CC BY
639
УДК 519.95
МОДЕЛИРОВАНИЕ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ КАК МЕТОД ИССЛЕДОВАНИЯ В ПСИХОЛОГИЧЕСКОЙ НАУКЕ
© Н.А. Зенкова
Ключевые слова: математическое моделирование; моделирование в психологии; искусственные нейронные сети; ИНС-модель; экспертная система.
Данная статья посвящена научно-популярному изложению развиваемого автором [1-10] подхода к математическому и компьютерному моделированию психологических объектов, идентификации их внутренней структуры и свойств с помощью ИНС-моделей, а также использованию указанных принципов для разработки современных систем искусственного интеллекта - экспертных систем с интеллектуальным ядром на базе ИНС-моделей.
ВВЕДЕНИЕ
В настоящее время психологическая наука испытывает определенный подъем, связанный с широким внедрением новых информационных технологий и использованием их для решения задач практической психологии. Психология, по своей сути, является не столько гуманитарной наукой, сколько естественной, изучающей структуру психики человека через различные познавательные процессы (такие как память, мышление, восприятие, речь), психические свойства и состояния личности (склонности и способности, мотивы, цели, интересы и др.), а также их зависимости между собой и зависимость от них человеческого поведения.
В связи с этим, переход к методам математического моделирования для изучения психологических объектов является желательным и востребованным. Эти методы позволяют получать воспроизводимые результаты, обнаруживать закономерности. Корректно и адекватно построенные модели одновременно решают вопросы о представительности выборок и достоверности данных.
Одна из проблем психологии заключается в том, что для большинства психологических объектов невозможно построить модели, имеющие физический смысл (как это имеет место в естественных науках), поэтому психологи традиционно используют эмпирические подходы к построению математических моделей, такие как факторный анализ, метод наименьших квадратов, планированный эксперимент и др., применение которых является в значительной степени ограниченным.
Вместе с тем, в настоящее время разработано большое количество новых методологических приемов и технологий, хорошо приспособленных для моделирования социальных объектов: искусственные нейронные сети, мультиагентный подход и др. [11]. По нашему мнению, большой интерес в психологической науке представляет использование аппарата искусственных нейронных сетей (ИНС).
Аппарат искусственных нейронных сетей - это математический аппарат, являющийся в определенном смысле компьютерной моделью нейронных сетей био-
логических объектов и человека, обладающий способностями к обучению на основе эмпирических данных, работы в случае недостатка информации или при ее значительной зашумленности. Данный аппарат обладает удивительной «гибкостью», обеспечивающей «приспособление» ИНС-моделей1 к различным эмпирическим данным за счет изменения их структуры и настроечных параметров.
Указанные достоинства ИНС заключаются, по всей видимости, в использовании при их создании бионических принципов, т. е. принципов, используемых Природой в большинстве биологических объектов.
1. Основные задачи психологии, которые можно решить с помощью математических моделей. Основными задачами психологической науки, которые могут быть решены методами математического моделирования, являются:
- определение многопараметрических зависимостей, связывающих значительное число психологических показателей индивида, воздействующих на него факторов окружающей среды, влияний со стороны социума и т.д.; изучение частных зависимостей, оценка их значимости для психологической практики;
- идентификация структуры и содержания свойств личности;
- оценка степени предрасположенности индивида к различным формам социальной активности, учитывающая его внутренние (зачастую скрытые) особенности; разработка систем психологического тестирования.
2. Мозг человека - прототип аппарата искусственных нейронных сетей. На сегодняшний день современные компьютеры значительно превосходят человека по способности выполнять числовые операции. Однако человек достаточно просто и быстро может решать такие сложные задачи восприятия внешних данных, как, например, узнавание в толпе, понимание речи различных людей. Опытный врач может быстро
1 ИНС-модель - математическая модель, построенная с использованием аппарата искусственных нейронных сетей.
поставить диагноз болезни по внешнему виду больного человека. Со всеми этими задачами даже современному суперкомпьютеру справиться очень сложно. В чем же причина таких значительных различий? Трудности возникают при моделировании объектов, представляющих собой функции многих переменных. Но ведь человек умеет моделировать предметную область, где имеются такие функции!
Способность к моделированию является естественной потребностью человека, поскольку он постоянно пользуется ей в повседневной жизни для решения различных задач. Способность к моделированию предметной области человек использует для прогнозирования различных событий, процессов и явлений. Инструментом моделирования у человека является биологическая нейронная сеть, архитектура которой совершенно не похожа на архитектуру компьютера, что существенно влияет на типы функций, которые более эффективно исполняются каждой из этих моделей. Эти системы имеют различную структуру, предназначены для решения различных типов задач, и результаты их работы оцениваются различными критериями.
Поэтому было бы естественно создать некую модель, аналогичную биологической нейронной сети на компьютере. Такое направление в науке, использующее аналогии с природными объектами, называют бионикой.
В настоящее время, с появлением искусственных нейронных сетей исследователи получили в распоряжение инструмент, способный к самообучению на основе поступающих данных, позволяющий осуществлять моделирование, прогнозирование и производить расчеты.
