Содержание к диссертации
Введение
1. Моделирование процессов классификации на основе нейросетей с парадигмой обратного распространения ошибки 10
1.1. Обзор состояния современных исследований 10
1.1.1. Классификация базовых нейроархитектур 10
1.1.2. Многослойные персептроны с обратным распространением ошибки 12
1.1.2.1. Алгоритмы с обратным распространением ошибки 14
1.1.2.2. Модернизированные алгоритмы с обратным распространением ошибки 20
1.1.2.2.1. Адаптивный алгоритм 20
1.1.2.2.2. Множественный адаптивный алгоритм 24
1.1.2.2.3. Алгоритм сопряженных градиентов 27
1.1.3. Нейросети на основе радиальных базисных функций 32
1.1.3.1. Структура нейросети 32
1.1.3.2. Алгоритм обучения 36
1.1.4. Полиномиальные нейросети 37
1.1.4.1. Структура нейросети 37
1.1.4.2. Алгоритм обучения 41
1.1.4.3. Критерий ошибки 46
1.2. Описание использованных моделей 51
1.2.1. Специфика задач классификации 51
1.2.2. Архитектура нейросетевых классификаторов 53
1.2.3. Полигоны объектов исследования 54
1.3. Моделирование процессов классификации на основе неиросетей с парадигмой обратного распространения ошибки 58
1.3.1. Влияние структуры нейросети 58
1.3.2. Нейросети с парадигмой обратного распространения ошибки 64
1.3.3. Нейросети с использованием адаптивного алгоритма 68
1.3.4. Нейросети с использованием множественного адаптивного алгоритма 73
1.3.5. Нейросети с использованием алгоритма сопряженных градиентов 77
1.3.6. Влияние начального значения параметра Т] на результаты тестирования различных неиросетей 82
1.4. Выводы по главе 1 86
Моделирование процессов распознавания и классификации многомерных объектов пересекающихся классов на основе представлений теории нечетких множеств 87
2.1. Общие положения теории нечетких множеств 87
2.2. Разработка системы распознавания и классификации многомерных объектов пересекающихся классов на основе представлений теории нечетких множеств 97
2.3. Полученные результаты и их обсуждение 103
2.4. Выводы по главе 2 106
Моделирование процессов классификации на основе специализированных нейросетей 107
3.1. Моделирование процессов классификации с помощью нейросетей, работающих на основе радиальных базисных функций 107
3.1.1. Общие замечания 107
3.1.2.0птимальная дисперсия базисных функций 108
3.1.3. Оптимальное число базисных функций 117
3.1.4. Определение центров базисных функций 121
3.2. Моделирование процессов классификации с помощью нейросетей работающих на основе метода группового учета данных 128
3.2.1. Общие замечания 128
3.2.2. Оценки ошибки функционирования полиномиальной нейросети 129
3.2.3. Оценка дисперсии ошибки 130
3.2.4. Влияния сложности полиномиальной нейросети С 133
3.2.5. Влияние числа слоев полиномиальной нейросети L 143
3.2.6. Влияние ширины слоя полиномиальной нейросети W...Л 54
3.3. Сравнительный анализ процессов нейросетевой классификации 166
3.3.1. Анализ уровня ошибки результатов функционирования различных нейросетей 166
3.3.2. Анализ ресурсов времени, необходимого для обучения и тестирования 170
3.3.3. Анализ ресурсов памяти, необходимой для обучения и тестирования 173
3.3.4. Заключительные замечания 176
3.4. Моделирование процессов классификации оценки профессиональной пригодности 182
3.4.1. Построение нейросетевого классификатора оценки профессиональной пригодности 183
3.4.1.1. Исходные положения 183
3.4.1.2. Описание модели классификатора 184
3.4.2. Моделирование процессов классификации оценки
профессиональной пригодности 186
3.5. Выводы по главе 3 190
4. Моделирование процессов распознавания и классификации многомерных объектов пересекающихся классов на основе гибридных нейросетей 191
4.1. Разработка системы распознавания и классификации многомерных объектов пересекающихся классов на основе гибридных нейросетей 191
4.2. Полученные результаты и их обсуждение 195
4.3. Выводы по главе 4 197
Выводы 198
Литература 200
- Многослойные персептроны с обратным распространением ошибки
- Разработка системы распознавания и классификации многомерных объектов пересекающихся классов на основе представлений теории нечетких множеств
- Анализ уровня ошибки результатов функционирования различных нейросетей
- Разработка системы распознавания и классификации многомерных объектов пересекающихся классов на основе гибридных нейросетей
Введение к работе
В настоящее время значительные усилия исследователей в области искусственного интеллекта направлены на разработку методов решения задач классификации и распознавания объектов по плохо обусловленной исходной информации. Подобные задачи возникают при обработке зашумленных сигналов с датчиков технологических процессов, результатов социологических опросов, прогнозировании в геологии, диагностике в биологии и медицине.
