Содержание к диссертации
Введение
1. Аналитический обзор методов решения слабо формализованных задач 10
1.1. Формальная постановка задачи поиска приемлемого решения СФЗ 10
1.2. Сравнительный анализ методов автоматизации решения СФЗ 19
1.3. Возможность применения нейронных сетей для решения СФЗ 25
1.4. Нейросетевые методы решения СФЗ 26
1.5.Стандартизация и унификация описания нейронных сетей 34
1.6. Системы моделирования нейронных сетей на персональных ЭВМ 38
Выводы 43
2. Модифицированная нейросеть для обработки информации с селекцией существенных связей 44
2.1. Применение нейросетевых компонентов в информационных системах на основе унифицированного формата представления нейросетевой модели 44
2.2. Описание варианта стандарта нейрокомпьютера, адаптированного и дополненного с целью с целью модификации нейросети 50
2.3. Модифицированная нейросеть с селекцией существенных связей 58
Выводы 72
3. Апробация модифицированной нейросети при решении прикладных задач 74
3.1. Особенности практических СФЗ в психологии 74
3.2. Решение задачи диагностики уровня социальной адаптации первокурсников вузов 78
3.3. Решение задачи повышения уровня социальной адаптации студентов первокурсников 87
3.4. Решение задачи прогноза поквартирного электропотребления многоэтажных застроек г. Абакана 90
Выводы 99
Заключение 100
Список использованных источников 101
Приложения 110
- Формальная постановка задачи поиска приемлемого решения СФЗ
- Сравнительный анализ методов автоматизации решения СФЗ
- Применение нейросетевых компонентов в информационных системах на основе унифицированного формата представления нейросетевой модели
- Особенности практических СФЗ в психологии
Введение к работе
сложная структура объекта;
необходимость быстрого принятия решения на основе переработки больших объемов информации в условиях постоянно меняющихся внешних и внутренних характеристик системы;
стохастический и динамический характер процессов в объекте;
большая размерность вектора входных факторов (десятки и сотни);
наличие качественных, порядковых и количественных факторов;
мультиколлинеарность вектора входных факторов;
дефицит наблюдений и др.
Вышеперечисленные особенности приводят к повышению сложности алгоритмического описания модели решения СФЗ.
Создание и развитие новых методов решения СФЗ основано на автоматизации некоторых интеллектуальных функций принятия решений. На этом пути в настоящее время общезначимым является использование информационных технологий с элементами искусственного интеллекта на базе нейроинформатики, широко применяемых в различных областях человеческой деятельности [1-23]. Например, в [17,18] приводится информация о более чем ста приложениях нейронных сетей в областях распознавания изображений, анализа сигналов, робототехники, медицины, финансов, планирования и контроля процессов, управления производством, организации интерфейса и т.д. Поэтому востребованными являются задачи автоматизированного построения нейросетевых моделей информационных систем. Решение указанных задач сопряжено с выбором и обоснованием структуры неиросети, настройкой её параметров для интеграции неиросети в существующие информационные системы.
Основные усилия исследователей и разработчиков сосредоточены на изучении и развитии теоретических и прикладных аспектов нейроинформатики. При этом нейросетевые модели рассматриваются как самостоятельные средства обработки информации, вне связи с существующими информационными системами и
Введение
5 технологиями. Разработка методов интегрирования нейросетевых компонентов в
информационные системы с применением варианта унифицированного формата представления информации о нейросетевой модели, предложенного Е.М. Мирке-сом, может существенно расширить возможности решения информационных задач в экономических, медицинских, производственных, исследовательских, учебных и других приложениях.
В рамках создания технологии автоматизированного построения нейросетевых моделей решения практических СФЗ в нашей стране были разработаны методы выбора и обоснования структуры неиросети, настройки её параметров. Ведущие роли в этом принадлежат ученым: Красноярской группы «Нейрокомп» во главе с А.Н. Горбанем, лаборатории искусственных нейронных сетей NemOK Software во главе с С.А. Тереховым; Алтайского Государственного Технического Университета во главе с О.И. Пятковским и др. В рамках существующих тенденций можно считать перспективным разработку и внедрение модифицированной неиросети, построенной с применением метода группового учета аргументов (МГУА). Ее реализация связана с поиском приемлемого решения СФЗ посредством обоснования выбора критерия оценки достижения приемлемого решения СФЗ, модификации алгоритмов предобработки данных и разработки методов достижения конечного результата.
