CC BY
6
УДК 004.891.2
Горбунова Е. С. студент магистратуры 2 курса институт «Высшая школа экономики и менеджмента» направление «Прикладная информатика в аналитической и
вычислительной экономике» Уральский федеральный университет имени первого Президента
России Б. Н. Ельцина Россия, г. Екатеринбург МЕТОДЫ ПРОЕКТИРОВАНИЯ ИСКУССТВЕННЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ РАСПОЗНАВАНИЯ ЭМОЦИЙ НА
ОСНОВЕ НЕЙРОСЕТЕЙ
Аннотация: В статье рассматриваются вопросы реализации системы распознавания эмоций на основе нейронных сетей. Описывается информационная модель нейросети, ее внутренне устройство и функционирование. Также в статье отмечены основные этапы построении искусственной интеллектуальной системы.
Ключевые слова: Нейронная сеть, распознавание эмоций, система кодирования лицевых движений, интеллектуальная система, многослойный персептрон, сигмоидальная функция.
Summary: In article questions of realization of system of recognition of emotions on the basis of neural networks are considered. Information model of a neuronet, her internally the device and functioning is described. Also in article the main stages creation of artificial intellectual system are noted.
Keywords: Neural network, recognition of emotions, system of coding offront movements, intellectual system, multilayered персептрон, sigmoidalny function.
Эмоции - это одно из ключевых свойств человека. Они занимают лидирующее место в саморегуляции нашего организма, оказывают существенное влияние на все сферы деятельности. Гнев, радость, удивление, отвращение - все это базовые эмоции, которые имеют большое количество модификаций.
Для обеспечения высоко уровня производственной деятельности, работодателю необходимы сотрудники с соответственными качествами -опыт работы, соответствующие личные показатели, стремление к карьерному росту.
Менеджерам по подбору персонала не просто определить подходит кандидат для вакантной должности или нет. Это обусловлено ограниченными временными рамками проведения собеседования, стремлением кандидата получить должность, даже если она не сильно интересна ему. Не все соискатели осознанно устраиваются на работу и четко представляют свои будущие обязанности. От этого проблем прибавляется работодателям и Компании в целом.
Эмоциональные показатели могут многое рассказать о человеке здесь и сейчас. Умение читать эмоции в режиме реального времени - это целая
методика, именуемая профайлингом, а профайлер - это специалист, который с легкостью расскажет, что Вы испытываете сейчас, при этом он обязательно даст пояснение своей интерпретации.
Для того чтобы стать профессиональным профайлером потребуется не один год приобретения практики в данной сфере. Корме того, предметная область еще не набрала достаточно широкую популярность на мировой арене, поэтому профайлеры в большинстве случаев фигурируют в узких кругах.
С развитием компьютерных технологий, на смену профайлерам могут прийти интеллектуальные системы распознавания эмоций, которые при должном обучении будут за несколько секунд рассказать всю информацию о человеке: как эмоциональном, так и психологическом и даже физическом.
Современные системы распознавания эмоциональных реакций, используют ограниченный набор классов эмоций, который строится на формальных классификационных моделях, принятых в психологии.
На текущий момент ни одна из предлагаемых классификаций не является универсальной. Сложное построение классификационных моделей связано с обилием выражения и представления эмоций. Как правило, эмоции связаны с событиями, образом действий, в результате которых человек получил эмоциональный отклик. Описание эмоций всегда подкреплено мимикой, жестами, что позволяет собеседнику лучше понять чувства другого, воспринять описываемые события.
В процессе распознавания эмоция определяется как некий пространственно - временной процесс. Пространственная компонента отражается в интенсивности и конфигурации сокращения мышц лица в конкретный момент времени. Это также говорит о том, что в следующую минуту может быть задействован другой набор мимических мышц.
Реализация системы распознавания эмоций ставит разработчика перед решением следующих задач: выбор компонент эмоционального процесса и выбор метода представления компонент на модель эмоций. Одной из моделей, используемых для распознавания эмоций, является модель, предложенная Полом Экманом и Уоллесом Фризеном. Базовую часть такой модели составляют врожденные эмоции: удивление, гнев, радость, печаль, отвращение, презрение. Популярность учения Экмана обеспечивается разработанной системе кодирования лицевых движений ( мимических реакций).
Данную систему могут использовать опытные эксперты (как упоминалось ранее профайлеры), однако для систем компьютерного зрения уникального способа распознавания эмоций не найдено.
Современные системы используют такие схемы распознавания, которые не способны достаточно точно предсказать развитие эмоционального процесса.
Мимика человека имеет разные пространственно - временные показатели. Выражение эмоций напрямую связано с ситуацией, в которой личность пребывает на момент исследования.