Затрудняющим условием распознавания объектов зачастую является пересечение классов объектов по всем количественным и качественным признакам, вследствие чего неприменимы вероятностно-статистические методы анализа информации.
Как правило, решение отмеченного класса задач осуществляется на основе создаваемых экспертных систем, база знаний которых с неизбежностью включает интегрированный опыт экспертов, который, в свою очередь может содержать скрытые противоречия и не учитывать все пересечения ветвей решений и комбинации значений признаков и атрибутов, что, в конечном счете, может существенно снижать ценность получаемых результатов.
Таким образом, разработка новых подходов, методов и моделирование на их основе процессов классификации, распознавания и диагностики объектов по совокупности их количественных и качественных признаков в разнотипном признаковом пространстве в условиях пересечения и многозначности классов объектов, когда, в силу изначальной неопределенности оказывается невозможным применять методы статистического анализа, основанные на аксиоматической теории вероятностей, несомненно, является актуальной и важной задачей.
Целями диссертационной работы являлись:
-проведение сравнительного анализа известных существующих подходов для распознавания и классификации пересекающихся классов объектов, основанных на представлениях теории нечетких множеств и нейросетевых технологий;
-разработка и построение гибридной системы для
моделирования процессов распознавания и
классификации пересекающихся классов объектов,
включающей основные преимущества рассмотренных подходов. Научная новизна работы состоит в следующем:
разработан новый подход к решению задач распознавания и классификации пересекающихся классов объектов, на основе гибридной модели, базирующейся на представлениях теории нечетких множеств и нейросетевой технологии;
— разработаны алгоритмы для моделирования процессов
распознавания и классификации объектов по совокупности
разнотипных признаков, в условиях пересекающихся
классов объектов.
Теоретическая и практическая ценность работы состоят в том,
что в работе разработан метод анализа нечеткой информации, который
может быть применим для решения широкого круга задач в различных
прикладных областях. Например, многозначные числовые объекты могут
отображать технологические параметры в сомнительных ситуациях,
сбойную работу электронных схем. Многозначные номинальные объекты
могут моделировать качественные оценки промышленной продукции, состояния элементов экономики, символьные последовательности, возникающие при формализации естественных и абстрактных текстов (кодов). Ранжирование нечетких объектов по совокупности разнотипных признаков дает возможность классифицировать, в соответствии с семантикой нечеткости, реальные процессы, то есть извлекать знания из нечетких фактов, которые, в свою очередь, могут быть использованы как элементы экспертных систем и обучающих программ.
Полученные в работе результаты: математические модели, методы, алгоритмы и программные коды используются при прогнозировании и оценке профессиональной пригодности в Калужской таможне и в информационном центре УВД Калужской области. Копии актов о внедрении прилагаются.