Объект и предмет исследования. В качестве объекта исследования принята нейросетевая система решения слабо формализованных задач. Предмет исследования: структура многослойной неиросети и способы её интеграции в систему решения слабо формализованных задач.
Цель и задачи работы. Получение структуры неиросети, позволяющей эффективно решать слабо формализованные задачи с приемлемой точностью.
Цель достигается решением следующих задач:
Дать постановку слабо формализованной задаче, выработать критерий оценки достижения приемлемого решения слабо формализованной задачи;
В информационных системах обосновать выбор технологии применения нейросетевых моделей, представленных в унифицированном формате;
Введение
*
3. Адаптировать и дополнить вариант стандарта нейрокомпьютера, с целью модификации нейросети с применением метода группового учета аргументов;
Разработать алгоритм построения модифицированной нейросети, допускающей коррекцию части её настроенной структуры для решения слабо формализованных задач с приемлемой точностью;
Практически использовать модифицированную нейросеть для решения задач в следующих предметных областях: психология, энергетика.
Основная идея диссертации. Применить МГУА для построения модифицированной нейросети, решающей слабо формализованные задачи с приемлемой точностью.
Методы исследования. Основные теоретические и прикладные результаты работы получены на основе методологии системного анализа, информационного моделирования и использования систем искусственного интеллекта. В процессе конструирования модифицированной нейросети использовались МГУА, теория нейронных сетей, математическое программирование и методы принятия решений.
Основные результаты:
Обоснован выбор критерия оценки достижения приемлемого решения слабо формализованной задачи на основе сопоставления предъявленной точности с оценкой максимальной ошибки модели.
Модифицированы алгоритмы предобработки числовых признаков (оценки степени корректности задачи; ранжирования выборки; кластеризации данных) для снижения оценки максимальной ошибки нейросетевой модели.
Разработан алгоритм построения модифицированной нейросети с применением МГУА, позволяющий получать приемлемое решение слабо формализованной задачи. На базе предложенного алгоритма разработана коррекция выходного слоя модифицированной нейросети, позволяющая находить приемлемое решение в случае, когда настроенная модифицированная нейросеть решает задачу с точностью, ниже предъявленной.
Научная новизна работы:
Введение
7 1. Предложена модифицированная нейросеть, которая, в отличие от обыч-
ь ной слоистой нейросети, содержит блоки селекции и использует для достижения
приемлемого решения слабо формализованной задачи меньшее количество на-
страиваемых параметров.
2. Разработан алгоритм настройки последнего блока селекции с применением МГУА, позволяющий находить приемлемое решение в случае, когда настроенная модифицированная нейросеть не решает задачу с требуемой точностью.
Значение для теории. Предложен метод построения модифицированной нейронной сети на основе простых обученных нейросетей, который имеет существенное значение для развития теории нейронных сетей и разработки методов интеллектуальной поддержки при решении слабо формализованных задач обработки информации.
Значение для практики. Разработанный алгоритм построения модифициро
ванной нейросети позволяет решать слабо формализованные задачи в разных
предметных областях.
w Практическая значимость модифицированных нейросетей подтверждается
решением следующих прикладных задач: диагностики уровня социальной адап-тации первокурсников вузов; повышения уровня социальной адаптации студентов-первокурсников; прогноза поквартирного электропотребления многоэтажных застроек.
Коррекция выходного слоя модифицированной нейросети для получения
приемлемого решения в случае, когда настроенная модифицированная нейросеть
* не решает задачу с требуемой точностью, проводится в режиме реального време-
ни.
Обоснованность и достоверность результатов подтверждается сопоставлени
ем результатов решения практических задач модифицированными нейросетями с
фактическими данными. Результаты модифицированной нейросети при решении
практических задач показали лучшее качество обработки информации по сравне-
w нию с другими методами: сетями Кохонена и МГУА не удалось достичь прием-
лемого решения практической слабо формализованной задачи; по сравнению с
v обычными слоистыми нейросетями оценки максимальных ошибок модифициро-
Введение
8 ванных нейросетей снизились при сокращении количества настраиваемых параметров и снижении оценок констант Липшица.