Основные идеи аппарата ИНС как инструмента заключаются в следующем:
- являясь моделью нейронных сетей человека, ИНС способны к обучению на основе поступающей информации; они также способны обучаться в условиях неполной, сильно зашумленной информации, что является очень важным свойством для распознавания образов в реальном мире;
- поскольку каждый элемент ИНС - искусственный нейрон, является относительно простым, использование их в качестве аппарата не ассоциируется у пользователя со сложными математическими методами, что бывает удобно во многих случаях, например, когда пользователь является специалистом в гуманитарной области;
- при изучении объекта, структура которого изначально неясна, возможно создавать структуры с большим количеством нейронов, связей и т. д.; несущественные элементы в дальнейшем могут быть легко удалены, если абсолютные значения весовых коэффициентов не превышают некоторого порогового уровня; указанное свойство позволяет осуществлять структурную идентификацию объекта, используя лишь входные и выходные значения;
- после обучения сети возможно наблюдать всю структуру связей и передаточные функции отдельных каналов, что при необходимости можно использовать для параметрической идентификации объекта.
В настоящее время ведется поиск приложения аппарата ИНС в самых различных дисциплинах, в т. ч. и в психологии.
Структура ИНС была спроектирована на основе результатов изучения принципов функционирования человеческого мозга. Несмотря на то, что на самом деле сходство между ними не очень значительное, даже довольно грубая аналогия дает очевидный эффект. Так, ИНС имеют способность обучаться на опыте, делать обобщения, допускать ошибки, т. е. совершать те же действия, которые присущи человеческому мозгу. В связи с этим важную часть в теории ИНС занимают вопросы изучения работы биологических нервных клеток и сетей. Необходимо иметь математическую модель, которая адекватно описывала бы информационные процессы в биологическом нейроне. Для этого нужно знать как он устроен и работает, а также какие свойства нейрона важны при моделировании, а какие -нет. Должны быть известны ответы на вопросы о том, как передается информация между нейронами через синапсы, как меняется проводимость синапса в зависимости от проходящих по нему сигналов, а также по каким законам нейроны связаны друг с другом. Необходимо понять - как биологические нейронные сети обучаются решать различные задачи, каким образом выбираются параметры сети, чтобы давать правильные выходные сигналы, и какой выходной сигнал считается «правильным».
Биологические нейронные сети в ходе своего функционирования не используют сложные математические вычисления, однако по своим возможностям часто превосходят математические и компьютерные модели. Мощь биологических нейронных сетей демонстрирует тот объем входных «изображений», которые они обрабатывают в режиме реального времени. Ведь мозг получает информацию из очень многих источников: от органов зрения и слуха, а также от миллионов рецепторов, расположенных по всему организму. Их сигналы мозг обрабатывает, выдавая на «выходе» импульс к какому-либо действию. Ни один компьютер на сегодняшний день не способен сравниться с человеческим мозгом по скорости обработки информации.
Так, в табл. 1 приведена сравнительная характеристика возможностей вычислительных устройств, созданных по классической схеме и на основе биологических нейронных сетей.
Наиболее важными свойствами биологических нейронных сетей являются.
1. Параллельность обработки информации.
2. Способность к классификации, обобщению, абстрагированию, ассоциативность (возможность восстановления сетью полного образа по его частям). Все известные человеку задачи решаются нейронными сетями, что говорит об их способности к обработке информации.
3. Способность к самоорганизации. В течение жизни биологические нейронные сети самостоятельно обучаются решению разнообразных задач под воздействием внешних воздействий. В нервной системе формируются необходимые алгоритмы деятельности, которые в дальнейшем уточняются и усложняются. Среди систем, созданных человеком, до сих пор нет способных к самоорганизации и самоусложнению.
4. Биологические нейронные сети являются аналоговыми системами. Информация поступает в сеть по большому количеству каналов и кодируется по пространственному принципу: вид информации определя-
ется номером нервного волокна, по которому она передается. Амплитуда входного воздействия кодируется плотностью нервных импульсов, передаваемых по волокну.
5. Биологические нейронные сети обладают высокой надежностью. Об этом свидетельствует тот факт, что выход из строя даже около 10 % нейронов не прерывает работы нервной системы. В то время как сбой одной ячейки памяти или одного узла в аппаратуре компьютера, основанного на принципах фон Неймана, приведут к выводу из строя всей системы.
Исследователи полагают, что для создания искусственного интеллекта необходимо создать систему, подобную мозгу человека. Элементом структуры мозга является нервная клетка - нейрон. Мозг состоит из очень большого числа (приблизительно около 1011) нейронов, соединенных между собой многочисленными связями. Нейроны способны распространять сигналы, имеющие электрохимическую природу. Они выполняют прием, преобразование и дальнейшую передачу информации другим нейронам. Каждый нейрон содержит ядро и множество ветвящихся отростков двух типов (рис. 1).
