Xreferat.com » Рефераты по информатике и программированию » Психологическая интуиция искусственных нейронных сетей

Психологическая интуиция искусственных нейронных сетей

министерство общего и специального образования Российской Федерации

сибирский государственный технологический университет


На правах рукописи


Доррер Михаил Георгиевич


психологическая интуиция ИСКУССТВЕННЫХ нейронных сетей


05.13.16- Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях (в биофизике).


диссертация

на соискание ученой степени кандидата технических наук


Научный руководитель:

доктор физ.-мат. наук, профессор А.Н. Горбань


Красноярск - 1998

Оглавление


Введение Error: Reference source not found

Глава 1. Психодиагностика и нейронные сети Error: Reference source not found

1.1 Задачи и методы современной психодиагностики Error: Reference source not found

1.2 Сущность интуитивного метода 17

1.3 Математические модели и алгоритмы психодиагностики Error: Reference source not found

1.4 перспективные алгоритмы построения психодиагностических методик Error: Reference source not found

1.5 методы восстановления зависимостей Error: Reference source not found

1.6 алгоритмы и методы безусловной оптимизации Error: Reference source not found

1.7 нейронные сети Error: Reference source not found

1.7.1 Основные элементы Error: Reference source not found

1.7.2 Структура сети Error: Reference source not found

1.7.3 Прямое функционирование сети Error: Reference source not found

1.7.4 Обучение сети Error: Reference source not found

1.7.5 Обратное функционирование Error: Reference source not found

Выводы главы 1 Error: Reference source not found

Глава 2. Решение нейросетями классических задач психодиагностики Error: Reference source not found

2.1 Классический эксперимент Error: Reference source not found

2.2 Оценка значимости вопросов теста Error: Reference source not found

2.3 Контрастирование сети по значимости вопросов теста Error: Reference source not found

2.4 Результаты экспериментов с контрастированными сетями Error: Reference source not found

Выводы главы 2 Error: Reference source not found

Глава 3. Интуитивное предсказание нейросетями взаимоотношений Error: Reference source not found

3.1 Проблема оценки взаимоотношений Error: Reference source not found

3.2 Общая задача экспериментов Error: Reference source not found

3.3 Применяемые в экспериментах психологические методики Error: Reference source not found

3.4 Эксперименты по предсказанию группового статуса Error: Reference source not found

3.5 Нейросетевое исследование структуры опросника Error: Reference source not found

3.6 Оценка оптимизации задачника нейросетью с позиций теории информации Error: Reference source not found

3.7 Эксперименты по предсказанию парных взаимоотношений Error: Reference source not found

Выводы главы 3 Error: Reference source not found

Глава 4. Полутораслойный предиктор с произвольными преобразователями Error: Reference source not found

4.1 Постановка проблемы Error: Reference source not found

4.2 Аналитическое решение Error: Reference source not found

4.3 Запись решения в идеологии нейросетей Error: Reference source not found

4.4 Алгоритмическая часть Error: Reference source not found

4.5 Оценка информационной емкости нейронной сети при помощи выборочной константы Липшица Error: Reference source not found

4.6 Соглашение о терминологии Error: Reference source not found

4.7 Компоненты сети Error: Reference source not found

4.8 Общий элемент сети Error: Reference source not found

4.9 Вход сети Error: Reference source not found

4.10 Выход сети Error: Reference source not found

4.11 Синапс сети Error: Reference source not found

4.12 Тривиальный сумматор Error: Reference source not found

4.13 Нейрон Error: Reference source not found

4.14 Поток сети Error: Reference source not found

4.15 Скомпонованная полутораслойная поточная сеть Error: Reference source not found

Выводы по главе 4. Error: Reference source not found

ВЫВОДЫ Error: Reference source not found

ЛИТЕРАТУРА Error: Reference source not found

Программа-имитатор полутораслойной сети Error: Reference source not found

Программа расчета социометрических показателей Error: Reference source not found

Психологический опросник А.Г. Копытова Error: Reference source not found

Введение


С самого начала информационной эры идеи воспроизведения в работе вычислительных машин принципов функционирования мозга занимают умы ученых. Известно, например, что Винер и Розенблатт совместно работали над изучением биологических нейронов, и что из этих работ родилась идея обучения автоматов Винера и теория обучения сетей перцептронов Розенблатта.