Использование результатов диссертации. Результаты исследований:
внедрены на МП «Абаканские электрические сети» г. Абакана; необходимость использования материалов обусловлена решениями задач оценки тарифов за потребленную электроэнергию, прогнозирования потребностей в электроэнергии;
внедрены на кафедре психологии медико-психолого-социального института ХГУ; необходимость решения задач диагностики и повышения уровня социальной адаптации первокурсников вузов вызвана сложностью традиционных психодиагностических методик для их решения;
используются в учебном процессе Хакасского государственного университета при проведении дисциплины «Системы искусственного интеллекта».
Личный вклад автора заключается в следующем:
1. Автором разработана модифицированная нейросеть для решения слабо формализованной задачи с приемлемой точностью, которая в отличие от обычной слоистой нейросети содержит блоки селекции.
2. Модифицированная нейросеть использована автором при решении практических задач: диагностики и повышения уровня социальной адаптации первокурсников вузов, прогнозирования поквартирного электропотребления многоэтажных застроек.
Апробация работы. Результаты работы были представлены на научных семинарах «Катановские чтения» (г. Абакан) 1999-2004 годы, на 8, 11 и 12 семинарах «Нейроинформатика и ее приложения» (г. Красноярск) в 2001, 2003 и 2004 году.
Публикации. По материалам диссертации опубликовано 8 работ, из них: 1 -статья в изданиях по списку ВАК; 3 - статьи в сборниках; 3 — работы, опубликованные в материалах всероссийских конференций;. 1 - программный продукт, зарегистрированный в ОФАП.
Объем и структура работы. Диссертационная работа общим объемом 109 страниц состоит из введения, трех разделов, заключения, библиографического списка из 126 наименований, включает в себя 15 рисунков, 8 таблиц. В четырех
Введение
»
приложениях представлены: документированные листинги (предоработчика, ран-
ранжирующего выборку по убыванию дисперсии; алгоритмов классификации и обучения сети Кохонена; программного продукта DM, используемого для диагностики и повышения уровня социальной адаптации первокурсников вузов); материалы о внедрении и апробации результатов работы.
Во введении обоснована актуальность выполненного исследования, сформулированы его объект и предмет, цель и задачи, дано описание диссертации.
В первом разделе дана формальная постановка задачи поиска приемлемого решения СФЗ. Обоснован выбор критерия оценки достижения приемлемого решения СФЗ на основе сопоставления предъявленной точности с оценкой максимальной ошибки модели. Дается сравнительный анализ дедуктивных и индуктивных методов достижения приемлемого решения СФЗ. Приведен аналитический обзор методов повышения эффективности построения и применения нейросетевых моделей предметной области.
Второй раздел включает в себя описание: технологии применения нейросетевых компонентов на основе унифицированного формата представления; варианта стандарта нейрокомпьютера, предложенного Е.М. Миркесом, адаптированного и дополненного с целью модификации нейросети, которая в отличие от обычной слоистой нейросети содержит блоки селекции; модифицированной нейросети.
В третьем разделе описан процесс настройки двух модифицированных ней-росетей осуществляющих: первая - диагностику и повышение уровня социальной адаптации студентов первокурсников; вторая - прогноз поквартирного электропотребления многоэтажных застроек. Приведены результаты модифицированных нейросетей и других методов (сетей Кохонена, традиционных нейросетей, МГУ А) при решении задач диагностики социальной адаптации первокурсников и прогноза поквартирного электропотребления многоэтажных застроек.
В заключении обобщены результаты, полученные в ходе работы по теме диссертации.
Введение
Формальная постановка задачи поиска приемлемого решения СФЗ
Принятие решений представляет собой процесс определения целей и стратегии выбора путей их достижения. Очевидно, что эффективность разрешения проблем будет определяться адекватной формулировкой цели. Цель - это желаемое состояние системы в будущем, иногда это ближайшая перспектива, иногда достаточно отдаленная.
При проектировании, т. е. при выборе решений по созданию систем, необходимо предвидеть, какими могут быть основные решения, оценивать последствия принятых решений и знать, как они принимаются, понимать механизм, благодаря которому области решений связываются коммуникационными каналами, передающими информационные потоки. Целесообразно сформировать подсистемы или основные области решений, определить, какая для этого нужна информация и какие каналы нужны для ее передачи.