Таблица 1
Сравнение возможностей вычислительных устройств, построенных по схеме фон Неймана и на основе биологических нейронных сетей1
Современный компьютер Биологическая нейронная система
Процессор Сложный Простой
Высокоскоростной Низкоскоростной
Один или несколько Значительное число
Память Отделена от процессора Интегрирована в процессор
Локализована Распределенная
Адресация не по содержанию Адресация по содержанию
Вычисления Централизованные Распределенные
Последовательные Параллельные
Алгоритм задается пользователем и хранится в программе Самообучение
Надежность Высокая уязвимость Живучесть
Специализация Числовые и символьные операции Проблемы восприятия
Среда функционирования Строго определенная Плохо определенная
Строго ограниченная Без ограничений
1 Анил К. Джейн (Anil К. Jain) - Мичиганский государственный университет, США, Жианчанг Мао (Jianchang Мао), К.М. Моиуддин (К.М. Mohiuddin) - Исследовательский центр IBM в Альмадене США
Рис. 1. Микрофотографии биологических нейронов (с последующей компьютерной обработкой) (Fisher & Boycott, 1974)
Отростки первого типа - дендриты служат в качестве входных каналов для нервных импульсов от других нейронов, т. е. представляют собой разветвленную структуру ввода информации. От тела нейрона дендри-ты идут к другим нейронам, принимая сигналы в точках соединения, называемых синапсами. Отросток второго типа называется аксоном и представляет собой разветвляющийся выход. Длина аксонов обычно заметно превосходит размеры дендритов. Аксоны клетки соединяются с дендритами других клеток с помощью синапсов. В области синапса происходит обмен информацией о возбуждении между нейронами.
В механизме синаптической передачи импульсов участвуют специфические химические вещества - нейромедиаторы, которые вызывают изменения проницаемости локального участка мембраны клетки. Некоторые виды медиаторов обладают возбуждающим действием - стремятся вызвать возбуждение клетки и выработать выходной импульс, другие являются тормозящими и стремятся подавить такой импульс. В теле клетки происходит суммирование сигналов, полученных от дендритов. В том случае, если их результирующий сигнал выше определенного уровня (порога активации), нейрон активируется и вырабатывает импульс, проходящий по аксону к другим нейронам, которые тоже могут в свою очередь активироваться. Интенсивность сигнала, получаемого нейроном, сильно зависит от активности синапсов.
Несмотря на то, что мозг построен из большого числа таких достаточно простых элементов, он способен решать очень сложные задачи. Безусловно, устройство мозга на самом деле намного сложнее и его большая часть остается до сих пор неизученной.
Таким образом, если построить математическую и компьютерную модели биологической нейронной сети, то, возможно, она станет проявлять такие же свойства, очень важные для моделирования социальных объектов.
3. Формальный аппарат искусственных нейронных сетей. Аппарат искусственных нейронных сетей впервые появляется в кибернетике в середине прошлого века:
1943 - пионерская работа МакКаллока и Питтса «Логическое исчисление идей, относящихся к нервной деятельности» [12].
1956, 1957 - идеи Колмогорова о возможности представления функций нескольких переменных функциями одного переменного [13, 14].
1962 - исследование свойств персептрона Розенб-латтом и, в частности, идея о возможности его обучения [15].
1969 - Минский и Пейперт показали ограниченные возможности персептрона и тем самым надолго погасили энтузиазм исследователей [16].
1982 - энергетический подход Хопфилда [17].
Искусственный нейрон. Каждая ИНС состоит из однотипных элементов, имитирующих работу нейронов мозга. Искусственный нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он имеет несколько входов (дендриты) и один выход (аксон). Также он обладает
группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов. По аксону сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Схематическое изображение искусственного нейрона приведено на рис. 2.
Рис. 2. Искусственный нейрон
Каждому входу ставится в соответствие некоторый весовой коэффициент п, характеризующий величину синаптической связи и оценивающий степень влияния сигнала с этого входа на сигнал на выходе.
На входы такого искусственного нейрона поступает множество сигналов от выходов других нейронов. Уровень активации нейрона (его текущее состояние) определяется взвешенным суммированием входных сигналов, т. е. каждый входной сигнал хь х2, ..., хп умножается на соответствующий вес п1, п>2, п>п, аналогичный синаптической силе:
п
s=х х ■ ^.
г=1
Далее сигнал £ преобразуется активационной функцией / и дает сигнал у, являющийся выходом нейрона:
у = Ав).
Активационная функция может иметь различный вид. Наиболее часто для этой цели используются линейная, пороговая функции и сигмоид (рис. 3).
Для усиления эффективности нейронных вычислений искусственные нейроны соединяют между собой в сеть. Сети могут быть однослойные и многослойные (рис. 4-5). Имеются и другие архитектуры ИНС.
Для каждой конкретной задачи выбор структуры ИНС осуществляется в соответствии с ее особенностями и сложностью. В настоящее время для решения некоторых типов задач уже разработаны оптимальные конфигурации. Для решения задачи неизвестного типа исследователю приходится разрабатывать новую конфигурацию сети. При этом он может варьировать функцией нейрона, количеством слоев и связей сети, использовать различные алгоритмы обучения. Проблема поиска структуры нейронной сети зависит от конкретной задачи. Часто наиболее оптимальный вариант получается на основе интуитивного подбора.