Говоря об искусственной нейронной сети с целью применения в распознавании эмоций, то первоначально необходимо определить метод обучении такой сети. Наиболее распространенным методом обучения является процедура обратного распространения ошибки. Алгоритм обратного распространения ошибки определяет способ подбора весов многослойного персептрона с использование градиентных методов обучения.
Любая искусственная нейронная сеть в общем случае может рассматриваться как некоторый преобразователь, который применяется для определенной комбинации входных сигналов и вывода соответствующих выходных сигналов, реализуя некоторую функцию. Конкретный вид преобразования определяется как архитектурой нейросети, так и характеристиками нейронных элементов, а также средствами управления и синхронизацией информационных потоков между нейронами.
Под обучением понимается процесс адаптации сети к предъявляемой обучающей выборке, путем модификации данной выборки, в соответствии с тем или иным алгоритмом ее параметров (весовых коэффициентов связей между нейронами, пороговых уравнений и др.) для эффективного выполнения специальной задачи. Обучающая выборка представляет собой информацию об исследуемом объекте, процессе или явлении, она может содержать как пары входных и соответствующих им выходных значений, так лишь входные значения. В результате обработки такой выборки, нейронная сеть в соответствии с определенным алгоритмом корректирует весовые коэффициенты синапсов или другие параметры для того, чтобы обеспечивать требуемую на входные образы.
Функционирование сети улучшается по мере итеративной настройки параметров. Одним из преимуществ искусственной нейронной сети является способность обучаться, что делают ее более привлекательной по сравнению система, которые следуют определенной системе правил функционирования, сформулированной экспертами.
В настоящее время разработано множество методов обучения искусственной нейронной сети. Выделяют три типа обучения: «с учителем», «без учителя» (самообучение) и смешанный тип.
В первом случае нейронная сеть предполагает правильными ответами (выходы сети) на каждый входной пример, веса настраиваются так, чтобы сеть выдавала ответы, которые наиболее близки к известным верным ответам.
Вариант обучения с учителем является усиленным, так как он предполагает, что известна только критическая оценка правильности выхода нейронной сети, но не сами верные значения. Вариант обучения без учителя не требует знания правильных ответов на каждый пример обучающей выборки, в этом случае фигурирует внутренняя структура данных или корреляции между образцами в системе данных, что позволяет относить образцы к разным категориям. При смешанном подходе часть весов определяется посредством обучения «с учителем», в то время как остальная группа весов настраивается самообучением.
В отличие от биологических нейронных сетей, которые способны решать практически любые задачи, возможности искусственной нейронной сети ограничены. Обучение нейронной сети процесс достаточно сложный, выполнение которого напрямую зависит от реализации предшествующих этапов.
Нестандартная постановка задачи для искусственной нейронной сети требует проведения дополнительных исследований на начальном этапе и большого опыта для ее решения. Важным моментом является умение представить конечный результат, а также дальнейший способ его использования. Во многих случаях это приводит к упрощению постановки задачи и, как следствие, к более эффективному решению.
Следующим важным этапом является формирование обучающей выборки. Здесь требуется определить параметры исследуемых объектов или выделить пространство признаков. На данном этапе необходимо учесть наличие и доступность соответствующих данных, иначе информация для обучения сети будет отсутствовать, а это влечет за собой невозможность решения задачи.
После подбора обучающей выборки, которая содержит сведения о моделируемом объекте, проводится предварительная обработка данных в этой выборке (нормирование данных, сглаживание, фильтрация). Этот шаг необходим, так как качество исходных данных сильно влияет на результат обучения и целого решения задачи.
Далее необходимо выбрать нейросетевую модель, в рамках которой будет производиться решение задачи, выстраиваться структура сети. Формулировка задачи, поставленная на начальном этапе накладывает ограничения на выбор модели. проектирование модели предполагает выбор количества слоев сети и количество нейронов в каждом слое, а также настройке соответствующих связей между нейронами. Для каждой модели нейросети существуют свои методы проектирования структуры сети. В общем случае их можно разделить на наращивание сети и метод редукции.
В алгоритме редукции в качестве исходной точки используется избыточная структура нейронной сети, которая в процессе обучения, либо по завершению обучения упрощается путем исключения наименьших весов. Противоположный подход заключается в первоначальном включении в сеть небольшого количества нейронов и по мере процесса обучения их количество увеличивается. Следует отметить, что в обоих подходах выбор оптимальной структуры сети неразрывно связан с обучением.
Для реализации системы распознавания эмоций будет использована информационная модель на основе многослойного персептрона.