Термин «системы поддержки принятия решений» появился в начале семидесятых годов. За это время дано много определений Сі 11 IP. Так в [25] она определяется следующим образом: «Системы поддержки принятия решений являются человеко-машинными объектами, которые позволяют лицам, принимающим решения (ЛПР), использовать данные, знания, объективные и субъективные модели для анализа и решения слабо формализованных и неструктурированных задач». Слабо формализованные задачи содержат как количественные, так и качественные переменные, причем качественные аспекты имеют тенденцию доминировать [26-28]. СППР состоит из одной или нескольких подсистем, представляющих собой информационные модели решения конкретных задач. Каждая из этих подсистем содержит компоненты, выполняющие соответствующие функции СППР: 1. Производят оценку обстановки (ситуаций), осуществляют выбор критериев и оценивают их относительную важность. 2. Генерируют возможные решения (сценарии действий). 3. Осуществляют оценку сценариев (действий, решений) и выбирают лучший. 4. Моделируют ситуацию принятия решения (в тех случаях, когда это возможно). 5. Осуществляют динамический компьютерный анализ возможных последствий принимаемых решений. 6. Производят сбор данных о результатах реализации принятых решений и осуществляют оценку результатов.
Прямые, обратные и комбинированные задачи информационного моделирования. Информационная задача предсказания реакции исследуемой системы при ее известном состоянии на заданные внешние воздействия называется прямой задачей.
Другим важным классом информационных задач являются обратные задачи. Целью обратной задачи выступает получение входных величин, соответствующих наблюдаемым значениям выходов. При моделировании сложных систем соответствующий запрос к модели формулируется, как поиск внешних условий, которые привели к реализовавшемуся отклику системы.
Для большинства приложений обратные задачи встречаются относительно редко, так как обычно имеются дополнительные сведения о системе. Например, кроме измеренного отклика W={(W/, W2\ .... Wj)\ i=l,...,m}, могут быть известны переменные состояния системы V ={(V/, V2, ..., Vj)\ i=l,...,m} и часть параметров воздействия D={(Dil, Q2\ ..., Dq )\ і=1,...,т}. В этом случае задача относится к классу комбинированных задач: имеется набор, содержащий т точек экспериментальных данных Zf=(V/, V2, .... Vj, Vc+/,..., Vc+C/, О/, Q2\ -, Of, Qg+/,..., Oq+ql\ W/, W2\ .... Wj, Wd+/,..., Wd+d/), где іє{1,.., m}. W - вектор ожидаемых реакций системы; V- вектор возможных состояний системы, представляющих собой количественное или качественное описание важнейших ресурсов, признаков и характеристик; Q- вектор воздействий внешней среды.
Особенности слабо формализованных задач. Понятие СФЗ было введено А.Ньюэллом и М.Саймоном [29]. Слабо формализуемые {ill-structured) задачи обладают одной или несколькими из следующих характеристик: задачи не могут быть заданы в числовой форме (полностью или частично); цели не могут быть выражены в терминах точно определенной целевой функции; не существует алгоритмического решения задач; алгоритмическое решение существует, но его нельзя использовать Из-за ограниченности ресурсов (время, память); невозможность получить нужные данные.
В [14] слабо формализованные задачи определяются как задачи, для которых алгоритмическое решение неизвестно или не может быть использовано. В [30] подчеркивается, что они представляют преобладающий в человеческой деятельности класс задач. Особенно распространены слабо формализованные задачи в областях, где преобладает эмпирическое знание, например в медицине, экономике, прикладных исследованиях биологии.
В соответствии с [3,14], класс слабо формализованных задач составляют задачи, обладающие следующими свойствами: 1. Ошибочностью, неоднозначностью, неполнотой и противоречивостью зна ний о предметной области и о решаемой задаче. Для этих задач трудно строить . формальные теории и применять классические математические методы, посколь ку уровень формализации соответствующей предметной области и (или) доступная информация таковы, что не могут составить основу для синтеза математической модели, отвечающей классическим математическим канонам и допускающей изучение классическими аналитическими или численными методами. 2. Математическая модель в принципе может быть построена, однако ее син тез или изучение связаны с такими затратами, что они существенно превышают выигрыш, приносимый решением. 3. В этих задачах «по определению» существует «плохая» исходная инфор мация, характеризующая сложную в семантическом и структурном отношении ситуацию. Экспериментальные данные по существу являются ограниченными, неполными (с пропусками), разнородными, косвенными.