У
1
0 8
Ь)
У 1
От 8
с)
Рис. 3. Наиболее часто используемые виды активационных функциий: а) - линейная функция; Ь) - сигмоид; с) - пороговая функция
Подобрав определенную структуру ИНС, отвечающей какой-либо задаче, разработчик сети должен найти оптимальные значения всех переменных весовых коэффициентов, так как функционирование ИНС, действия, которые она способна выполнять, зависят от величин синаптических связей.
Рис. 4. Однослойная искусственная нейронная сеть
X
\Л/1 \Л/2
Рис. 5. Двухслойная ИНС
Этот этап называется обучением ИНС. Способность сети решать поставленные перед ней проблемы зависит от того, насколько правильно и качественно он будет выполнен.
Обучение ИНС. Для того чтобы искусственная нейронная сеть (или ИНС-модель) могла адекватно воспроизводить свойства различных объектов, ее необходимо предварительно «обучить».
Существующие приемы обучения нейронных сетей могут быть в широком смысле классифицированы на «алгоритмы обучения с учителем» и «алгоритмы обучения без учителя». В первом случае сети предъявляются значения как входных, так и выходных сигналов, в соответствии с которыми она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. Для каждого входного вектора существует парный ему целевой вектор, задающий требуемый выход. Вместе они называются обучающей парой. Обычно сеть обучается на многих парах. Некоторое множество таких обучающих пар называется обучаю-
щей выборкой. Механизм обучения сети в этом случае выглядит следующим образом: предъявляется входной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, при этом разность (ошибка) с помощью обратной связи подается в сеть. Весовые коэффициенты изменяются в соответствии с некоторым алгоритмом, стремящимся минимизировать ошибку. При последовательном предъявлении векторов обучающей выборки вычисляются ошибки, и весовые коэффициенты подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемо низкого уровня.
В случае обучения без учителя выходы нейронной сети формируются самостоятельно, а весовые коэффициенты изменяются по алгоритму, учитывающему только входные и производные от них сигналы. Обучающая выборка состоит только из входных векторов. В данном случае алгоритм обучения подстраивает веса сети так, чтобы получались согласованные выходные векторы, то есть, чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. В процессе обучения выделяются статистические свойства обучающей выборки, сходные векторы группируются в классы. Получая на входе вектор из данного класса, сеть даст определенный вектор на выходе. Однако до обучения невозможно предугадать, каков будет результат функционирования сети на выходе для данного класса входных векторов. Полученные выходы подобной сети должны преобразоваться в некоторую понятную форму, обусловленную процессом обучения. Определить связь между входом и выходом, установленную нейронной сетью, обычно бывает не сложно. Считают, что обучение без учителя является более близкой моделью обучения в биологической системе, чем обучение с учителем.
У каждого из этих способов обучения есть свои достоинства и недостатки. Преимущество первого состоит в том, что на выходе мы будем получать то, на что и обучали сеть, т. к. при обучении без учителя сеть запоминает образы и дает им «свою» классификацию. С другой стороны, второй способ позволяет сети запоминать новые образы, а не только те, на которые она была обучена в начале.
4. Примеры использования ИНС в психологии
Пример 1. ИНС-модель психологического теста.
Для проверки возможности использования аппарата искусственных нейронных сетей в решении задач идентификации внутренней структуры психологических объектов нами была предпринята попытка моделирования теста по выявлению склонностей индивидов к различным сферам деятельности.
Психологический тест был выбран в качестве объекта моделирования по следующим причинам. Во-первых, тест представляет собой модель определенных свойств (качеств) некоторой абстрактной усредненной личности. Поэтому, если с помощью аппарата ИНС удастся построить адекватную модель такого объекта, то это фактически означает, что данный математический аппарат, в принципе, можно использовать для моделирования, прогнозирования, идентификации внутренней структуры и получения оценок свойств самой личности. Во-вторых, такой модельный объект,
Таблица 2
Обозначения качеств личности теста Л.А. Йовайши
Качества личности Обозначение
Склонность к работе с людьми Качество А
Склонность к умственным видам работ Качество Б
Склонность к работе на производстве Качество В
Склонность к эстетике и искусству Качество Г
Склонность к подвижным видам деятельности Качество Д
Склонность к планово-экономическим видам работ или степень материальной заинтересованности Качество Е
как тест в значительной степени более удобен в исследованиях, чем человек.
Одним из таких примеров моделирования является построение ИНС-модели компьютерного варианта теста Л.А. Йовайши по выявлению склонностей индивидов к различным сферам деятельности. В табл. 2 приведено краткое обозначение определяемых в тесте различных личностных качеств.
В качестве начального варианта структуры искусственной нейронной сети была выбрана конструкция, называемая перцептроном: тридцать входных нейронов (по числу вопросов теста), соединенных с нейроном с линейной функцией и один выходной нейрон.