Идея применения искусственных нейронных сетей в современной вычислительной технике заняла прочное место в умах ее разработчиков. Нейронные сети применяются для решения задач искусственного интеллекта, в системах технических органов чувств и управления производственными процессами. Адаптивные сетчатки Хопфилда применяются для создания устойчивых к помехам систем связи. В стадии опытно-конструкторских разработок (например, в лабораториях фирмы Siemens) находятся образцы аппаратных нейрокомпьютеров массового применения – нейросопроцессоров к персональным компьютерам.

Нейрокомпьютеры находят применение во многих отраслях современной науки – ядерной физике, геологии, метеорологии. Исследование искусственных нейронных сетей составляют значительные разделы в таких науках, как биофизика, вычислительная математика, электроника.

Привлекательным было бы и применение искусственных нейронных сетей к наукам о человеке. Однако здесь возникает следующая проблема: их теория не сформировалась пока в достаточной степени для того, чтобы описать процессы, происходящие в системах, в виде явных и пригодных для моделирования на современной вычислительной технике алгоритмов. Выражается это в частности в том, что диагностический аппарат психологии и медицины в существенной части основан на подходах, связанных с изучением и систематизацией прецедентов. Моделирование же биофизических процессов затруднено огромной сложностью систем – так, при работе с психологическими задачами функционирование системы, состоящей из количества элементов порядка 109 (человеческого мозга) недоступно для моделирования на вычислительной машине любой мыслимой сегодня мощности.

Попытки применения нейросетевых подходов в медицине были предприняты с немалым успехом группой НейроКомп. При помощи нейросетевых экспертных систем были решены задачи прогнозирования осложнений инфаркта миокарда, ранней диагностики и дифференциальной диагностики злокачественных опухолей сосудистой оболочки глаза, моделирования лечения и прогнозирования его непосредственных результатов у больных облитерирующим тромбангиитом, дифференциальной диагностики «острого живота», изучения иммунореактивности.

Вообще, на пути применения искусственных нейронных сетей к задачам из области биологии, медицины и психологии можно ожидать несколько важных результатов. Во-первых, нейронные сети, работая по неявным алгоритмам и решая задачи, не имеющие явного решения, по механизму решения задач приближаются к человеческому мозгу, что может дать важный материал для изучения процессов высшей нервной деятельности. Во-вторых, нейросети могут служить в качестве математического инструмента для научных исследований при поиске взаимосвязей и закономерностей в больших информационных структурах, изучения взаимного влияния различных факторов и моделирования сложных динамических процессов.

В силу этого разработка методов нейросетевого моделирования и анализа информации является актуальной задачей.

Раздел информационной науки, называемый нейроинформатикой и начавшийся в свое время еще работами Розенблатта над теорией обучения сетей перцептронов пережил несколько бумов и спадов. В настоящий момент самые общие представления о нейроинформатике таковы:

Принципы работы нейрокомпьютеров напоминают взаимодействие клеток нервной системы - нейронов через специальные связи - синапсы. Основой работы самообучающихся нейропрограмм является нейронная сеть, представляющая собой совокупность нейронов - элементов, связанных между собой определенным образом.

Обучение нейронной сети достигается путем подстройки параметров - весов синапсов и характеристик преобразователей с целью минимизации ошибки определения примеров обучающей выборки - пар вида «требуемый выход - полученный выход».

В обучении используется алгоритм сверхбыстрого вычисления градиента функции ошибки по обучаемым параметрам при помощи аппарата двойственных функций. Наличие методов, позволяющих получать в высокопараллельном (при наличии соответствующего аппаратного обеспечения) режиме градиент функции ошибки позволяет использовать для обучения нейронных сетей обширный аппарат методов безусловной оптимизации многомерных функций.