Внедрение результатов работы продолжается, они также могут быть использованы при разработке иных автоматизированных систем распознавания, классификации, предсказания и диагностики в условиях пересекающихся классов объектов для создания «интеллектуального советника» в неопределенных ситуациях.
Достоверность результатов работы обусловлена корректной постановкой задачи, применением математически обоснованных методов ее решения, сравнением результатов с экспериментальными данными.
На защиту выносятся следующие положения: подходы к вычислению функций принадлежности списковых объектов к нечетким множествам по числовому и номинальному признакам;
- алгоритмы предобработки многомерных функций принадлежности нечетких объектов и обучения двухслойной нейронной сети для распознавания и классификации пересекающихся классов объектов;
реализация разработанных гибридных моделей и алгоритмов, базирующихся на представлениях теории нечетких множеств и нейросетевых технологиях, в виде функций библиотек, являющихся ядром автоматизированных систем рассматриваемого класса задач;
результаты экспериментальных исследований эффективности использования разработанных алгоритмов при решении задач распознавания, классификации и диагностики профессиональной пригодности объектов в условиях пересечения и многозначности классов объектов.
Апробация результатов. Результаты диссертационной
работы докладывались на следующих отечественных и
зарубежных конференциях:
International Conference on Artificial Intelligence. Center for Engineering Research Technical Natal. Durban, South Africa, September 24-26, 1999.
International Conference on Computer Modeling, Simulation and Communication. Birla Institute of Technology. Jaipur, India, December 1-3, 1999.
1-я Российская конференция молодых ученых по математическому моделированию. Москва, МГТУ им.Н.Э.Баумана, Калуга, 12-14 апреля, 2000.
2-я Российская конференция молодых ученых по математическому моделированию. Москва, МГТУ им.Н.Э.Баумана, Калуга, 24-26 апреля, 2002.
Многослойные персептроны с обратным распространением ошибки
Специфика научно-технического развития последних десятилетий характеризуется ошеломляющим ростом качественных и количественных показателей вычислительных электронных систем, которые, повсеместно внедряясь в человеческую жизнедеятельность, позволяют создавать новые, уникальные методики и технологии. В их числе особое место занимает нейрокомпьютинг с его многочисленными потенциально возможными применениями, основанными на парадигме параллельных вычислений. Число работ, связанных с нейрокомпьютингом, опубликованных в научной отечественной и зарубежной литературе за последние два десятилетия, превышает десятки тысяч. Поэтому даже создатели объемных монографий вынуждены ограничивать себя либо достаточно поверхностным обзором широкого спектра разработок [1-15], либо более глубоким анализом результатов, полученных в достаточно узкой, специализированной области [16-23]. В связи с этим, в настоящей главе мы ограничимся беглым обзором достаточно общих положений, а в последующих специализированных главах, по мере необходимости, будут проведены более детальные обсуждения известных литературных данных.
Самая общая проблема, стоящая перед нейрокомпьютингом может быть сформулирована в нескольких предложениях. Ключевой вопрос связан с аппроксимацией неизвестной функции cF, которая осуществляет отображение &\ Зіп — Зіт. Как правило, несмотря на то, что аналитический вид функции 3F неизвестен, в распоряжении имеется набор "образцов" ON = {о1, о2, ..., oN}, ор = (хр, ур), которые порождаются процессом, описываемым функцией F, т.е. (хр) = ур. На основании данного набора, требуется построить "гладкую" аппроксимацию неизвестной функции «F", чтобы иметь в последствии возможность определять значения ур на основании предъявляемых значений хр. Совершенно понятно, что огромное множество классов всевозможных функций, осуществляющих отображения &\ 31п -» Лт, а также разнообразие возможных набор "образцов" ON = {о1, о2, ..., oN}, ор=(хр, ур), порождает большое количество методов и методик решения сформулированной проблемы, в связи с этим, можно говорить лишь о самой общей, в значительной степени условной классификации базовых нейроархитектур. В ряде работ делается попытка классификации, на основании типичных постановочных задач для нейросетей. По-видимому, такие попытки едва ли можно назвать удачными, поскольку, как это отмечено в [18], не смотря на кажущиеся внешние различия, многие задачи могут быть сведены друг к другу. Более обоснованным представляется разделение нейросетей по типу обучения и по типу связей, в этом случае самая общая классификация имеет вид представленный в таблице 1. В соответствии с целями и задачами диссертации, дальнейший обзор материала в данной главе будет посвящен главным образом рассмотрению результатов разработок и исследований, связанных с проблемой классификации при наличии обучающего множества - набора "образцов" ON = {о1, о2, ..., oN}, ор = (хр, ур), что в большей степени соответствует нейросетям без обратных связей с "учителем" - верхний правый угол таблицы 1.1.
