19. Если начальство или члены семьи меня в чем-то упрекают, то, как правило, только за дело
а) да
б) верно нечто среднее
в) нет
20. Бывает, что я говорю незнакомым людям о вещах, которые кажутся мне важными, независимо оттого, спрашивают меня, или нет.
а) да
б) верно нечто среднее
в) нет
21. При равной продолжительности дня мне было бы интереснее работать:
а) столяром или поваром
б) не знаю, что выбрать
в) официантом в хорошем ресторане
22. Когда мною пытаются командовать, я нарочно делаю все наоборот
а) да
б) верно нечто среднее
в) нет
23. Люди относятся ко мне менее благожелательно, чем я того заслуживаю своим добрым к ним отношением.
а) очень часто
б) иногда
в) никогда
24. Обычно я спокойно переношу самодовольных людей, даже когда они хвастаются или другим образом показывают, что они высокого мнения о себе.
а) да
б) верно нечто среднее
в) нет
25. При виде диких животных мне становится несколько не по себе, даже если они надежно заперты в клетках
а) да
б) не уверен
в) нет
Субтест 3
Опросник содержит утверждения или вопросы, касающиеся Вашего характера. С каждым из ни Вы можете согласиться или не согласиться. Давайте ответы ("да" или "нет"), в зависимости от того, подходит ли оно Вам.
1. Часто ли Вы переходите на другую сторону улицы, чтобы не встречаться с кем нибудь из знакомых?
2. Иногда Вам очень хотелось навсегда уйти из дома
3. Дурные предчувствия всегда оправдываются
4. Вы очень часто не в курсе дел и интересов тех людей, которые Вас окружают.
5. Иногда Вы так настаиваете на чем-нибудь, что люди начинают терять терпение
6. Временами в голову приходят такие мысли, что лучше о них никому не рассказывать
7. Нравятся ли Вам “первоапрельские” шутки?
8. Иногда у Вас пропадает или изменяется голос, даже если Вы не простужены
9. Вам неловко входить в комнату, где уже собрались и разговаривают люди
10. Вы не раз замечали, что незнакомые люди смотрят на Вас критически.
11. Вы знаете, кто виноват в большинстве Ваших неприятностей.
12. Держитесь ли Вы обычно “в тени” на вечеринках или в компаниях?
13. Иногда Вы не уступаете людям не потому, что дело действительно важное, а просто из принципа.
14. Не все Ваши знакомые Вам нравятся.
15. Предпочитаете ли Вы иметь поменьше приятелей, но зато особенно близких Вам.
16. Иногда по несколько дней Вы не можете отделаться от какой-нибудь пустяковой мысли.
17. Вы часто беспокоитесь о чем-нибудь.
18. Вы совершаете много поступков о которых потом жалеете (больше и чаще чем другие)
19. В гостях Вы держитесь за столом лучше, чем дома.
20. Некоторые так любят командовать, что Вам все хочется делать наперекор, хотя Вы знаете, что они правы.
21. Вы предпочитаете не заговаривать с людьми, пока они сами к Вам не обратятся.
22. Вам нетрудно внести оживление в довольно скучную компанию.
23. Когда Вы узнаете об успехах близкого знакомого, у Вас появляется чувство, что Вы неудачник.
24. Самое трудное для Вас - это справиться с собой.
25. Временами Вам так нравится ловкость какого-нибудь преступника, что Вы надеетесь, что его не поймают.
26. Если Вам не грозит штраф, то Вы переходите улицу там, где Вам удобно, а не там, где положено.
27. Вы часто испытываете тягу к новым впечатлениям, к тому, чтобы встряхнуться, испытать возбуждение.
28. Вы скло нны принимать все слишком близко к сердцу.
29. Вы любите готовить (пищу)
30. Вы не осуждаете того, кто стремится взять от жизни все, что может.
31. Вы стараетесь избегать конфликтов и затруднительных положений.
32. Справляетесь ли Вы с делом лучше, обдумывая его самостоятельно, а не обсуждая с другими.
33. Ваши родители и другие члены семьи часто придираются к Вам
34. Временами, когда Вы плохо себя чувствуете, Вы бываете раздражительными.
35. Вы вели дневник.
36. Вы легко смущаетесь.
Подобные документы
Особенности нейронных сетей как параллельных вычислительных структур, ассоциируемых с работой человеческого мозга. История искусственных нейронных сетей как универсального инструмента для решения широкого класса задач. Программное обеспечение их работы.
презентация [582,1 K], добавлен 25.06.2013Рост активности в области теории и технической реализации искусственных нейронных сетей. Основные архитектуры нейронных сетей, их общие и функциональные свойства и наиболее распространенные алгоритмы обучения. Решение проблемы мертвых нейронов.
реферат [347,6 K], добавлен 17.12.2011Понятие и свойства искусственных нейронных сетей, их функциональное сходство с человеческим мозгом, принцип их работы, области использования. Экспертная система и надежность нейронных сетей. Модель искусственного нейрона с активационной функцией.
реферат [158,2 K], добавлен 16.03.2011История возникновения, примеры использования и основные виды искусственных нейронных сетей. Анализ задач, решаемых при помощи Персептрона Розенблатта, создание схемы имитационной модели в среде Delphi. Исходные коды компьютерной программы Perseptron.
дипломная работа [933,1 K], добавлен 18.12.2011Искусственные нейронные сети как одна из широко известных и используемых моделей машинного обучения. Знакомство с особенностями разработки системы распознавания изображений на основе аппарата искусственных нейронных сетей. Анализ типов машинного обучения.
дипломная работа [1,8 M], добавлен 08.02.2017Рождение искусственного интеллекта. История развития нейронных сетей, эволюционного программирования, нечеткой логики. Генетические алгоритмы, их применение. Искусственный интеллект, нейронные сети, эволюционное программирование и нечеткая логика сейчас.
реферат [78,9 K], добавлен 22.01.2015Сущность и функции искусственных нейронных сетей (ИНС), их классификация. Структурные элементы искусственного нейрона. Различия между ИНС и машинами с архитектурой фон Неймана. Построение и обучение данных сетей, области и перспективы их применения.
презентация [1,4 M], добавлен 14.10.2013Сущность и понятие кластеризации, ее цель, задачи, алгоритмы; использование искусственных нейронных сетей для кластеризации данных. Сеть Кохонена, самоорганизующиеся нейронные сети: структура, архитектура; моделирование кластеризации данных в MATLAB NNT.
дипломная работа [3,1 M], добавлен 21.03.2011Простейшая сеть, состоящая из группы нейронов, образующих слой. Свойства нейрокомпьютеров (компьютеров на основе нейронных сетей), привлекательных с точки зрения их практического использования. Модели нейронных сетей. Персептрон и сеть Кохонена.
реферат [162,9 K], добавлен 30.09.2013Сущность и экономическое обоснование, методы и подходы к прогнозированию валютного курса. Описание технологии интеллектуальных вычислений. Применение генетических алгоритмов для настройки архитектуры нейронных сетей. Основные способы улучшения модели.
курсовая работа [1,3 M], добавлен 26.03.2016