Опыт, накопленный исследователями в области нейроинформатики, показывает, что при помощи аппарата нейронных сетей возможно удовлетворение крайне острой потребности практикующих психологов и исследователей в создании психодиагностических методик на базе их опыта, минуя стадию формализации и построения диагностической модели. Таким образом, данная работа посвящена исследованию вопроса о возможности развития психологической интуиции у нейросетевых экспертных систем.

Целью данной работы являлось исследование следующих аспектов применения нейронных сетей к психологическим задачам:

изучение функционирования нейронных сетей при решении классических задач психодиагностики;

изучение возможностей и механизма интуитивного предсказания нейросетью отношений между людьми на основе их психологических характеристик;

Для более детального уяснения механизма интуиции искусственных нейронных сетей при решении психологических задач, характеризующихся чрезвычайно высокой размерностью пространства входных сигналов, требовалось также создание программной модели нейроимитатора с оптимизацией объема нейронной сети для решения конкретной задачи.

Для достижения указанных целей были поставлены следующие задачи:

оценить принципиальную применимость нейросетей для решения психологических задач;

оценить применимость интуитивного подхода, когда нейронная сеть выдает рекомендации минуя создание дескриптивной реальности;

разработать логическую структуру программного обеспечения, представляющего собой программную модель нейроимитатора и наилучшим образом соответствующего решению задач данного класса;

реализовать в данной программе алгоритм оценки необходимого для данного задачника объема нейронной сети при помощи выборочной константы Липшица.

Для решения этих задач в диссертационной работе сделано следующее:

В первой главе показан круг задач, связанных с компьютерной психодиагностикой и диагностической интуицией. Выполнен обзор методов создания психодиагностических методик, освещен круг применяемых при этом математических методов и алгоритмов. В связи с этим проведено развернутое обзорное исследование алгоритмов восстановления зависимостей и методов безусловной оптимизации, а также приведены основные сведения, касающиеся аппарата нейронных сетей.

Во второй главе описывается серия экспериментов, направленных на проверку гипотезы о применимости нейронных сетей к задачам психодиагностики. На материале скользящего контроля по обучающей выборке из 273 примеров исследуется качество (погрешность) постановки психологического диагноза нейронной сетью на базе стандартного теста ЛОБИ.

Проводится исследование возможности применимости нейронных сетей как аппарата психодиагноста - исследователя при определении и оптимизации структуры психологических тестов.

Исследуется влияние структуры психологических тестов на диагностическую интуицию искусственной нейронной сети.

В третьей главе анализируется серия экспериментов, направленных на проверку гипотезы о возможности интуитивного предсказания нейросетью отношений между людьми на основе их психологических качеств, объективно описываемых психологическим тестом. Исследование проведено на материале 48 исследуемых и 474 пар взаимных выборов.

Проведена работа по определению оптимальной структуры нейронной сети для предсказания социального статуса исследуемых на основе опросника.

Произведена оценка погрешности прогноза статуса исследуемых в группе, выполнено сравнение ее с расстоянием между случайными примерами.

Выполнено перекрестное межгрупповое, а также общее для всех групп исследование с целью выяснения внутригрупповой локальности психологической интуиции нейронной сети.

На базе оценок значимости входных параметров нейронной сети проведена оценка избыточности базового опросника, исследовано влияние минимизации опросника на качество предсказания статуса исследуемых в группе.

Произведена оценка погрешности прогноза отношений между двумя исследуемыми, выполнено сравнение ее с расстоянием между случайными примерами.

В четвертой главе описана идеология, структура объектов и алгоритмы функционирования нейроимитатора с автоматически наращиваемым объемом сети.

Выполнена проработка математической постановки задачи обучения нейронной сети с поэтапным исчерпанием ошибки.

Исследована необходимость применения математического аппарата нейронных сетей для решения данной задачи.

Сформулирован подход к решению задачи оценки необходимого объема нейронной сети при помощи сетевой и выборочной констант Липшица.

Выполнена проработка объектно-ориентированной структуры программного нейроимитатора, исследована возможность применения такой же (или подобной) структуры для построения классических нейонных сетей.

Доработаны согласно с требованиям объектно-ориентированного программирования классические алгоритмы обучения нейронных сетей.