Сравнительный анализ методов автоматизации решения СФЗ
Существующие методы автоматизации решения слабо формализованных задач можно классифицировать по способу получения решения на дедуктивные и индуктивные [1]. Дедуктивный подход к автоматизации решения СФЗ предполагает, что знания системы являются универсальными в контексте предметной области, и решение любой задачи может быть получено на основании дедуктивного вывода на этих знаниях. В рамках этого подхода формируется база знаний (БЗ) системы на основе знаний о предметной области, полученных от эксперта в явном виде - в виде правил, структур или закономерностей. Далее определяются правила вывода на БЗ - строится машина вывода, которая производит целенаправленный поиск решения на основании исходных данных и имеющихся знаний эксперта. Дедуктивный вывод характерен однозначностью и достоверностью в рамках используемой теории.
Дедуктивные методы решения СФЗ. Универсальным средством решения СФЗ является СППР. Система поддержки принятия решения выполняет 6 основных функций, описанных в п. 1.1. Таким образом, для реализации СППР традиционными методами необходимо строить систему минимум из 6 компонентов.
Генерацию возможных решений можно реализовать посредством: программной реализации аналитических моделей, с использованием экспертных систем, генерации сценариев путем комбинации различных операций, заданных ЛПР или взятых из базы данных, и, наконец, используя подход, получивший название ситуационного управления [25,40-45].
В настоящее время разработано очень много методов и алгоритмов, позволяющих моделировать возможные результаты принятия решений. К ним относится огромное число алгоритмов численных методов решения систем уравнений, статистические методы, методы ситуационного моделирования. Ввиду колоссального разнообразия методов и очень сильной их привязанности к области приложений систематизировать их трудно, а приводить отдельные примеры непоказательно.
Экспертная система, используя знания, полученные от специалистов в данной предметной области, решает те же задачи, экспертами в которых являются эти специалисты. Для всех наиболее успешных применений экспертных систем характерна, по крайней мере, одна общая черта - они работают в одной ограниченной предметной области знаний. Попытки расширить предметную область даже в пределах одной области знаний (например, в медицине), в подавляющем большинстве случаев успеха не давали. Экспертные системы содержат: лингвистический процессор для общения с пользователями; базу знаний, содержащую эвристические знания; базу данных; интерпретатор, который на основе входных данных, базы знаний и базы данных, формирует решение задачи. Основной особенностью экспертной системы является возможность делать выводы на основе знаний, хранящихся в базе знаний. Знания в экспертных системах могут быть представлены в виде семантических сетей, на основе логических подходов, в виде фреймов и в виде системы продукций. Последняя является одной из наиболее популярных форм представления знаний.
После того как сгенерировано несколько вариантов решений их необходимо согласовать. Компьютерные процедуры согласования решений, применяемые на практике, в большинстве случаев достаточно просты, например: 1. Метод идеальной точки [46]. Точка а называется идеальной, если она оптимальна сразу по всем критериям. Как правило, такой точки, соответствующей оценкам хотя бы одного предъявленного объекта, не существует, но правилом поиска компромисса может быть минимизация расстояния до идеальной точки. 2. Метод уступок. Сущность метода - нахождение компромисса, определяющего «плату» за потерю показателей по какому-либо критерию или части критериев за счет выигрыша по другому критерию или другим критериям. В этом методе используется аппарат кусочно-линейной аппроксимации [47]. 3. Метод согласования решения по главному критерию. В некоторых случаях задачу с несколькими показателями удается свести к задаче с одним единственным показателем, и стремиться обратить ее в экстремум, а для остальных показателей ввести некоторые ограничения. Тогда задача согласования сводится к выделению главного критерия, согласованию ограничений для всех остальных критериев, нахождению компромисса по главному критерию. 4. Метод согласования решения при лексикографическом упорядочении. В тех случаях, когда могут быть определены важности критериев, упорядочение можно проводить сначала по самому важному критерию; если по этому критерию равными окажутся несколько состояний, то по второму по важности критерию, и т.д. 5. Метод согласования групповых решений по Парето [48]. 6. Метод согласования по функции или отношению предпочтения (полезности). Формируется функция или отношение, отражающая предпочтение ЛПР. Вычисляются значения функций для альтернатив решения. Они ранжируются по значениям функций или по отношениям полезности [49]. 7. Метод согласования групповых решений с использованием X - коэффициентов [26].