Нейронная сеть была обучена по специальным алгоритмам. Схемы, представленные на рис. 6-7, названы нами первичной ИНС-моделью теста Л.А. Йовайши. На них показаны коэффициенты передачи нейронов, полученные при моделировании некоторых свойств (личностных качеств), краткое обозначение которых приведено в табл. 2.
Каждый из имеющихся вопросов является значимым для оценки какого-либо личностного качества, т. е. в отношении всего теста. Только по десять вопросов из тридцати являются значимыми для определения каждого качества личности в отдельности. Это хорошо видно по абсолютным величинам коэффициентов передачи каналов (рис. 6-7).
На рис. 8 представлены модели качеств А - Е -фрагменты ИНС модели с удаленными несущественными связями.
Интересно отметить следующий факт. Полное число комбинаций ответов по тесту Л.А. Йовайши есть: 430 = 1152921504606846976. Здесь 4 - число вариантов ответа на один вопрос; 30 - общее число вопросов. Поскольку обучающая выборка включала всего 109 строк, то аппарат ИНС позволил получить адекватную модель по 109/1152921504606846976 = 9,454 10-17 части генеральной совокупности данных. Такую способность ИНС к построению адекватной модели в условиях недостатка исходных данных можно считать просто потрясающей!
В отличие от самого теста Л.А. Йовайши, имеющего жесткую структуру связей, его ИНС-модель допускает дополнительное обучение на основе вновь поступивших данных, в том числе и в ходе тестирования респондентов, что позволяет адаптировать ее к реальной ситуации (временной нестационарности или свойствам личности).
Таким образом, эксперименты с построением ИНС-модели психологического теста показали принципиальную возможность использования аппарата искусственных нейронных сетей в решении задач идентификации внутренней структуры психологических объектов.
В этом примере мы показали, что: 1) аппарат ИНС может быть использован для моделирования в психологических системах; 2) поскольку тест представляет собой в некотором смысле модель личности, то, по
всей видимости, по аналогичной технологии возможно многое узнать и о системе связей самой личности; 3) с помощью аппарата ИНС можно получить внутреннюю структуру психологического теста, даже в том случае, если иметь только его исполняемый модуль; это может быть полезно при разработке новых тестов (использование готовых связей без проведения исследования, изучение устройства тестирующей программы в образовательных целях).
Рис. 6. Первичная ИНС модель качества А (склонность к работе с людьми)
Рис. 7. Первичная ИНС модель качества Б (склонность к умственным видам работ)
Рис. 8. Фрагменты ИНС модели с удаленными несущественными связями
Пример 2. Идентификация трудноформализуе-мого понятия «уровень готовности индивидов к обучению».
Уровень готовности индивида к познавательной деятельности нами понимается как комплексный показатель, характеризующий предрасположенность этого индивида к получению определенной профессиональной квалификации и включающий в себя такие компоненты, как уровень интеллекта, наличие определенных знаний и умений, мотивацию к обучению, творческие и иные способности, которые могут быть использованы им в рамках выбранной специальности. Структура УГИ - это наличие тех или иных компонентов, степень их важности при расчете УГИ, система возможных взаимосвязей между отдельными компонентами и самим показателем. Под содержанием УГИ мы понимаем наполненность каждого из компонентов конкретными сведениями об индивиде, которые могут быть объективно получены путем его изучения с помощью
различных экспериментальных методик, системы тестов, а также наблюдения за ним.
Существующие диагностические процедуры психологического исследования личности позволяют оценивать различные ее качества, такие как уровень интеллекта, знания и умения в рамках определенных предметов, профессиональную ориентацию, мотивацию к познавательной деятельности, свойства памяти и т. д., однако они не позволяют ответить на вопрос о том, какому из этих важных компонентов отдать предпочтение или как использовать их комплексно.
Разрабатываемые системы для психологического тестирования должны обладать следующими возможностями: не использовать трудоемкую традиционную процедуру по выявлению корреляции и значимости факторов; использовать результаты тестирования каждого следующего респондента для совершенствования своей структуры и учета данного контингента обучаемых; адаптироваться к определению УГИ различных
групп и изменившимся условиям в процессе эксплуатации.
Разработанная нами технология построения адаптивных систем психологического тестирования на базе ИНС позволяет учитывать указанные недостатки, а также с ее помощью возможно выявить структуру и содержание рассматриваемого показателя. Технология включает в себя ряд этапов, представленных на рис. 9-11.
1 этап. Построение первичной модели профессиональных качеств индивида на основе аппарата искусственных нейронных сетей и какой-либо известной системы психологического тестирования. После реализации первого этапа мы имеем ядро модели, не адаптированное к заданной предметной области. Для определения УГИ к познавательной деятельности ядро должно быть дополнено возможностью оценки некоторых дополнительных качеств индивида.