Новизна

Впервые исследовано поведение искусственных нейронных сетей при решении задач психодиагностики, показана принципиальная возможность такого применения.

Впервые проведена работа по интуитивному предсказанию моделью нейронной сети взаимоотношений между людьми на основе их объективных характеристик (психологических тестов), минуя построение описанной реальности и изучение социальной истории исследуемых.

Впервые проведена работа по оптимизации структуры психодиагностических методик на основе исследования механизма психологической интуиции программных нейроимитаторов.

Реализована никогда ранее не применявшаяся полутораслойная структура нейронной сети, позволяющая реализовать автоматическое изменение числа нейронов в зависимости от потребностей задачи, позволяет не только исследовать, но и контролировать процесс воспитания психологической интуиции искусственных нейронных сетей.

Впервые применена выборочная константа Липшица для оценки необходимой для решения конкретной задачи структуры нейронной сети.

Практическая значимость

Полученные в работе результаты дают подход к раскрытию механизма интуиции нейронных сетей, проявляющейся при решении ими психодиагностических задач. Показывается также путь использования понимания механизма психологической интуиции нейросетевых экспертных систем в существенном упрощении процесса формирования диагностических моделей. Результаты представляют интерес для теории создания психодиагностических методик, позволяют рекомендовать нейронные сети для применения в данной области. Представленный в работе нестандартный для компьютерных методик интуитивный подход к психодиагностике, заключающийся в исключении построения описанной реальности, позволяет сократить и упростить работу над психодиагностическими методиками. Исследование механизма интуиции нейронных сетей при предсказании психологической совместимости в группе и парной совместимости дает важный материал для осмысления механизма данного явления. Идеология, апробированная при создании программного имитатора нейронной сети, открывает путь к оптимизации структуры искусственных нейронных сетей по принципу достаточного для данной задачи объема. Созданная для данной программы структура объектов является универсальным аппаратом для моделирования сложных функций при помощи сетей автоматов и нахождения локальных экстремумов этих функций при помощи методов безусловной оптимизации.

Положения выносимые на защиту:

Для решения классической задачи психодиагностики по порождению описанной реальности с вероятностью правильного ответа около 95% может быть использована искусственная нейронная сеть полносвязной структуры с параметром нейрона равным 0.4 и числом нейронов равным 2.

Искусственная нейронная сеть полносвязной структуры из 16 нейронов с параметром преобразователя равным 0.1 способна порождать интуитивный прогноз социометрического эксперимента. Исходные данные для прогноза могут быть ограничены объективной психологической картиной исследуемых, сбор информации об их социальной истории необязателен. Относительная погрешность такого прогноза составляет 25-30%.

Раскрытие механизма интуиции нейронных сетей при помощи аппарата вычисления значимости входных параметров позволяет упрощать психодиагностические модели, сокращая размерность пространства признаков.

Нейронная сеть полутораслойной структуры способна решать задачу восстановления зависимости по обучающей выборке при помощи алгоритма поэтапного исчерпания ошибки наращиванием объема сети.

Применение выборочной константы Липшица в алгоритме наращивания сети позволяет ограничить избыточность числа нейронов и объема сети.

Публикации. Основные результаты работы опубликованы в 11 печатных работах.

Апробация работы. Материалы диссертации были представлены на Всероссийском семинаре «Нейроинформатика и ее применение» в 1994 и 1995 годах, на конгрессе «Новые концепции раскрытия высших функций мозга» в 1995 году в японском городе Тохва, на всемирном нейросетевом конгрессе в Вашингтоне в июле 1995 года, в двух докладах на международном симпозиуме «Нейроинформатика и нейрокомпьютеры» в Ростове на Дону в сентябре 1995 года, на круглом столе по вопросам интеллектуальных технологий краевой конференции «Проблемы информатизации региона» в 1996 году, на 3-ей международной конференции «Математика, компьютер, образование» в Дубне в 1996 году. Последние результаты, полученные при создании полутораслойного предиктора доложены на конференции «Проблемы информатизации региона»-97. Разработанные методики оценки и прогноза совместимости в учебных группах используются в повседневной деятельности ФАР КГТА.