Без всякого преувеличения можно сказать, что метод обратного распространения ошибки является одним из наиболее мощных и исследованных методов нейрокомпьютинга. Базовый алгоритм данного метода впервые был изложен в 1974 году, в работе [24], однако тогда он не привлек к себе должного внимания. Спустя 12 лет, на рубеже 1986-1988 годов, данный метод переоткрывался, по крайней мере, дважды [25-29], и получил очень широкое распространение в различных исследовательских школах и группах. В настоящее время существует несколько десятков различных модификаций данного метода и процесс его исследования и модернизации продолжается. Рассмотрим этот ключевой для нейрокомпьютинга метод более подробно.
Развитие в работе [30] знаменитой теоремы А.Н. Колмогорова [31], о представлении произвольных непрерывных функций "п" переменных посредством суперпозиции непрерывных функций одной переменной, позволило, применительно к неиросетям доказать важное положение о том, что любая непрерывная функция &\ 31п - 31т, может быть реализована на основе нейронной сети прямого распространения, содержащей только три слоя; причем во входном слое должно быть "п" нейронов, в выходном - "m" , и в промежуточном слое достаточно иметь "п +1" нейронов [32].
Разработка системы распознавания и классификации многомерных объектов пересекающихся классов на основе представлений теории нечетких множеств
В общем случае, работа систем распознавания характеризуется двумя стадиями: стадией предобработки и стадией классификации. На стадии предобработки осуществляется снижение сложности пространства входных векторов в результате отображения исходных необработанных входных сигналов в характерные вектора пространства признаков. Такое отображение проектируется заранее, с учетом специфических особенностей решаемой задачи, и, как правило, такое отображение связано с извлечением "важных" и "полезных" особенностей из исходного массива входных сигналов. В зависимости от особенностей рассматриваемых задач может быть сконструирован достаточно широкий круг других видов характерных векторов, отражающих специфические особенности конкретной задачи. Например, возможны другие методы предобработки речи, основанные на извлечении формантных частот, то есть частот, которым соответствует область концентрации энергии в спектре звука, голоса [62-64].
После отображения исходных необработанных входных сигналов в характерные вектора пространства признаков, классификатор производит отображение данных в екторов на множество различных классов. Такое отображение или, другими словами, классификация, связано с разметкой пространства признаков. Каждому вектору в пространстве признаков предписывается принадлежность к определенному классу. В отличии от предобработчика, классификатор является адаптивным и управляется поступающими на его вход данными. Классификатор может производить настройку своих функций отображения пространства признаков на пространство классов на основании заданного множества обучающих примеров.
Не смотря на то, что в последние два десятилетия интерес к развитию и применению нейросетевых технологий продолжает неуклонно расти, и, число открытых публикаций в данном направлении уже давно исчисляется многими тысячами, известные научные работы, как правило, связаны либо с разработкой новых технологий, либо с развитием и усовершенствованием имеющихся нейросетевых технологий, либо в работах просто проводится анализ возможности использования нейрокомпьютинга для решения тех или иных задач. При этом, как правило, в виду большой сложности задачи и необходимости больших объемов работы, проводится анализ использования одного типа классификатора применительно к множествам одного типа объектов. В связи с этим большой интерес представляет проведение количественного анализа работы различных базовых классификаторов на полигоне различных объектов исследования. Для решения этого вопроса в диссертации проводится анализ работы трех базовых архитектур нейросетевых классификаторов применительно к трем видам множеств объектов исследования.