Рис. 9. Технология определения структуры и содержания уровня готовности индивидов к познавательной деятельности (формирование первичной модели)
Рис. 10. Технология определения структуры и содержания уровня готовности индивидов к познавательной деятельности (коррекция модели)
Рис. 11. Технология определения структуры и содержания уровня готовности индивидов к познавательной деятельности (определение структуры и содержания УГИ)
2 этап. Коррекция первичной модели за счет введения дополнительных заданий и модификации структуры ИНС. После реализации второго этапа мы имеем ИНС-модель профессиональных качеств индивида. Эту модель можно использовать для определения УГИ к познавательной деятельности в определенной сфере на том основании, что, во-первых, она включает в себя известные данные о профессиональной пригодности индивида (ядро модели), дополнения, позволяющие оперировать в заданной профессиональной области и с учетом заданного контингента обучаемых, а во-вторых, вся модель обучена на выборке из опытных данных (матрице ответов респондентов).
3 этап. Анализ модели и определение структуры и содержания трудноформализуемого понятия (например, УГИ) на основе модифицированной модели (рис. 11).
В качестве примера реализации данной технологии получены структура и содержание УГИ к познавательной деятельности для студентов первого курса, приведенные на рис. 12-13.
Таким образом, данная технология может быть использована для построения адаптивных систем психологического тестирования на базе ИНС, а также для идентификации внутренней структуры и содержания понятий, используемых в психологических и социологических исследованиях.
1
Рис. 12. Структура готовности студентов первого курса к познавательной деятельности в процентах к целому. Цифрами обозначены: 1 - уровень мотивации к обучению; 2 - склонность к умственным видам деятельности; 3 - умение моделировать и принимать решения в данной предметной области; 4 - исходный уровень образования; 5 - способность к запоминанию; 6 - логическое мышление. Неравенство суммы компонентов структуры 100 % объясняется их взаимным пересечением
(0,47)
Исходный - знания и умения, получен-
ные в школе и в самосто-
уровень ятельных занятиях;
образования: к (0,53) - способность применить их в решении задач.
(0,78)
- логически связанного
Способность материала;
к запоминанию: (0,22)
- логически несвязанного
материала.
Способность к ситуационному моделированию предметной области:
- предвидеть развитие событий; (0,42)
-принимать быстрые и^ правильные решения;''1'-'
- находить правильные (0,26) технологические решения.
Логическое
мышление:
- способность к оперированию понятиями;(0,24) способность к формированию
рич/паимы1 /П £/1\ ти, ^и,'_гг^
■ способность к формированию умозаключений. (0,12)
Уровень - получить престижную
мотивации профессию; (0,73)
связанный - добиться высоких личных
с желанием: результатов;(0,27)
Склонность -уровень развития мыслительных операций (анализ,
к умственным синтез,сравнение и др.);(0,36)
видам -способность принятия
деятельности: решении в нестандартных
ситуациях. (0,64)
Рис. 13. Содержание готовности студентов первого курса к познавательной деятельности. Цифры в скобках показывают относительный вес различных качеств первокурсников
5. Перспективы развития подхода в системах искусственного интеллекта. В различных сферах человеческой деятельности существуют объекты, решение задач управления которыми связано с анализом многофакторных зависимостей с трудом поддающихся формализации ввиду недостаточности информации и ее значительной зашумленности. В некоторых случаях специалист в данной предметной области (эксперт) может решать такие задачи, пользуясь значительным опытом, интуицией, прогностической способностью в данной сфере. Однако такие решения являются в значительной степени субъективными. Например, при смене эксперта реализуются уже другие управленческие решения, которые, однако, могут быть не хуже предыдущих.
Таким образом, эксперт заключает в себе некоторую «модель» данной предметной области, реальная формализация которой часто бывает невозможна или сильно затруднена. Отчасти данная проблема, связанная с накоплением знаний об объекте, их обобщением и интерпретацией, может быть решена на основе разработки компьютерных экспертных систем (ЭС). Экспертные системы - специальные программы для ЭВМ, основанные на алгоритмах искусственного интеллекта и предполагающие использование соответствующей информации, полученной ранее от экспертов в заданной предметной области.
Перспективным направлением в данной области является разработка ЭС с интеллектуальным ядром на основе ИНС-моделей.
В данном примере рассмотрена технология, позволяющая разрабатывать ЭС с использованием в качестве интеллектуального ядра ИНС-моделей, т. е. моделей, построенных на основе искусственных нейронных сетей (ИНС). Сделанный выбор обусловлен способностью ИНС к обучению и генерализации (обобщению) накопленных знаний.
Данная технология предполагает построение экспертных систем, определяющих решение задач, возни-
кающих в различных предметных областях, на основе накопленной базы знаний о рассматриваемой задаче. Формирование базы знаний происходит при совместной работе пользователей и эксперта в исследуемой предметной области задачи. При последовательном вводе информации пользователями происходит ее оценка экспертом, при этом определяются соответствующие выходные состояния задачи. Таким образом, происходит накопление базы знаний о рассматриваемой задаче до необходимого объема. Затем происходит построение интеллектуальной модели задачи. Моделирование осуществляется с помощью построения и обучения искусственной нейронной сети на основе накопленных данных. По мере поступления новой информации в базу знаний, полученная интеллектуальная модель задачи совершенствуется. При накоплении некоторого критического объема базы знаний модель способна самостоятельно определять решение задачи. Таким образом, роль эксперта уменьшается по мере формирования интеллектуального ядра системы. В результате функционирования предложенной технологии происходит построение экспертных систем, позволяющих решать конкретную задачу в заданной предметной области.