Глава 1. Психодиагностика и нейронные сети


1.1 Задачи и методы современной психодиагностики


Важное место среди задач современной психологии занимает психодиагностика - принятие решения о наличном психологическом состоянии человека в целом или по отношению к какому либо отдельно взятому человеческому свойству. Целью психодиагностики по современным понятиям согласно [26] является описание индивидуально - психологических особенностей, свойств личности в интересах теории и практики.

По одной из наиболее употребляемых в настоящее время трактовок [71] психодиагностика является наукой, в русле которой решаются следующие вопросы:

Какова природа психологических явлений и принципиальная возможность их научной оценки?

Каковы в настоящее время общие научные основания для принципиальной познаваемости и количественной оценки психологических явлений?

В какой мере применяемые средства психодиагностики соответствуют принятым общенаучным, методологическим требованиям?

Каковы основные методические требования, предъявляемые к различным средствам психодиагностики?

Каковы основания достоверности результатов, предъявляемые к условиям проведения психодиагностики, средствам обработки полученных результатов и способам ее интерпретации?

Каковы основные процедуры конструирования и проверки научности методов психодиагностики, включая тесты?

Точная психодиагностика в любом психологическом эксперименте предполагает оценивание психологических свойств испытуемого.

Одним из ключевых в современной психодиагностике является понятие диагноза, которое в [61] трактуется следующим образом: «Понятие «диагноз» является своеобразным выражением и конкретизацией общенаучного понятия «состояние», отражающего доминирующий способ изменеия и развития систем в данных отношениях, в определенном месте и времени».

Согласно [21] диагностика как практическая деятельность осуществляется в целях преобразования реального состояния объекта. Диагностическое познание в целом является таким видом познания, в котором субъект, исходя из своих практических потребностей, ставит вполне определенную цель - использовать законы функционирования диагностируемого объекта для осуществления вмешательства в систему, то есть приведение ее в состояние нормального функционирования методами управления.

Однако психодиагностический метод согласно [7], [26] имеет свои особенности. Его анализ позволяет выделить специфические мотивы, определяющие активность субъекта, особую стратегию его поведения, специфику ситуации - как социальную (взаимодействие психолога и исследуемого), так и стимульную (например, с разной степенью структурированности) - и т.д.

Существенную сложность в психодиагностике составляет парадокс теоретического и психодиагностического описания одной и той же реальности, суть которого заключается в гносеологическом различии между «теоретической» и «измеренной» личностью, отличающейся в свою очередь от личности реальной. Следствием данной сложности является то, что попытки отождествления «теоретической» и «измеренной» личности оказываются, в конечном счете, малопродуктивными, носят искусственный характер.

Область применения психодиагностики согласно [71] весьма широка. В нее входят:

Проверка гипотез, проверяемых в экспериментах;

прикладные исследования, в которых требуется проверить результат введения тех или иных нововведений;

психологическое консультирование, для проведения которого психолог должен иметь правильный диагноз исследуемого, видеть суть его проблемы;

практическая психокоррекционная работа;

медицинская психология;

патопсихология;

инженерная психология;

психология труда.

Можно утверждать, что психодиагностика может применяться всюду, где требуется точное знание о степени развития тех или иных свойств человека.

Согласно [47] психодиагностика характеризуется широким спектром методических подходов. Данное многообразие обуславливает существование различных систем классификации психодиагностического эксперимента в зависимости от значимых для классификации атрибутов. Для компьютерной психодиагностики таким значимым атрибутом может служить формализуемость психодиагностической методики, которая позволяет определить возможность использования в психодиагностическом эксперименте компьютерной информационной технологии.

Понятие «формализуемость» конкретизируется разбиением на самостоятельно систематизирующиеся элементы: воздействие на испытуемого в ходе эксперимента (стимулы), ответы (отклики) испытуемого на это воздействие и операции с информацией, рожденной реакцией испытуемого на стимулы.