Оценка возможных вариантов решений необходима для всех типов задач и систем. Она предшествует окончательному выбору решения и является его составным элементом.
Традиционный метод оценки возможных решений - когда специалист может дать оценку каждого принимаемого решения, например, в баллах. Однако в большинстве случаев это сделать не удается. Поэтому является актуальной задача разработки новых методов оценки.
Теория нечетких множеств дала схему решения задач, в которых субъективное суждение или оценка играют существенную роль при оценке факта неясности и неопределенности. Нечеткая логика, предложенная Заде в 1965 г., предполагает неточные, примерные оценки [50]. Необходимость такого подхода вызвана тем, что по мере роста сложности систем постепенно падает наша способность делать точные и в то же время значащие утверждения относительно их поведения, пока не будет достигнут порог, за которым точность и значимость становятся почти взаимоисключающими характеристиками. Для работы с размытыми множествами были введены лингвистические переменные. Лингвистической называется переменная, заданная на некоторой количественной шкале и принимающая значения в виде слов и словосочетаний естественного языка. Значения лингвистической переменной описываются нечеткими переменными. Лингвистические переменные и их значения служат для описания некоторой количественной величины. Использование нечеткой логики для оценки решений рассматриваются в [51,52].
Оценка варианта решения (сценария, объекта) по многим критериям означает, что специалист преследует более чем одну цель. Цели могут иметь разную степень важности, то есть специалист руководствуется более чем одним показателем качества принимаемого решения. При этом характерна несводимость критериев естественным образом к одному содержательно значимому показателю качества. Методы многокритериальных оценок и оптимизации возможных решений рассмотрены в [2,25,41,53].
Применение нейросетевых компонентов в информационных системах на основе унифицированного формата представления нейросетевой модели
Как уже отмечалось в 1 разделе, одним из препятствий к внедрению нейросетевых технологий в информационные системы является отсутствие стандартизованного унифицированного формата представления информации о нейросетевой модели - основы для разработки методов, программ и организации обмена нейросетевыми знаниями между различными программными системами. Приведем основные принципы, которым должен соответствовать унифицированный стандартизованный формат представления нейросетевых моделей [24]: Стандартизованный унифицированный формат представления нейросетевых моделей представляет собой совокупность правил создания и использования файла или системы файлов, содержащих структурированную информацию, позволяющую однозначно восстановить нейросетевую модель. Формат определяет содержание, структуру описания модели, а также способ представления информации в файле. Стандартизованный формат предназначен для хранения нейросетевых моделей, обмена нейросетевыми знаниями между программными системами, и ориентирован на межпрограммный обмен информацией. При этом основное назначение формата - унифицированное представление информации о настроенных нейросетевых моделях, достаточной для их корректного применения в компонентах информационных систем, допускающих представление в виде задач построения функций по фиксированному набору значений. Стандартизованный формат предназначен для представления декларативных знаний о неиросетевои модели. Процедурные знания о методах реализации функционирования моделей содержатся в специальных программах неироимитаторах, которые на основе декларативного описания строят вычислительную модель нейронной сети и обеспечивают ее функционирование. Цель использования унифицированного формата представления нейросетевых моделей как основы построения нейросетевых компонентов информационных систем - упорядочивание методов построения, интеграции и применения нейросетевых компонентов в информационных системах, обеспечение единого подхода к их разработке, создание основы для разработки общей технологии применения нейронных сетей в информационных системах. Формат представления нейросетей является: 1. Проблемно-независимым. Нейросетевые модели для решения задач из различных предметных областей представляются в едином формате. 2. Программно-независимым. Формат представления нейросетевых моделей не является внутренним форматом какой-либо информационной системы, а представляет собой обменный формат для передачи нейросетевых знаний между различными системами. Область использования формата можно расширить выбором такого способа технической реализации, который бы обеспечил стандартизованный доступ к данным, независимость от вычислительной платформы или переносимость между различными вычислительными и операционными системами.
Для обеспечения работы с нейросетевыми моделями, представленными в унифицированном формате необходима разработка специализированных программных средств, преобразующих информацию во внутренний формат представления программ - нейроимитаторов, решающих определенные задачи в конкретных информационных системах. В функции нейроимитатора может входить создание нейросетей, интерпретация и применение моделей из внешних источников, визуализация, решение дополнительных информационных задач, ведение архива моделей, поиск моделей на удаленных вычислительных системах, обмен моделями с другими нейроимитаторами и т.д.