Предлагаемая технология реализуется путем разработки целостной интерактивной системы, состоящей из взаимосвязанных компонентов, позволяющих осуществлять построение нейросетевых экспертных систем. Для каждого компонента системы определен круг решаемых им задач. Система включает три основных компонента: информационная часть, компонент импортирования данных (интегратор), модуль работы с ИНС.
Все компоненты являются взаимосвязанными частями единой целостной системы, функционирующей поэтапно, согласно схеме, представленной на рис. 14. Каждому этапу соответствует реализация определенных задач.
Эксперт
.1
Пользователь
3.2
1.1
1.2
Информационная
часть
2.2
2.1
База
данных
MySQL
Интегратор
данных
Модуль
работы
с ИНС
Интеллектуальная модель (ИНС)
Рис. 14. Общая схема функционирования компонентов системы
Первый этап - накопление информации. На первом этапе происходит формирование и накопление базы знаний объекта. Назначения связей, представленных на рис. 14, на первом этапе функционирования:
1.1 - ввод пользователем параметрических характеристик объекта;
1.2 - вывод информации пользователю;
2.1 - запрос к базе данных (сохранение данных или запрос на данные);
2.2 - результаты запроса;
3.1 - запрос экспертом информации об объекте или ввод результатов анализа объекта;
3.2 - вывод информации эксперту.
Второй этап - построение модели. При получении определенного объема базы знаний объекта данные из базы импортируются в модуль работы с ИНС. На данном этапе происходит построение интеллектуальной модели объекта. Назначения связей, представленных на рис. 14, на втором этапе функционирования:
4.1 - осуществляется запрос на данные, хранящиеся в базе;
4.2 - в результате запроса данные поступают в интегратор;
5 - подготовленная обучающая выборка поступает в модуль работы с ИНС;
6 - результатом работы модуля является интеллектуальная модель объекта. Также на данном этапе происходит совершенствование модели объекта на основе вновь поступающих данных.
Третий этап - классификация. На данном этапе построенная интеллектуальная модель способна самостоятельно классифицировать поступающую в базу данных информацию. Назначения связей, представленных на рис. 14, на третьем этапе функционирования:
1.1 - ввод параметрических данных объекта;
2.1 - сохранение вновь поступившей информации в базе данных;
4.1 - запрос на вновь поступившую информацию;
4.2 - результаты запроса передаются в интегратор на обработку;
5 - обработанная информация передается в модуль работы с ИНС;
6 - подача данных на вход ИНС;
7 - рассчитанный моделью результат поступает в интегратор;
4.1 - сохранение результатов рассчитанных моделью в базе данных;
2.2 - передача из базы данных результатов;
1.2 - представление результатов, рассчитанных моделью пользователю.
В качестве примера реализации данной технологии при построении экспертной системы с интеллектуальным ядром на основе ИНС был выбран медицинский объект (начальная диагностика здоровья пациентов на основе результатов общего анализа крови).
Общеклиническое исследование крови является одним из важнейших диагностических методов, которое тонко отражает реакцию кроветворных органов на воздействие на организм различных физиологических и патологических факторов. Во многих случаях оно играет большую роль в постановке диагноза.
В понятие «общеклиническое исследование крови» входят определение концентрации гемоглобина, подсчет количества эритроцитов, цветового показателя, лейкоцитов, скорости оседания эритроцитов и лейкоцитарной формулы.
Выборка для обучения ИНС представляла собой результаты общего анализа крови четырехсот пациентов. Входами обучающей выборки явились десять показателей общего анализа крови, включающие: НЬ - гемоглобин (г/л) - Х1; скорость оседания эритроцитов (мм/ч) - Х2; лейкоциты (109/л) - Х3; эритроциты (1012/л) - Х4; цветовой показатель - Х5; лейкоцитарная формула (базофилы - Х6, нейтрофилы палочкоядерные - Х7, нейтрофилы сегментоядерные - Х8, лимфоциты - Х9, моноциты - Х10).
В качестве выходов ИНС были приняты различные состояния здоровья пациента, данные экспертом и соответствующие результатам анализа крови - У: 1 -здоров; 2 - необходимо амбулаторное лечение; 3 -необходимо стационарное лечение; 4 - экстренная госпитализация.
В результате обучения ИНС была подобрана структура искусственной нейронной сети, которая схематически представлена на рис. 15.
Данная сеть состоит из одного входного, одного выходного и одного скрытого слоя нейронов. Входной слой состоит из 10 нейронов, выходной - из 1 нейрона. Скрытый слой содержит 9 нейронов с линейной активационной функцией.
При оценке эффективности работы разработанной медицинской экспертной системы было выявлено, что ЭС дает правильные рекомендации в 69 % случаев, близкие рекомендации - в 29 %, неверные рекомендации - в 2 % случаев.