1.2 Сущность интуитивного метода


Согласно [81] интуиция - знание, возникающее без осознания путей и условий его получения, в силу чего субъект имеет его как результат «непосредственного усмотрения». Интуиция трактуется и как специфическая способность (например, художественная и научная интуиция) и как «целостное охватывание» условий проблемной ситуации (чувственная интуиция, интеллектуальная интуиция) и как механизм творческой деятельности (творческая интуиция).

Научная психология рассматривает интуицию как необходимый, внутренне обусловленный природой творчества момент выхода за границы сложившихся стереотипов поведения и, в частности, логических программ поиска решения задачи.

Согласно [80] интуиция - эвристический процесс, состоящий в нахождении решения задачи на основе ориентиров поиска, не связанных логически или недостаточных для получения логического вывода. Для интуиции характерна быстрота (иногда моментальность) формулирования гипотез и принятия решений, а также недостаточная осознанность его логических оснований.

Интуиция проявляется в условиях субъективно или объективно неполной информации и органически входит в присущую мышлению человека способность к экстраполяции.

Механизм интуиции состоит в симультантном объединении нескольких информативных признаков разных модальностей в комплексные ориентиры, направляющие поиск решения. В таком одновременном учете различной по своему качеству информации состоит отличие интуитивных процессов от дискурсивных, в которых в одном мыслительном акте (логическом шаге) может учитываться только какая-то одна модификация признаков задачи, связываемых между собой.

Ориентиры поиска в интуитивных и дискурсивных процессах не имеют принципиального различия по составу входящей в них информации. Логические принципы, в том числе формальные, включаются в интуитивно формируемый информативный комплекс и, будучи сами по себе недостаточными для получения решения, в сочетании с другими информационными связями определяют направление поиска.

Основную роль в интуиции играют семантические обобщения, относящиеся к данной области задач. Такова интуиция врача или ученого.


1.3 Математические модели и алгоритмы психодиагностики


В работе исследователя по конструированию психодиагностического теста принято выделять три этапа [20], [47].

На первом этапе конструируется «черновой» вариант теста. В него включаются задания, ответы на которые, по мнению экспериментатора, должны отражать индивидуально-психологические различия испытуемых по данному конструкту.

На втором этапе исследователь выбирает диагностическую модель и определяет ее параметры. Под диагностической моделью понимается способ компоновки (преобразования, агрегирования) исходных диагностических признаков (вариантов ответов на задания теста) в диагностический показатель.

На третьем этапе проводится стандартизация и испытание построенной диагностической модели.

Наиболее употребляемой в психодиагностике является линейная диагностическая модель. Без применения эмпирико-статистического анализа не обходится ни одна серьезная попытка конструирования или адаптации тестов [97]. Исходным материалом для такого анализа служат результаты экспериментального обследования репрезентативной выборки испытуемых с помощью «чернового» варианта психодиагностического теста. Из полученных данных формируется таблица экспериментальных данных (см. табл. 1)

Таблица 1

Структура таблицы экспериментальных данных


Объекты ( Исходные признаки
испытуемые) x1 x2 ... xi ... xp
X1 x11 x12 ... x1j ... x1p
... ... ... ... ... ... ...
Xi xi1 xi2 ... xij ... xip
... ... ... ... ... ... ...
XN xN1 xN2 ... xNi ... xNp

В табл. ... N - общее количество объектов (испытуемых), p - общее количество признаков, xj - j-й признак, xij - значение j-го признака, измеренное у i-го объекта, X=( x1, ... , xp)T - вектор признаков, Xi=( xi1, ... , xip)T - i-й объект, X={ Xi} - множество объектов.

Исходные признаки xj, как правило, измерены в номинальных и порядковых (ординальных) шкалах [18],[82],[89]. Для большинства объективных методик нельзя априорно установить ни количественных отношений ни отношений порядка, поскольку их признаки представляют собой номинальные измерения. Зачастую при формализации тестовых методик применяют «дихотомизацию» [65] - процедуру преобразования исходных показателей в набор признаков с двумя градациями.

Для ординальных признаков существенен лишь порядок градаций на шкале, и для них считаются допустимыми любые монотонные преобразования не нарушающие этот порядок. Методически строгим является применение к ординальным признакам методов обработки, результат которых инвариантен относительно допустимых преобразований порядковой шкалы [49].