Нейронные сети прямого распространения имеют входной сигнал, который передается от слоя к слою (от одних нейронов к другим). Именно такие сети и названы многослойным персептроном, который состоит из входного слоя, скрытых вычислительных слоев внутри системы и выходного слоя нейронов.
Многослойный персептрон - это однонаправленная сеть сигмоидального типа.
Сигмоидальная функция - монотонно возрастающая всюду дифференцируемая S-образная нелинейная функция с насыщением, которую очень удобно использовать в формальном нейроне в качестве функции активации. Сигмоид позволяет усиливать слабые сигналы и не насыщаться от сильных сигналов.
Предполагается, что вектор будет иметь два прохода по слоям сети -один прямой, а второй обратный. В первом случае вектор начинает движение с входного слоя, далее движется по сети от слоя к слою. При этом внутри самой сети генерируется набор выходных сигналов.
Во время обратного прохода синаптические веса настраиваются таким образом, что из желаемого выхода сети вычитается фактический, после чего поступает сигнал ошибки. Далее сигнал в направлении противоположном синаптическим связям распространяется по сети. Именно поэтому данный метод получил название обратного распространения ошибки.
Модель многослойной сети сигмоидального типа и метод ее обучения, несмотря на свою относительную простоту и удобство, имеет ряд сложностей, которые замедляют процесс обучения, или вовсе не позволяют сети обучиться. Например, значения весов в результате коррекции могут стать очень большими величинами.
Еще одной сложностью является временная неустойчивость. Сеть может распознавать буквы, но если, выучив одну, она забывает другую, то обучение не будет иметь смысла. Процесс обучения должен проводиться так, чтобы сеть была обучена на всем множестве, без потерь той информации, которая уже выучена.
Создание искусственной нейронной сети - сложный процесс, требующий тщательного изучения теории нейросетей, основных методов, собственного анализа, умения и навыков при обработке и выборе экспериментальных данных - все это является технологиями нейросетей
Нейронные сети создаются для решения конкретных задач, в которых заранее продуман алгоритм разработки.
Искусственные нейронные сети нашли свое место в решении плохо формализованных задач, где параметры имеют значительный разброс и плохо выраженную структурность. Важным преимуществом является быстродействие обучения, благодаря высокой степени параллельности выполняемых алгоритмов.
Обзор основных видов информационных моделей нейронных сетей позволил выделить универсальную модель, применимую для широкого круга задач - это однонаправленная сеть на основе многослойного персептрона.
Использованные источники: 1. Алейникова Н.А.,Свиридов А.С., Матвеев М.Г. Модели и методы искусственного интеллекта. Применение в экономике. Моска «Финансы и статистика». Издательский дом «Инфра-М» 2014г.
2. Головко В.А. Нейронные сети: обучения, организация и применение / М.: ИПРЖР. 2000г.
3. Заенцев И.В. Нейронные сети: основные модели/Учебное пособие физ. ф-та. Воронеж. 1999.
4. Статья «Правда и ложь о детекции лжи»//журнал «Мир и безопасность»,6, 2008г.
УДК 341.9
Горнов А.И. студент 2 курса Институт права и национальной безопасности
Воробьева С.В. научный руководитель Тамбовский государственный университет им. Г.Р. Державина
Россия, г. Тамбов МЕЖДУНАРОДНОЕ ГУМАНИТАРНОЕ ПРАВО И МИРОТВОРЧЕСКИЕ СИЛЫ ООН
Аннотация: В статье рассматривается проблема вмешательства миротворческих сил ООН в вооруженные конфликты, причины и основания для такого вмешательства, а также поднимается вопрос о защите персонала, принимающего участие в миротворческих операциях ООН.
Ключевые слова: международное гуманитарное право, миротворческие силы ООН, миротворческие операции, вооруженные конфликты.
INTERNATIONAL HUMANITARIAN LAW AND THE UN PEACEKEEPING FORCE.
Abstract: The article discusses the problem of the intervention of UN peacekeeping forces in conflict-the reasons and basis for such intervention, and also raised the issue of the protection of personnel participating in UN peacekeeping operations.
Keywords: international humanitarian law, UN peacekeeping forces, peacekeeping operations and armed conflicts.
Важной составляющей частью поддержания мира и безопасности на международной арене является миротворческая деятельность ООН. Совет Безопасности периодически рассматривает вопросы о возможности той или иной миротворческой миссии. К миротворческим силам ООН относят вооружённые контингенты стран, входящих в состав ООН, выделенные согласно Уставу ООН в целях предотвращения или ликвидации угрозы мировой безопасности путём совместных действий принудительного характера (военная демонстрация, военная блокада и т.д.), если меры