Рис. 15. Схематическое изображение структуры искусственной нейронной сети, подобранной в результате работы программы
Таким образом, с помощью предложенной автоматизированной технологии построения экспертных систем была разработана экспертная система на основе искусственных нейронных сетей для медицинского объекта (диагностика здоровья пациентов на основе результатов общего анализа крови). Достоинствами такой системы является способность к обучению на основе вновь поступивших данных. Навыки данной экспертной системы возрастают после каждого сеанса экспертизы.
Разработанная экспертная система может найти своё применение в различных медицинских учреждениях, где ведется общеклиническое исследование крови. Она может быть полезна лаборантам и стажерам, а также врачам для более эффективной организации своей работы. Кроме того, данная система может применяться в домашних условиях при наличии у человека результатов его общего анализа крови.
Данный пример показывает возможность использования искусственных нейронных сетей для разработки автоматизированной технологии построения экспертных систем.
ЗАКЛЮЧЕНИЕ
Описанный здесь подход к математическому и компьютерному моделированию психологических объектов прошел апробацию и показал пригодность к использованию. Его применение оправдано и перспективно в следующих областях психологической науки:
- разработка адаптивных систем психологического тестирования;
- идентификация внутренней структуры связей и свойств личности, а также идентификация труднофор-мализуемых понятий;
- разработка современных экспертных систем с интеллектуальным ядром.
ЛИТЕРАТУРА
1. Зенкова Н.А. // Дис. ... канд. псих. наук. Тамбов, 2003. 244 с.
2. Арзамасцев А.А., Зенкова Н.А. Моделирование в психологии на основе аппарата искусственных нейронных сетей. Тамбов: ИМФИ ТГУ им. Г.Р. Державина, 2003. 106 с.
3. Арзамасцев А.А., Зенкова Н.А. Система психологического тестирования на основе аппарата искусственных нейронных сетей // Искусственный интеллект. 2004. № 2. С. 237-242.
4. Арзамасцев А.А., Зенкова Н.А. Способность индивидов к аппрок-симационно-прогностической деятельности как средство оценки профессиональной пригодности специалистов // Вестн. ТГУ. Сер. Естеств. и техн. науки. 2001. Т. 6. Вып. 2. С. 254-261.
5. Зенкова Н.А. Компьютерное моделирование в психологии: учеб. пособие. Тамбов: ИМФИ ТГУ им. Г. Р. Державина, 2007. 55 с.
6. Арзамасцев А.А., Зенкова Н.А. Изучение основ искусственного интеллекта студентами психологических специальностей // Информатика и образование. 2004. № 7. С. 83-86.
7. Арзамасцев А.А., Зенкова Н.А. Моделирование психологического теста с помощью аппарата искусственных нейронных сетей // Вестн. ТГУ. Сер. Естеств. и техн. науки. Тамбов. 2005. Т. 10. Вып. 2. С. 176-183.
8. Арзамасцев А.А., Зенкова Н.А., Неудахин А.В. Автоматизированная технология построения экспертных систем с интеллектуальным ядром на основе ИНС-моделей // Открытое образование. 2008. № 3 (68). С. 35-39.
9. Неудахин А.В., Арзамасцев А.А., Зенкова Н.А. Построение нейросе-тевых экспертных систем с помощью автоматизированной технологии // Вопр. современной науки и практики. Университет им. В.И. Вернадского. 2009. № 4 (18). С. 179-183.
10. Арзамасцев А.А., Зенкова Н.А., Неудахин А.В. Технология построения медицинской экспертной системы на основе аппарата искусственных нейронных сетей // Информационные технологии. 2009. № 8. С. 60-63.
11. Gilbert N., Troitzsch K. Simulation for the Social Scientist. 2005. 295 р.
12. McCulloch W.S. & Pitts W. A logical calculus of ideas immanent in nervous activity // Bull. Mathematical Biophysics. 1943. V. 5. Р. 115133.
13. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных //Докл. АН СССР. 1956. Т. 108. № 2. С. 179-182.
14. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного // Докл. АН СССР. 1957. Т. 114. № 5. С. 953956.
15. RosenblattR. Principles of neurodynamics. N. Y.: Spartan Books, 1962.
16. Minsky M. & Papert S. Perceptrons: an introduction to computational geometry. Cambridge: MIT Press, Mass., 1969.
17. Hopfield JJ. Neural networks and physical systems with emergent collective computational abilities // Proc. National Academy of Sciences USA. 1982. V. 79. Р. 2554-2558.
Поступила в редакцию 12 сентября 2009 г.
Zenkova N.A. Modeling on a basis of the artificial neural networks as a method of research in a psychological science. The given article is devoted to the popular scientific statement of the approach developed by the author [1-10] to mathematical and computer modeling of psychological objects, identification of its internal structure and properties by means of ANN-models, and also to the usage of the specified principles for working out of modern systems of an artificial intellect - expert systems with an intellectual core on the basis of ANN-models.
Key words: mathematical modeling; modeling in psychology; artificial neural networks; ANN-model; expert system.