Далее, после сформирования таблицы экспериментальных данных, производится построение диагностической модели. Считается, что модель должна в определенной форме выражать зависимость между вектором входных признаков и тестируемым свойством (значение выраженности свойства далее будет обозначаться y). Модель должна отражать механизм преобразования y=y(x).

Предварительным этапом в построении диагностических моделей является как правило выяснение структуры таблицы экспериментальных данных. На этом этапе производится оценка корреляции между факторами и близости между объектами. Набор математических моделей и алгоритмов, используемых для этого, определяется исходя из специфики экспериментальных данных в психодиагностике.

Для определения степени связи между признаками используются [48],[65],[73]:

Коэффициент корреляции Пирсона, являющийся мерой линейной связи двух переменных: Психологическая интуиция искусственных нейронных сетей, где Психологическая интуиция искусственных нейронных сетей и Психологическая интуиция искусственных нейронных сетей. В рамках этого же подхода сконструированы коэффициент ранговой корреляции Спирмена, точечный бисериальный коэффициент корреляции и тетрахорический коэффициент корреляции.

Коэффициент Психологическая интуиция искусственных нейронных сетей, предназначенный для измерения связи двух дихотомических признаков [73]. Коэффициент вычисляется на базе таблиц сопряженности признаков (см. табл. 2) по формуле Психологическая интуиция искусственных нейронных сетей.

Таблица 2

Таблица сопряженности дихотомических признаков


Признак

Психологическая интуиция искусственных нейронных сетей

Признак

Психологическая интуиция искусственных нейронных сетей

Итог


1 0
1 a b a+b
0 c d c+d
Итог a+c

Таблица 3

Достоинства и недостатки итерационных методов оптимизации


Метод Достоинства Недостатки
Градиентный

Глобальная сходимость, слабые требования к

Психологическая интуиция искусственных нейронных сетей, простота вычислений

Медленная сходимость, необходимость выбора


1

0


1

a

b

a+b

0

c

d

c+d

Итог

a+c

b+d



Коэффициент ранговой корреляции «тау» Кенделла, основанный на подсчете числа несовпадений в ранжировке объектов по сопоставляемым переменным. Данный коэффициент разработан исходя из задачи истолкования процесса измерения связи между переменными без помощи принципа произведения моментов. Рассматриваются два признака Психологическая интуиция искусственных нейронных сетей и Психологическая интуиция искусственных нейронных сетей, на каждый из которых N объектов отображаются в N последовательных рангов. Из N объектов формируется Психологическая интуиция искусственных нейронных сетей пар. Тогда коэффициент вычисляется по формуле Психологическая интуиция искусственных нейронных сетей, где P - количество совпадений порядка на признаке Психологическая интуиция искусственных нейронных сетей с порядком на признаке Психологическая интуиция искусственных нейронных сетей, Q - количество несовпадений.

Степень связи между признаками может быть использована для оценки избыточности набора признаков «черновой» модели, для взаимоконтроля шкал и т.п.

Для определения близости объектов используются различные меры расстояния:

Евклидово расстояние Психологическая интуиция искусственных нейронных сетей.

Взвешенное евклидово расстояние Психологическая интуиция искусственных нейронных сетей.

Расстояние Махаланобиса Психологическая интуиция искусственных нейронных сетей, где S - ковариационная матрица генеральной совокупности, из которой извлечены объекты Психологическая интуиция искусственных нейронных сетей и Психологическая интуиция искусственных нейронных сетей.

Расстояние Минковского Психологическая интуиция искусственных нейронных сетей (городская метрика), применяющееся для измерения расстояния между объектами, описанными ординальными признаками. Психологическая интуиция искусственных нейронных сетей равно разнице номеров градаций по k-му признаку у сравниваемых объектов Психологическая интуиция искусственных нейронных сетей и Психологическая интуиция искусственных нейронных сетей.

Расстояние Хэмминга Психологическая интуиция искусственных нейронных сетей, которое используется для определения различий между объектами, задаваемыми дихотомическими признаками и интерпретируется как число несовпадений значений признаков у рассматриваемых объектов Психологическая интуиция искусственных нейронных сетей и Психологическая интуиция искусственных нейронных сетей.