Интерфейс между нейроимитатором и информационной системой также в большой степени зависит от функций, реализуемых информационной системой, однако можно предложить вариант схемы организации обмена информацией между информационной системой и компонентом поддержки нейросетей. Информационная система должна обладать средствами формирования файлов данных в формате, поддерживаемом нейроимитатором. В настоящее время нейроимитаторами активно используются такие форматы, как реляционные таблицы СУБД, электронные таблицы, текстовые файлы различной структуры. На основе данных формируется выборка, которая используется нейроимитатором для построения сети, либо для получения ответа на основе настроенной модели. Информационная система передает нейросетевому компоненту запрос, или управляющую информацию, определяющую режим функционирования нейроимитатора. Вариант стандартизации запросов к различным компонентам нейроимитатора предложен Е.М. Миркесом в [24]. Следующей составляющей информационного обмена может быть файл параметров функционирования нейросетевого компонента. Он содержит дополнительную информацию, необходимую для корректной обработки запроса.
В состав выходной информации нейроимитатора входят следующие файлы: результатов работы, отчета о процессе настройки, нейросетевой модели, протокола работы нейроимитатора. В файле результатов содержатся значения целевых параметров задачи, полученные моделью на основе входных данных, предоставленных информационной системой. Эта информация используется непосредственно в дальнейшей работе информационной системы. Файл отчета о процессе обучения содержит информацию о структуре использованных моделей, ошибках на обучающей и тестовой выборках, число тактов обучения и т.д. Файл нейросетевой модели содержит представление обученной нейросети во внутреннем формате, а также всю необходимую информацию для ее дальнейшего использования. С помощью программы преобразования форматов нейросетевая модель представляется в унифицированном формате и далее может быть добавлена в архив моделей или передана другой программе. Файл протокола работы нейроимитатора позволяет информационной системе контролировать процесс функционирования нейроимитатора, диагностировать возникающие сбои и корректно их обрабатывать.
Особенности практических СФЗ в психологии
Компьютерная психодиагностика - направление в современной психологии. Целью компьютерной психодиагностики являются создание психодиагностического инструментария, в том числе компьютерных психодиагностических методик, а также разработка принципиально новых видов экспериментов и методов работы с экспериментально-психодиагностической информацией. Компьютерный психодиагностический инструментарий - это сложный аппаратно-программный комплекс, позволяющий психологам осуществлять психодиагностическое исследование испытуемого. В целом, опыт работы с такими инструментами позволяет сформулировать некоторые ощутимые положительные эффекты, получаемые психологом, благодаря использованию автоматизированных тестов: повышение эффективности работы психолога за счет быстроты обработки данных и получения результатов тестирования; предоставление психологу возможности сконцентрироваться на решении сугубо профессиональных задач благодаря освобождению его от трудоемких рутинных операций первичной обработки данных; повышение четкости, тщательности и чистоты психологического исследования за счет увеличения точности регистрации результатов и исключения ошибок обработки исходных данных, неизбежных при ручных методах расчета выходных показателей; возможность проводить в сжатые сроки массовые психодиагностические исследования путем одновременного тестирования многих испытуемых; повышение уровня стандартизации условий психодиагностического исследования за счет единообразного инструктирования испытуемых и предъявления заданий вне зависимости от индивидуальных особенностей исследуемого и экспериментатора; возможность для испытуемого быть более откровенным и естественным во время эксперимента благодаря конфиденциальности автоматизированного тестирования; использование времени не только как управляемого параметра теста (исследователь с помощью компьютера способен регулировать и устанавливать требуемый темп психодиагностического тестирования), но и в качестве диагностического параметра (например, показатели временной динамики ответов испытуемого на вопросы психодиагностического теста могут выступать как индикаторы утомления, эмоционального шока и т.п.); возможность распространять опыт работы психологов за счет компьютерной интерпретации результатов тестирования; возможность систематически накапливать и хранить не только данные об испытуемом, но и сами результаты тестирования; разрешение проблемы «утраты» психодиагностической информации, характерной для тестирования с помощью «ручных» тестов, осуществляется благодаря заполнению базы данных испытуемых, являющейся неотъемлемым атрибутом любой автоматизированной методики.
Среди всевозможных инструментов выделяют компьютерные версии психо диагностических методик и компьютерные психодиагностические методики. Компьютерные версии психодиагностических методик представляют собой инструменты работы психологов, которые являются полным аналогом «бланковых» или «ручных» психодиагностических методик. Они осуществляют автоматизацию процессов администрирования, тестирования, подсчета результатов, учитывая при этом, что психологи умеют интерпретировать полученные данные результатов тестирования. Компьютерные психодиагностические методики - это новый класс психодиагностического инструментария, осуществляющий автоматизированное исследование испытуемого с формированием компьютерного психодиагностического заключения на основе технологии инженерии знаний. С помощью компьютерных психодиагностических методик пользователь имеет возможность получить расширенную интерпретацию результатов тестирования не хуже той, которую бы написал профессиональный психолог. Компьютерные психодиагностические методики отличаются от компьютерных версий психодиагностических мето-дик прежде всего наличием базы знаний, определяющей принятие решений при формировании индивидуального компьютерного психодиагностического заключения на каждого испытуемого.
С целью изучения возможностей применения в психологии модифицированной нейросети были решены 2 практические задачи, необходимость решения которых обусловлена рядом причин: экспериментальные данные на 220 первокурсников представляют собой зашумленную информацию, поскольку были получены в ходе «бланковых» психодиагностических методик; количественные или качественные зависимости между параметрами неизвестны; сложность психодиагностических методик оценки и повышения уровня социальной адаптации студентов-первокурсников. Задача 1 (прямая): диагностировать уровень социальной адаптации первокурсников вузов V]7 =У (1 уровень - низкая адаптация, 2 - средняя, 3 - высокая) по ряду показателей, характеризующих личностные характеристики студента: V/) невербальный IQ, V2) вербальный IQ, V3) самочувствие, VJ) активность, V5) на- строение, V6) тревожность ситуативная, Vj) тревожность личностная, Vs) уровень экстраверсии, V9) нейротизм, VJ0) мотивация социальности, Уи) мотивация благополучия, V12) мотивация престижа, VI3) мотивация избегания неудач, V\4) мотивация достижения результата, V15) процессуальная мотивация, V ) социальный статус в группе. Задача 2 (комбинированная): повысить уровень социальной адаптации студентов-первокурсников (с 1-го уровня до 2-го или 3-го; со 2-го уровня до 3-го), скорректировав личностные характеристики Vt (1=10, 16). Показатели Vt (i=l, 16) являются качественными упорядоченными признаками. Для корректного использования нейросетями показатели V были закодированы как качественные упорядоченные признаки [24]. Допустимая относительная погрешность в значении системной функции: Е 0.5, т.к. Y- целое число. Величина Е принята равной 0.4. Выборка экспериментальных данных N={(Jf, Т )\ st=l,...,220J, была разбита на обучающую Г/=# ", Га)\ stl=l 1,...,220} и тестовую Т2={(Г 2, Г 2)\ st2-l,...,10). Выборка Т2 была получена следующим образом объекты 1-го, 2-го и 3-го класса были случайным образом выбраны из N в количестве соответственно 3, 4 и З.Выборка Т2= N- Th Формальная постановка прямой задачи, данная в п. 1.1, была применена к конкретной ситуации с учетом специфики предметной области и имеющихся экс-периментальных данных. Постановка задачи диагностики уровня социальной адаптации первокурсников. Известна принадлежность некоторого набора объектов astiсА к подмножествам Л , где stl є{11,...,220), Кє{1,2,3}, (АіпА2)и(А1пАз)и(А3пА2)=0, AiUA2uA3cA, где К - идентификатор класса. Классифицировать набор объектов a -(zA (st2e{l,...,10J), т.е. Vst2 определить принадлежность объекта ast2 к одному из подмножеств Ак. Каждый объект ast єА, где ste{l,...,220), характеризуется вектором Л =(ТД V , ...,VI6st) и числом Т =Уі7 є{ 1,2,3), равным идентификатору соответствующего класса. Решающее правило классификации может быть описа но некоторой (неизвестной) вектор-функцией Y=F(X). Задачей моделирования является идентификация системы, состоящая в на хождении функционального отношения, алгоритма или системы правил в общей форме Y =G{X), ассоциирующей векторне вектором 7 таким образом, что Y и 7 близки в некоторой метрике, отражающей цели моделирования. Приемлемое решение вырабатывает модель G, для которой выполняется условие (1.5).