В качестве базовых архитектур нейросетевых классификаторов были выбраны нейросети, работающие на принципе обратного распространения ошибки, на основе радиальных базисных функций и на основе группового метода учета данных. Следует отметить, что практически каждая базовая архитектура нейросетевого классификатора допускает достаточно многочисленные модификации. Поэтому наряду с упомянутыми базовыми архитектурами в работе значительное внимание было также уделено рассмотрению и анализу работы основных модификаций данных базовых архитектур. В частности, для нейросетевых классификаторов, работающих на принципе обратного распространения ошибки, был проведен анализ функциональных характеристик работы нейросетей модифицированных на основе простого и множественного адаптивного алгоритма, а также с использованием алгоритм сопряженных градиентов. Для нейросетевых классификаторов, работающих на основе радиальных базисных функций были рассмотрены три модификации алгоритмов определения кластерных центров, основанных на, так называемом, методе "-средних, Е-М и R-C алгоритмах. Для нейросетевых классификаторов, работающих на основе группового метода учета данных, был проведен анализ работы и функциональных характеристик нейросетей основанных на различных полиномах второго и третьего порядка, зависящих от одной, двух и трех переменных.
С целью изучения поведения и характеристик различных классификаторов на объектах с различной степенью сложности были рассмотрены три различных множества объектов исследования: простое (кольцевое), разделенное и пересекающееся (речевое). Кольцевое множество состояло из двумерных векторов, разделенных на два класса (см. рис. 1.11). Класс А состоял из векторов распределенных случайным образом внутри окружности единичного радиуса. Класс В состоял из векторов распределенных случайным образом за пределами возможного расположения векторов класса А (окружности единичного радиуса), и, одновременно, внутри окружности с радиусом в пять единиц, концентрической по отношению к окружности единичного радиуса. Обучающее и тестовое множества содержали каждое по 600 образцов векторов класса А и В .
Разделенное множество также состояло из двумерных векторов двух классов (см. рис. 1.12). Класс А состоял из векторов равномерно распределенных случайным образом внутри двух одинаковых и разъединенных квадратов с единичной стороной. Класс В состоял из векторов равномерно распределенных случайным образом за пределами возможного расположения векторов класса А (двух разъединенных единичных квадратов), и, одновременно, внутри квадрата со стороной в семь единиц. Обучающее и тестовое множества содержали каждое по 600 образцов векторов класса А и В .
Анализ уровня ошибки результатов функционирования различных нейросетей
Первоначальные оценочные значений дисперсии базисных функций определялась путем установления значения дисперсии каждой базисной функции равного среднему расстоянию (в метрике Евклида) от центра базисной функции до ее пяти ближайших соседей в пределах обучающего множества. Общая константа пропорциональности h , которая является множителем дисперсии в уравнении (1.37), использовалась для масштабирования значений дисперсии базисных функций в целях получения наилучшего результата.
Основная причина, по которой дисперсия каждой базисной функции выбиралась равной среднему расстоянию от центра базисной функции до ее пяти ближайших соседей, обусловлена необходимостью иметь достаточно узкую базисную функцию в областях с высокой локальной плотностью, и, одновременно, достаточно широкую базисную функцию в областях, где локальной плотностью образцов обучающего множества невелика. Мотивацией для включения коэффициента пропорциональности h , является стремление обеспечения модели дополнительной гибкости, благодаря которой можно гарантировать достаточное перекрытие базисных функций с целью обеспечения хорошей интерполяции.
Зависимость уровня ошибки є от коэффициента пропорциональности h для нейросетей с различным содержанием числа радиальных базисных функций N полученных при тестировании для кольцевого множества образцов (см. раздел 1.2.3, рис.1.11) представлена на рис. 3.1. Можно видеть, что независимо от числа базисных функций, по мере увеличения ширины базисных функций уровень ошибки тестирования неизменно уменьшается до тех пор, пока значение ширины базисной функции не достигнет определенного значения. Далее, на определенном интервале значений коэффициента h, который может быть достаточно протяженным, значения уровня ошибки мало изменяются. Однако, дальнейшее увеличение значений коэффициента h, независимо от рассматриваемого в модели числа базисных функций, неизменно сопровождается увеличением уровня ошибки є.
Поведение зависимостей, представленных на рис.3.1 интуитивно понятно, поскольку нейросетевые классификаторы в данном случае реализуют интерполяционное отображение, для которого необходимо существование таких радиальных базисных функций, которые могли бы обеспечить покрытие всего пространства, реализуя, при этом, достаточно гладкую интерполяцию. При очень малом значении коэффициента h , радиальные базисные функции будут слишком узкими, и не будут перекрываться с другими базисными функциями. Это в значительной степени затрудняет реализацию хорошей интерполяции, что в конечном итоге приводит к высоким значениям ошибки. По мере того, как значения коэффициента h увеличиваются, ширина радиальных базисных функций возрастает, и происходит перекрытие соседних базисных функций. В результате этого становится возможной хорошая интерполяция, и как следствие улучшения интерполяции происходит снижение значений ошибки. Из рис.3.1 видно, что имеется достаточно большой интервал значений коэффициента h , в пределах которого дальнейшее изменение значений коэффициента h , не сопровождается сколь либо значительными изменениями ошибки є, значения которой остаются практически неизменными. В пределах этого интервала базисные функции, похоже, достигают оптимального уровня перекрытия для решения рассматриваемых задач. По мере дальнейшего увеличения значений коэффициента h , дисперсия радиальных базисных функций становится слишком большой, и большинство базисных функций начинают утрачивать свою индивидуальность, становясь в значительной мере похожими друг на друга. Такая ситуация, подобно ситуации с узкими базисными функциями, приводит к плохой интерполяции, и, как следствие, к высокой ошибке.
В том случае, когда множество объектов представляло собой кольцо, и состояло только из двух классов, область решений являлась очень простой, функционирование нейросети оставалось хорошим даже при очень большой ширине радиальных базисных функций. Значения коэффициента пропорциональности h в интервале от 10 до 100 обеспечивали достаточно низкий уровень ошибки. Однако, по мере усложнения задачи (см. рис. 1.12 и рис. 1.13), когда увеличивается число классов и область решений становится более сложной, возникает необходимость введения более узких базисных функций, которые оказывались бы в состоянии воспроизводить более тонкую структуру областей решений и их границ. Данные закономерности можно наблюдать из сопоставления рис.3.1 с рис. 3.2 и рис.3.3, на которых приведены зависимости от коэффициента пропорциональности h величины ошибки є для задач связанных с классификацией объектов, представленных множествами квадратов (см. рис. 1.12) и множеством гласных букв (см. рис. 1.13.). Можно видеть, что при значениях коэффициента пропорциональности h выше пятидесяти для задачи классификации на множестве квадратов, величина ошибки є начинает резко возрастать (см. рис. 3.2). Аналогичные закономерности наблюдаются и в случае классификации гласных, однако теперь резкий рост уровня ошибки є наблюдается, когда коэффициент пропорциональности h оказывается выше семи (см. рис. 3.3).
Разработка системы распознавания и классификации многомерных объектов пересекающихся классов на основе гибридных нейросетей
Технологии поиска и подбора кадров, также как и технологии оценки профессиональной пригодности, широко используют в своей основе результаты опытов и тестирования. Вместе с тем высокая степень неопределенности и недетерминироватьнности, связанная с большим многообразием возможных вариантов заполнения и ответов на вопросы исходных тестов, лишь в редких, исключительных случаях позволяет сделать четкие, однозначные выводы относительно степени профессионального соответствия и пригодности. Поэтому, как правило, большая часть результатов предварительного тестирования подвергается последующему анализу и уточнению членами экспертной комиссии, которые в дальнейшем, на основании результатов непосредственного собеседования, руководимые личным опытом и интуицией, принимают заключительное решение о степени профессионального соответствия и пригодности испытуемого претендента.
Оставляя "за кадром" вопросы, связанные с адекватностью содержательного наполнения используемых психодиагностических тестов профессиональной пригодности целям и задачам на них возлагаемых, данный раздел посвящен разработке и построению нейросетевого классификатора оценки профессиональной пригодности.
В качестве основы, были взяты комбинированные тесты оценки профессионального соответствия и пригодности, используемые в правоохранительных органах, которые базируются на психодиагностических методиках MMPI и 16PF. Комбинированные тесты содержат 8 шкал, каждая из которых, в свою очередь содержит от 15 до 20 вопросов с возможными бинарными ответами да (1), нет (0). Каждая шкала, по совокупности набранных баллов, относит испытуемого к одной из четырех групп профессиональной пригодности (см. табл. 2).
Практический опыт показывает, что доля испытуемых, попадающая в одну и ту же подгруппу профессиональной пригодности крайне мала. Поэтому окончательное заключение о профессиональной пригодности, в подавляющем большинстве случаев, принимается на основании голосования членов экспертной комиссии после тщательного анализа ими результатов тестирования и дополнительного собеседования.
Очевидно, что традиционно используемая методика оценки профессиональной пригодности требует больших затрат времени и высокой квалификации членов экспертной комиссии. В то же время, накопленный опыт по установлению соответствия результатов тестирования заключениям экспертной комиссии о профессиональной пригодности испытуемых претендентов, может быть заложен в основу построения нейросетевых классификаторов.
При построении нейросетевого классификатора естественным требованием к выбору архитектуры является минимизация машинных ресурсов с сохранением минимального уровня ошибки функционирования. В соответствии результатами сравнительного анализа процессов нейросетевой классификации, проведенного в третьей главе диссертации, нейросети с архитектурой РБФ являются самыми эффективными с точки зрения необходимых ресурсов времени, лишь немного уступающими классификаторам с архитектурой ОРО по ресурсам памяти. В силу отмеченных обстоятельств, для моделирования процессов классификации профессиональной пригодности на основании комплексного тестирования, была выбрана нейросетевая архитектура РБФ. Центры базисных функций определялись в соответствии с результатами первой главы диссертации (см. п. 1.1.3) на основании метода К- средних при значении параметра К равном 5. Число входов и выходов классификатора соответственно составляло 8 и 2. Оптимальные значения дисперсии базисных функций и их число подбирались экспериментально, в соответствии с методикой описанной в первой главе диссертации (см. п. 1.1.3). Исходный массив результатов комплексного тестирования содержал ответы 452 претендентов, из которых к числу удовлетворяющих требованиям профессиональной пригодности были отнесены сотрудники, успешно проработавшие не менее одного года. К числу претендентов не удовлетворяющих требованиям профессиональной пригодности были отнесены лица не получившие положительного заключения экспертной комиссии или уволенные в течение первого года работы.
Исходный массив результатов тестирования был разбит на две части, первая из которых содержала ответы 312 претендентов и была предназначена для обучения нейросетевого классификатора. Вторая часть, содержащая ответы 140 претендентов, была предназначена для последующего тестирования обученного нейросетевого классификатора. Каждая из частей массива содержала одинаковые доли лиц удовлетворяющих и не удовлетворяющих сформулированным выше требованиям профессиональной пригодности.