Полученная на основе какой-либо метрики (подробнее - [25], [48], [50]) информация о степени близости объектов может быть использована для выделения их группировок.

Представление информации о структуре экспериментальных данных служит промежуточным звеном в построении диагностической модели. Независимо от типа модели ее создание может опираться на два подхода:

1.Стратегия, основанная на автоинформативности экспериментальных данных.

Высокая степень близости между группой признаков может свидетельствовать о том, что признаки, вошедшие в группу, отражают эмпирический фактор, соответствующий диагностическому конструкту.

Выделение геометрических группировок в пространстве объектов может свидетельствовать о различии изучаемых объектов по тестируемому свойству, что позволяет строить диагностический алгоритм.

Для стратегий, основанных на автоинформативности экспериментальных данных, важной категорией является согласованность заданий теста.

Согласованность измеряемых реакций испытуемых на тестовые стимулы означает, что они должны иметь статистическую направленность на выражение общей, главной тенденции теста.

На стратегии, основанной на автоинформативности экспериментальных данных, строятся конструирование диагностического алгоритма при помощи метода главных компонент [17], [18], [19], факторного анализа [66] и метода контрастных групп [97].

2. Стратегия, основанная на критериях внешней информативности. Внешняя информация может быть представлена в виде привязки к объектам значений «зависимой» переменной, измеренной в количественной шкале, в виде номера однородного по тестируемому свойству класса, в виде порядкового номера (ранга) объекта в ряду всех объектов, упорядоченных по степени проявления диагностируемого свойства или в виде совокупности значений набора внешних (не включенных в таблицу экспериментальных данных) признаков, характеризующих тестируемый психологический феномен.

Методы, основанные на внешней информативности признаков принято подразделять на экспертные, экспериментальные и жизненные.

К числу экспертных критериев относят оценки, суждения, заключения об испытуемых, вынесенные одним экспертом или их группой.

Экспериментальными критериями служат результаты одновременного и независимого исследования испытуемого другим тестом, который считается апробированным и измеряющим то же свойство, что и конструируемый тест.

В качестве жизненных критериев используются объективные социально - демографические и биографические данные.

На стратегии, основанной на внешней информативности экспериментальных данных, строятся конструирование диагностического алгоритма при помощи регрессионного анализа, дискриминантного анализа [49] и типологического подхода [60], [99].

Наиболее широко в настоящее время употребляются линейные диагностические модели. Однако в условиях неоднородности обучающей выборки они обладают практической успешностью не выше 70-80% [60].

Построенная диагностическая модель может считаться психодиагностическим тестом только после прохождения ею испытаний на предмет проверки психометрических свойств - надежности и валидности [20],[27].

Надежность теста - характеристика методики, отражающая точность психодиагностических измерений, а также устойчивость результатов теста к воздействию посторонних случайных факторов [27].

Валидность - мера соответствия тестовых оценок представлениям о сущности свойств или их роли в той или иной деятельности [60].


1.4 перспективные алгоритмы построения психодиагностических методик


Перспективным направлением в построении психодиагностических методик в настоящее время считается использование аппарата теории распознавания образов [2], [13], [47].

Классификация методов распознавания образов многообразна. Выделяются параметрические, непараметрические и эвристические методы, существуют классификации основанные на терминологии сложившихся научных школ. В [52] методы распознавания образов классифицируются следующим образом:

методы, основанные на принципе разделения;

статистические методы;

методы типа «потенциальных функций»;

методы вычисления оценок (голосования);

методы, основанные на аппарате исчисления высказываний.

Кроме того существенным для метода, основанного на теории распознавания образов, может быть способ представления знаний. В настоящее время выделяют два основных способа [78]:

Интенсиональные представления - схемы связей между атрибутами (признаками)

Экстенсиональные представления - конкретные факты (объекты, примеры).

Группа интенсиональных методов распознавания образов включает в себя следующие подклассы:

Методы, основанные на оценках плотностей распределения значений

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: