48886

ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ПРИ ПРОГНОЗИРОВАНИИ ИСХОДА ВЫБОРОВ В ПРЕЗИДЕНТЫ

Курсовая

Информатика, кибернетика и программирование

Нейронные сети возникли из исследований в области искусственного интеллекта а именно из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки моделируя низкоуровневую структуру мозга. С практической точки зрения методика принятия решения обученной нейросети проста на входе задаются некоторые числовые данные и нейросеть ищет похожие в исторических данных на которых она обучалась. Другая существенная особенность нейронных сетей состоит в том что зависимость между входом и выходом находится в процессе...

Русский

2013-12-17

1.6 MB

3 чел.

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

«ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

Факультет информатики и экономики

Кафедра информатики

КУРСОВАЯ РАБОТА

по искусственному интеллекту:

«ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ПРИ ПРОГНОЗИРОВАНИИ ИСХОДА ВЫБОРОВ В ПРЕЗИДЕНТЫ».

                                                   

ИСПОЛНИТЕЛЬ: студент  гр. 1233

Латыпов Д.Ф.

НАУЧНЫЙ РУКОВОДИТЕЛЬ:

Ясницкий Л.Н.

Пермь 2007


Содержание.

ВВЕДЕНИЕ.

ГЛАВА 1. Теоретические основы.

ГЛАВА 2. Использование нейронных сетей при прогнозировании исхода выборов в

                  президенты.

ЗАКЛЮЧЕНИЕ.

БИБЛИОГРАФИЯ

Введение.

Искусственный интеллект- это обширная область исследований и разработок интеллектуальных систем, предназначенных для работы в трудно формализуемых областях деятельности человека. Для задач, решаемых методами искусственного интеллекта, характерно наличие большого числа степеней свободы с числом вариантов поиска решений, приближающимся к бесконечности. В отличие от компьютерных программ системы искусственного интеллекта сами ищут пути решения поставленной задачи. При этом они могут менять свои параметры и структуру, совершенствоваться и развиваться, жить самостоятельной, не зависящей от воли разработчика жизнью. Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга. Идея нейросетей заключается в моделировании (повторении) поведения различных процессов на основе исторической информации. Сама нейросеть представляет собой набор специальных математических функций с множеством параметров, которые настраиваются в процессе обучения на прошлых данных. В основе нейронных сетей лежит поведенческий подход к решению задачи, сеть учится на примерах, подстраивая свои параметры при помощи специальных обучающих алгоритмов. С практической точки зрения методика принятия решения обученной нейросети проста, на входе задаются некоторые числовые данные, и нейросеть ищет похожие в исторических данных, на которых она обучалась. Как правило, нейронная сеть используется тогда, когда неизвестен точный вид связей между входами и выходами, если бы он был известен, то связь можно было бы моделировать непосредственно. Другая существенная особенность нейронных сетей состоит в том, что зависимость между входом и выходом находится в процессе обучения сети.
Суть всех подходов нейроинформатики: разработка методов создания (синтеза) нейронных схем, решающих те или иные задачи. Нейрон при этом выглядит как устройство очень простое: нечто вроде усилителя с большим числом входов и одним выходом. Различие между подходами и методами - в деталях представлений о работе нейрона, и, конечно, в представлениях о работе связей. Собственно, как уже отмечалось выше, устройства нейроинформатики представляют собой связевые системы. В отличие от цифровых микропроцессорных систем, представляющих собой сложные комбинации процессорных и запоминающих блоков, нейропроцессоры содержат память, распределенную в связях между очень простыми процессорами. Тем самым основная нагрузка на выполнение конкретных функций процессорами ложится на архитектуру системы, детали которой в свою очередь определяются межнейронными связями.

  1.  Теоретические основы нейроинформатики.

В самом  зарождении  компьютеров  были намечены два принципиально разных подхода к обработке информации: последовательная обработка символов и параллельное распознавание образов. И символы, и образы — это «слова», которые обрабатывают компьютеры, а основное различие между ними заключается лишь в размерности. При этом, размер образа может быть на много порядков больше размера символа. Казалось бы, разница не очень значительна и приводит лишь к несколько большему времени обработки длинных слов, но на самом деле различия в размерах данных имеют принципиальное значение, так как сложность работы с образами возрастает нелинейно при увеличении их разрядности.

Если для относительно коротких символов можно описать все возможные над ними операции и создать процессор, который предсказуемым образом обрабатывает все входящие символы, исполняющие роль команд или данных, то реализовать то же самое для образов невозможно, поскольку подобное описание будет расти экспоненциально. А значит, любой процессор, предназначенный для обработки образов, содержит лишь часть возможных входных образцов и соответствующих им действий и должен «додумывать» свое поведение и обобщать известные ему примеры, чтобы его реакция была аналогичной и приемлемой с точки зрения решения задачи, для которой он предназначен. Таким образом, различие между последовательными и параллельными вычислениями заключается в принципиально разных методах постановки и решения задач, связанных с обработкой информации.

На принципе последовательных вычислений на ограниченных по длине символах основаны компьютеры, реализованные по традиционной архитектуре фон Неймана с алгоритмическими программами, а параллельные вычисления и распознавание образов лежат в основе нейрокомпьютеров, организованных по принципам, схожим с устройством и работой мозга. Современные электронно-вычислительные машины значительно превосходят людей по способности производить численные расчеты, однако человек может с легкостью и буквально за секунду узнать человека, лицо которого, промелькнуло в толпе, и с которым он не виделся много лет.

Основная задача нейрокомпьютеров — обработка образов. При этом у них, как и в мозгу, отсутствуют общие шины, нет разделения на активный процессор и пассивную память, а вычисления и обучение распределены по всем элементарным процессорам — нейронам, которые функционируют параллельно. За счет этого нейрокомпьютеры позволяют добиться фантастической производительности, которая может в миллионы раз превышать производительность традиционных компьютеров с последовательной архитектурой.

Преимущества нейросетевого подхода заключаются в следующем:

• параллелизм обработки информации;

• единый и эффективный принцип обучения;

• надежность функционирования;

• способность решать неформализованные задачи.

Биологическая эволюция, которая привела к столь эффективным решениям, шла по пути от образов к логике. Так и человек после рождения сначала учится распознавать образы, а только потом приобретает умение рассуждать логически и строить алгоритмы. Компьютеры же, напротив, начав с логики, лишь спустя несколько десятилетий, осваивают распознавание образов, за счет создания специальных программ для компьютеров традиционной архитектуры или благодаря созданию специализированных аппаратных нейропроцессоров.

Искусственные нейронные сети, подобно биологическим, являются вычислительной системой с огромным числом параллельно функционирующих простых процессоров с множеством связей. Несмотря на то, что при построении таких сетей обычно делается ряд допущений и значительных упрощений, отличающих их от биологических аналогов, искусственные нейронные сети демонстрируют удивительное число свойств, присущих мозгу, — это обучение на основе опыта, обобщение, извлечение существенных данных из избыточной информации.

Нейронные сети могут менять свое поведение в зависимости от состояния окружающей их среды. После анализа входных сигналов (возможно, вместе с требуемыми выходными сигналами) они самонастраиваются и обучаются, чтобы обеспечить правильную реакцию. Обученная сеть может быть устойчивой к некоторым отклонениям входных данных, что позволяет ей правильно «видеть» образ, содержащий различные помехи и искажения.

В 50-х годах прошлого века группа исследователей объединила биологические и физиологические подходы и создала первые искусственные нейронные сети. Тогда казалось, что ключ к искусственному интеллекту найден. Но, хотя эти сети эффективно решали некоторые задачи из области искусственного зрения — предсказания погоды и анализа данных, иллюзии вскоре рассеялись. Сети были не в состоянии решать другие задачи, внешне похожие на те, с которыми они успешно справлялись. С этого времени начался период интенсивного анализа. Были построены теории, доказан ряд теорем. Но уже тогда стало понятно, что без привлечения серьезной математики рассчитывать на значительные успехи не следует.

С 70-х годов в научных журналах стали появляться публикации, касающиеся искусственных нейронных сетей. Постепенно был сформирован хороший теоретический фундамент, на основе которого сегодня создается большинство сетей. В последние два десятилетия разработанная теория стала активно применяться для решения прикладных задач. Появились и фирмы, занимающиеся разработкой прикладного программного обеспечения для конструирования искусственных нейронных сетей. К тому же 90-е годы ознаменовались приходом искусственных нейронных сетей в бизнес, где они показали свою реальную эффективность при решении многих задач — от предсказания спроса на продукцию до анализа платежеспособности клиентов банка.

Сегодня существует большое число различных конфигураций нейронных сетей с различными принципами функционирования, которые ориентированы на решение самых разных задач. В качестве примера рассмотрим многослойную полносвязанную нейронную сеть прямого распространения (рис. 1), которая широко используется для поиска закономерностей и классификации образов. Полносвязанной нейронной сетью называется многослойная структура, в которой каждый нейрон произвольного слоя связан со всеми нейронами предыдущего слоя, а в случае первого слоя — со всеми входами нейронной сети. Прямое распространение сигнала означает, что такая нейронная сеть не содержит петель. 

Пример многослойной полносвязанной нейронной сети прямого распространения сигнала (рис. 1)

Способность к обучению является основным свойством мозга. Для искусственных нейронных сетей под обучением понимается процесс настройки архитектуры сети (структуры связей между нейронами) и весов синаптических связей (влияющих на сигналы коэффициентов) для эффективного решения поставленной задачи. Обычно обучение нейронной сети осуществляется на некоторой выборке. По мере процесса обучения, который происходит по некоторому алгоритму, сеть должна все лучше и лучше (правильнее) реагировать на входные сигналы.

Выделяют три парадигмы обучения: с учителем, самообучение и смешанная. В первом способе известны правильные ответы к каждому входному примеру, а веса подстраиваются так, чтобы минимизировать ошибку. Обучение без учителя позволяет распределить образцы по категориям за счет раскрытия внутренней структуры и природы данных. При смешанном обучении комбинируются два вышеизложенных подхода.

Существует большое число алгоритмов обучения, ориентированных на решение разных задач. Среди них выделяет алгоритм обратного распространения ошибки, который является одним из наиболее успешных современных алгоритмов. Его основная идея заключается в том, что изменение весов синапсов происходит с учетом локального градиента функции ошибки. Разница между реальными и правильными ответами нейронной сети, определяемыми на выходном слое, распространяется в обратном направлении (рис. 2) — навстречу потоку сигналов. В итоге каждый нейрон способен определить вклад каждого своего веса в суммарную ошибку сети. Простейшее правило обучения соответствует методу наискорейшего спуска, то есть изменения синаптических весов пропорционально их вкладу в общую ошибку.

 

Метод обратного распространения ошибки для многослойной полносвязанной нейронной сети (рис. 2)

Конечно, при таком обучении нейронной сети нет уверенности, что она обучилась наилучшим образом, поскольку всегда существует возможность попадания алгоритма в локальный минимум (рис. 3). Для этого используются специальные приемы, позволяющие «выбить» найденное решение из локального экстремума. Если после нескольких таких действий нейронная сеть сходится к тому же решению, то можно сделать вывод о том, что найденное решение, скорее всего, оптимально.

Метод градиентного спуска при минимизации ошибки сети (рис. 3)

Уже сегодня искусственные нейронные сети используются во многих областях, но прежде чем их можно будет применять там, где на карту поставлены человеческие жизни или значительные материальные ресурсы, должны быть решены важные вопросы, касающиеся надежности их работы. Поэтому уровень допустимых ошибок следует определять исходя из природы самой задачи. Некоторые проблемы с анализом вопросов надежности возникают из-за допущения полной безошибочности компьютеров, тогда как искусственные нейронные сети могут быть неточны даже при их правильном функционировании. На самом же деле компьютеры, как и люди, тоже могут ошибаться. Первые — в силу различных технических проблем или ошибок в программах, вторые — из-за невнимательности, усталости или непрофессионализма. Следовательно, для особо критических задач необходимо, чтобы эти системы дублировали и страховали друг друга. А это значит, при решении таких задач нейронные сети должны выступать не в качестве единственных средств, а в качестве дополнительных, предупреждающих особые ситуации или берущих на себя управление, когда проблема не решается стандартным образом и какие-либо задержки могут привести к катастрофе.

Другая трудность использования нейронных сетей состоит в том, что традиционные нейронные сети неспособны объяснить, каким образом они решают задачу. Внутреннее представление результатов обучения зачастую настолько сложно, что его невозможно проанализировать, за исключением некоторых простейших случаев, обычно не представляющих интереса.

В последнее время предпринимаются активные попытки объединения искусственных нейронных сетей и экспертных систем. В такой системе искусственная нейронная сеть может реагировать на большинство относительно простых случаев, а все остальные передаются для рассмотрения экспертной системе. В результате сложные случаи принимаются на более высоком уровне, при этом, возможно, со сбором дополнительных данных или даже с привлечением экспертов.

Нейросетевые прикладные пакеты, разрабатываемые рядом компаний, позволяют пользователям работать с разными видами нейронных сетей и с различными способами их обучения. Они могут быть как специализированными (например, для предсказания курса акций), так и достаточно универсальными.

Области применения нейронных сетей весьма разнообразны — это распознавание текста и речи, семантический поиск, экспертные системы и системы поддержки принятия решений, предсказание курсов акций, системы безопасности, анализ текстов. Рассмотрим несколько особенно ярких и интересных примеров использования нейронных сетей в разных областях. Необходимо отметить, что мы старались по возможности выбирать наиболее ранние случаи применения нейронных сетей при решении соответствующей задачи.

Нейронные сети активно применяются на финансовых рынках. Например, американский Citibank использует нейросетевые предсказания с 1990 года, и уже через два года после их внедрения, по свидетельству журнала The Economist, автоматический дилинг показывал доходность 25% годовых. Chemical Bank применяет нейросетевую систему фирмы Neural Data для предварительной обработки транзакций на валютных биржах ряда стран, отслеживая подозрительные сделки. Автоматизированные системы ведения портфелей с использованием нейросетей имеются на вооружении и у Deere & Co LBS Capital, причем экспертная система объединяется примерно с 900 нейронными сетями.

В сентябре 1992 года компания HNC, которая до этого занималась производством нейрокомпьютеров, выпустила программный продукт Falcon, позволяющий выявлять и предотвращать в реальном времени подозрительные сделки по краденым кредитным и дебетным картам. Искусственные нейронные сети обучались типичному поведению клиентов и могли обнаруживать резкое изменение характера покупок, сигнализирующее о возможной краже. Ежегодный ущерб крупных банков от подобных преступлений измерялся десятками миллионов долларов, но благодаря внедрению Falcon в 1994 году впервые за всю историю пластиковых карт эти потери пошли на убыль. Аналогичная система была разработана фирмой ITC для мониторинга операций с кредитными картами Visa.

Несколько лет назад крупный канадский банк CIBC для управления рисками и идентификации злоумышленников установил программу KnowledgeSeeker фирмы Angoss. С ее помощью специалисты банка решили выяснить, кто из их клиентов в будущем будет с высокой долей вероятности задерживать выплаты по закладным. Сначала предполагалось, что в первую очередь ими окажутся те, кто и прежде задерживал свои выплаты на несколько дней. Однако исследования показали, что в будущем проблемы с платежами возникнут у тех клиентов банка, которые на фоне регулярных выплат иногда якобы забывали заплатить. Как выяснилось, подобная «забывчивость» была связана с серьезными финансовыми трудностями.

Компания Neural Innovation Ltd использовала при работе с маркетинговыми компаниями стратегию прямой рассылки. Вначале она осуществляла рассылку всего 25% от общего числа предложений и собирала информацию об откликах и реакциях потребителей. Затем эти данные поступали на вход нейронной сети, с помощью которой осуществлялся поиск оптимального сегмента потребительского рынка для каждого товара. После этого остальные 75% предложений рассылались уже с учетом найденных закономерностей в указанный сегмент, и эффективность второй рассылки значительно возрастала по сравнению с первоначальной.

При ведении бизнеса в условиях конкуренции компаниям необходимо поддерживать постоянный контакт с потребителями, обеспечивая обратную связь. Для этого некоторые компании проводят опросы потребителей, позволяющие выяснить, какие факторы являются решающими при покупке данного товара или услуги. Анализ результатов подобного опроса — непростая задача, поскольку необходимо исследовать большое количество связанных между собой параметров и выявить факторы, оказывающие наибольшее влияние на спрос. Существующие нейросетевые методы позволяют выяснить это и прогнозировать поведение потребителей при изменении маркетинговой политики, а значит, находить оптимальные стратегии работы компании.

Одно крупное английское издательство, выпускающее газеты, приобрело у фирмы Neural Innovation Ltd систему планирования цен и затрат, построенную на использовании нейронной сети и генетических алгоритмов. На основе накопленных данных эта система позволяла обнаруживать сложные зависимости между затратами на рекламу, объемом продаж, ценой газеты, ценами конкурентов, днем недели, временем года и рядом других факторов. В результате издательство могло подбирать оптимальную стратегию с точки зрения максимизации объема продаж или прибыли.

В свое время в США была введена в действие система обнаружения мошенничеств в области здравоохранения. Было подсчитано, что потери бюджета от такого рода фальсификаций составляют около 730 млн. долл. в год. Создание специализированной нейросетевой системы заняло у фирмы ITC более года и обошлось всего в 2,5 млн. долл. Тестирование новой системы показало, что нейронная сеть позволяет обнаруживать 38% случаев мошенничества, тогда как использовавшаяся до нее экспертная система давала только 14%. Для настройки нейронной системы были применены также методы нечеткой логики и генетической оптимизации.

В медицинской диагностике нейронные сети нередко используются вместе с экспертными системами. Компанией «НейроПроект» была создана система объективной диагностики слуха у грудных детей. Общепринятая методика диагностики состоит в том, что в процессе обследования регистрируются отклики мозга в ответ на звуковой раздражитель, проявляющиеся в виде всплесков на электроэнцефалограмме. Для диагностики слуха ребенка опытному эксперту-аудиологу необходимо провести около 2 тыс. тестов, нейронная сеть способна с той же достоверностью определить уровень слуха уже по 200 наблюдениям в течение всего нескольких минут, причем без участия специалиста.

Приведенные примеры показывают, что технологии нейронных сетей применимы практически в любой области, а в таких задачах, как распознавание образов и прогнозирование котировок акций, они стали уже привычным и широко используемым инструментом. Повсеместное проникновение нейронных технологий в другие области — только вопрос времени. Конечно, внедрение новых наукоемких технологий — процесс сложный, однако практика показывает, что инвестиции не только окупаются и приносят выгоду, но и дают тем, кто их использует, ощутимые преимущества.

Рассмотрим некоторые виды нейросимуляторов:

NeuralWorks Pro II/Plus
(Aspen Technology)

Цена от $1995 до $4995 в зависимости от платформы (DOS, Windows, NT, Sun, RS6000, SGI) плюс $1,5-3 тыс. за консультации, обучение и поддержку. Судя по описанию, один из самых крутых - поддерживаются все известные типы нейросетей и алгоритмов обучения, включая разрабатываемые с использованием средств симулятора, обеспечивается автоматическая оптимизация спрятанного слоя нейронов, графически отображаются функционирование нейросетей и средства диагностики. Профессиональный вариант ($9995-14995), выполненный в виде специализированной среды разработки, позволяет генерировать исходный Си-код и использовать программирование на Си, то есть разрабатывать любые новые нейросети, а также включает пакеты для применений в реальном времени в совокупности с нечеткой логикой и генетическими алгоритмами.

NeuroSolution [10], [11]
(NeuroDimension)

Цена зависит от комплектации и предоставляемых возможностей и колеблется от $195 до $1995. Лицензия для коммерческого использования созданных продуктов - еще $1995. Дополнительный модуль ($195-1495 в зависимости от уровня основной программы) генерирует DLL-библиотеки нейросетей, созданных в NeuroSolution, а удовольствие работать непосредственно из Excel обойдется еще в $195.Широкий набор типов нейросетей (Multi Layer Perceptron, модульные MLP, симбиоз IIR-фильтров с MLP, гибридные нейросети, нейросети анализа главных компонентов - PCA, адаптивный фильтр, нейросети с обратными связями, Кохонен, LVQ и т. д.) и алгоритмов обучения: BPE, Momentum, QuickProp, а так же Sanger и Oja для PCA. Общее количество весовых коэффициентов - до одного миллиона. Симулятор прост в освоении, у него хорошая справочная система, прекрасный графический интерфейс.

MatLab + Neural Network Toolbox [8]
(MathWorks)

Этому пакету досталось тяжелое наследство предыдущих версий: командно-строковый интерфейс, украшенный «виндовым» обрамлением. Запомнить все функции и их параметры - все равно что выучить от корки до корки новый язык, правда, по мере терпеливого освоения «языка» его достоинства видишь все лучше. Набор типов нейросетей стандартен. В версии 3.0 появилась возможность гибкого конструирования НС, а также были добавлены вероятностные и регрессионные нейросети. Несколько веселее с алгоритмами обучения: современный алгоритм обучения Levenberg-Marquardt собственной персоной.

BrainMaker
(California Scientific Software)

Цена пакета в Штатах варьируется от $195 за обычную версию до $795 за профессиональную (95/98/NT/2000). Реализована только MLP-нейросеть: до 512 нейронов в каждом слое, до 8 слоев, до 32К весов между слоями нейронов. Работает с форматами Excel, Lotus, dBase, ASCII, binary. В профи-версии добавлены «финансовые» форматы (CompuTrack, MetaStock, CSI), а также отображение тренда весов во времени, прунинг (шаманство с весовыми коэффициентами) и генерация Си-кода. Задействовано 32-битное ускорение вычислений за счет использования MMX-команд. Поддерживаются нейросетевые платы-ускорители, в частности производства Adaptive Solutions. Любопытная деталь: California Scientific Software не предлагает модные алгоритмы ускорения обучения, делая ставку на аппаратное ускорение, благо дешевеющие, но шустрые в векторно-матричных вычислениях DSP справляются с MLP отменно.

NeuroPro
(Институт вычислительного моделирования СО РАН)

Реализована лишь MLP-нейросеть: до десяти слоев, до ста нейронов в каждом слое. Судя по поведению при обучении на прилагаемых данных, действительно работает нейросеть. Интерфейс не балует графикой и сервисом (рис. 4), за исключением отображения значимости входов. Назначение пакета - классификация и прогнозирование. Сначала надо ввести файл входных данных (форматы: dBase, FoxBase, FoxPro, Clipper, Paradox), после чего затруднений с освоением возникнуть не должно. Предусмотрено сокращение количества нейронов, весов и входов усилиями самой программы. Недостаток: трудно  онять, как обеспечить соответствие входов (симптомов) желаемому отклику (синдромам).

Neuro Office’98
(АОЗТ «Альфа Систем», Санкт-Петербург)

Уникальность ее кроется в возможности создания многослойной НС разветвленной архитектуры по усмотрению пользователя и с обучением по правилу обратного распространения ошибок. В составе демо-версии - две программы. Первая, NeuroView+, предназначена для визуально-графического проектирования структурной модели и топологии нейронной сети. Утверждается, что размеры нейронной сети программно не ограничены. Вторая, NeuroEmulator, служит для обучения и тестовых испытаний спроектированной нейросети, а также для редактирования «синаптической карты» и функций активации нейронов.

NNet
(бета-версия)

NNet выделяется среди общей массы не только оригинальным интерфейсом       (рис. 7), который облегчает освоение и делает программу очень удобной в работе, но и хорошей скоростью вычислений (полностью 32-разрядная и многонитевая) и грандиозными возможностями. Хотя в бета-версии воплощена лишь MLP-нейросеть, зато предусмотрено функционирование в трех режимах (аппроксимация, фильтрация и классификация), но главное - количество нейронов в каждом слое может достигать 64К, а максимальное число весов - четырех миллиардов.

  1.  Использование нейронных сетей при прогнозировании исхода выборов в президенты.

Политический выбор стоял перед человечеством с самых древних времен. Иногда исход был очевиден, иногда его очень сложно было предугадать.  Если появиться возможность предсказывать исход выборов с довольно большой точностью, то это будет серьезная победа нейроинформатики. Ведь, как известно, кто владеет информацией в современном мире, тот на шаг впереди остальных.

Цель моей работы – продемонстрировать возможности нейросимулятора при выборе на должность президента.

Для обучающей и тестируемой выборках была использована информация о кандидатах на должность президентов США, Франции, победивших и проигравших в выборах.

На вход подавались следующие статистические данные:

1.возраст

2.происхождение (социальный класс)

3.семейное положение

4.количество детей

5.основная область деятельности до выборов

6.победа\проигрыш в выборах

Происхождение оценивалось по следующим показателям:

1-бедный класс

2-средний класс

3-интеллигенция

4-богатый класс

Семейное положение:

1-женат

0-холост

Основная область деятельности до выборов оценивалась по следующим   

показателям:

1-военная деятельность

2-политическая деятельность

3-общественная деятельность

4-экономическая деятельность

При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было. Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой, а вычисленная на тестовой выборке- погрешностью обобщения, обозначаемой T  . При увеличении числа нейронов внутренних слоев персептрона N погрешность обучения   обычно падает, тогда как погрешность обобщения   сначала падает, а затем, начиная с некоторого оптимального значения N=N0, возрастает. Характерные кривые зависимости погрешностей обучения и обобщения от числа нейронов внутренних слоев персептрона приведены на рис.

В таблице приведены данные  обучающей выборки нашей сети, а также тестируемые данные, которые не входили в процесс обучения, и на основе которых  мы можем понять, насколько точно обучилась сеть.

Обучающая выборка

Кандидаты

Возраст

Происхождение

Семейное положение

Кол-во детей

Деятельность

Победа/поражение

А.Гор

52

3

1

3

2

0

Б.Голдуотер

58

4

1

2

2

0

Б.Клинтон

46

2

1

2

2

1

В.Жискар

55

2

1

2

2

0

Д. Вашингтон

57

1

1

0

1

1

Д.Адамс

62

3

1

1

2

1

Д.Буш мл.

54

4

1

2

4

1

Д.Буш ст.

64

4

1

1

4

1

Д.Бьюкенен

66

4

0

0

2

1

Д.Доул

73

2

0

0

1

0

Д.К.Адамс

58

3

1

2

2

1

Д.Керри

61

4

1

2

2

0

Д.Медисон

58

4

1

0

2

1

Д.Монро

49

1

1

2

1

1

Д.Тейлер

51

3

1

15

2

1

Д.Форд

61

2

1

2

1

1

Ж.М. Ле Пен

74

1

1

3

3

0

Ж.Ширак

63

2

1

2

2

1

Л.Жоспен

58

2

1

0

2

0

Р.Рейган

70

2

1

2

2

1

Т.Джеферсон

58

4

1

1

2

1

У.Мондейл

56

2

1

3

2

0

Ф.Миттеран

75

2

0

1

3

1

Ф.Пирс

49

4

1

0

2

1

Ш.де Голль

68

3

1

3

1

1

тестируемая выборка

Д.Кеннеди

44

4

1

2

2

1

А.Линкольн

52

1

1

4

1

1

М.Дукакис

56

2

1

2

2

0

Д.Макговерн

59

2

1

0

2

0

Д.Эйзенхауэр

63

2

1

2

1

1

Тестовые значения получились: Д.Кеннеди -1.0375

                                                      А.Линкольн-0.9483

                                                      М.Дукакис-0.5

                                                     Д.Макговерн-0.5313

                                                     Д.Эйзенхауэр-1.0171

0,7828

0,7613

-0,0687

-0,0048

0,9977

0,8656

1,116

0,0536

0,2311

1,0866

При моделировании в настоящей работе использовалась нейронная сеть с двумя скрытыми слоями нейронов. Сигналы, поступающие на входы Х1,-,Хn, умножаются на коэффициенты (веса, синапсы) соответствующие каждому входу и определяют уровень возбуждения нейрона. Выходной сигнал получается пропусканием суммарного сигнала возбужденных нейронов скрытого слоя через нелинейную функцию. В качестве нелинейной функции использовалась сигмовидная функция, являющаяся непрерывной и сколько угодно раз дифференцируемой.Это означает, что сети предъявляется как входной образец, так и выходные данные, которые нейросеть должна выдавать на этом образце. Для обучения сети использовался метод обратного распространения (Back Propagation), суть которого состоит в следующем.  Перед началом обучения сети весам и порогам случайным образом присваиваются небольшие по величине начальные значения. Тем самым отклики отдельных элементов сети имеют малый наклон и ориентированы хаотично- фактически они не связаны друг с другом. По мере того, как происходит обучение, поверхности отклика элементов сети вращаются и сдвигаются в нужное положение, а значения весов увеличиваются, поскольку они должны моделировать отдельные участки целевой поверхности отклика. Затем вычисляется вектор градиента поверхности ошибок. Этот вектор указывает направление кратчайшего спуска по поверхности из данной точки, поэтому при продвижении по нему, ошибка уменьшится. Значение ошибки, а также градиента поверхности ошибок используется для корректировки весов, после чего все действия повторяются. Начальная конфигурация сети выбирается случайным образом, и процесс обучения прекращается либо когда пройдено определенное количество эпох, либо когда ошибка достигнет некоторого определенного уровня малости, либо когда ошибка перестанет уменьшаться.  В качестве меры ошибки в простейшем случае берется средняя квадратичная ошибка, которая определяется как сумма квадратов разностей между величиной на выходе и требуемой величиной.

,

где СiТ -модельные значения (полученные в результате обучения сети);

СiП -практические значения .

Победа на выборах(1-да\0-нет)

моделируемые данные

0

0,508

0

0,500

1

0,954

0

0,510

1

1,020

1

0,995

1

1,02

1

1,04

1

0,993

0

0,502

1

0,5

0

0,501

1

0,94

1

0,977

1

1,02

1

1,02

0

0,5

1

1

0

0,501

1

0,986

1

0,96

0

0,5

1

1,01

1

0,946

1

1,02

Из данной таблицы видно, что кандидаты которые не выиграли выборы тоже имели шансы на успех. К примеру Альберт Гор проиграл Б.Клинтону на выборах 1992 г чуть более 1 %.

Исследуем  данные о кандидатах на пост президента Р.Ф. 2008 г.

Кандидаты

Возраст

Происхождение

Семейное положение

Кол-во детей

Деятельность

С.Иванов

55

2

1

2

1

Д.Медведев

42

2

1

1

3

Б.Грызлов

58

2

1

2

4

Г.Зюганов

64

1

1

2

2

В.Жириновский

62

1

1

3

2

Д.Рогозин

45

3

1

1

2

Ю.Трутнев

52

2

1

2

2

Моделируемые значения получились:

С.Иванов-0.715

Д.Медведев-0.739

Б.Грызлов-0.602

Г.Зюганов-0.605

В.Жириновский-0.61

Д.Рогозин-0.607

Ю.Трутнев-0.543

С.Иванов

0,7279

Д.Медведев

2,056

Б.Грызлов

0,9224

Г.Зюганов

1,2162

В.Жириновский

0,9506

Д.Рогозин

1,1756

Ю.Трутнев

0,1462

С.Иванов

1,1012

Д.Медведев

1,1413

Б.Грызлов

1,1119

Г.Зюганов

0,8757

В.Жириновский

0,6378

Д.Рогозин

1,1047

Ю.Трутнев

0,1162

1,1012

1,1413

1,1119

0,8757

0,6378

1,1047

0,1162

С.Иванов

1,1973

0,9954

1,274

0,4463

0,9014

0,7648

1,1917

0,5828

Д.Медведев

1,5422

Б.Грызлов

0,3148

Г.Зюганов

0,5555

В.Жириновский

0,1397

Д.Рогозин

0,7982

Ю.Трутнев

0,1803

1,0226

1,3509

-1,0384

1,0878

0,6065

1,1276

0,3147

Погрешность 0,2

0,311

2,0095

-0,1075

0,2262

0,0361

1,4085

0,0193

1,258

2,0845

1,4754

0,462

0,1668

1,4825

0,2064

1,2488

2,5766

2,2441

0,7289

0,463

1,5316

-0,0971

Ошибка 0,05

0,0292

1,2389

0,1741

0,6214

0,727

0,0657

0,3288

Погрешность 0,047

1,2516

0,296

-0,6201

-0,3317

-0,7245

1,1842

0,6217

`

Погрешность 0,04

1,0226

1,3509

-1,0384

1,0878

0,6065

1,1276

0,3147

Итак, мы делаем вывод о том что в гонке за постом президента Р.Ф. будет потенциально 2-а лидера. Как ни удивительно, но социологические опросы показывают, что если бы выборы состоялись сейчас: Сергей Иванов и Д.Медведев были бы явными лидерами.( http://www.preemniki.ru/)

Заключение.

Однако развитие кибернетики выдвигает ряд проблем, которые все же требуют пристального внимания. Эти проблемы связаны с опасностями, возникающими в ходе работ по искусственному интеллекту.

Первая проблема связана с возможной потерей стимулов к творческому труду в результате массовой компьютеризации или использования машин в сфере искусств. Однако в последнее время стало ясно, что человек добровольно не отдаст самый квалифицированный творческий труд, т.к. он для самого человека является привлекательным.

Вторая проблема носит более серьезный характер и на нее неоднократно указывали такие специалисты, как Н. Винер, Н. М. Амосов, И. А. Полетаев и др. Состоит она в следующем:

Уже сейчас существуют машины и программы, способные в процессе работы самообучаться, т.е. повышать эффективность приспособления к внешним факторам. В будущем, возможно, появятся машины, обладающие таким уровнем приспособляемости и надежности, что необходимость человеку вмешиваться в процесс отпадет. В этом случае возможна потеря самим человеком своих качеств, ответственных за поиск решений.

Налицо возможная деградация способностей человека к реакции на изменение внешних условий и, возможно, неспособность принятия управления на себя в случае аварийной ситуации. Встает вопрос о целесообразности введения некоторого предельного уровня в автоматизации процессов, связанных с тяжелыми аварийными ситуациями. В этом случае у человека, "надзирающим" за управляющей машиной, всегда хватит умения и реакции таким образом воздействовать на ситуацию, чтобы погасить разгорающуюся аварийную ситуацию. Таковые ситуации возможны на транспорте, в ядерной энергетике. Особо стоит отметить такую опасность в ракетных войсках стратегического назначения,где последствия ошибки могут иметь фатальный характер.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ

Литература

  1.  Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб:Питер, 2000. – 384 с.
  2.  Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.:Изд. дом «Вильямс», 2003. – 864 с.
  3.  Уоссермен. Нейрокомпьютерная техника: теория и практика.
  4.  Хайкин С. Нейронные сети. Издательство «Вильямс», 2005.-1104 с.
  5.  Ясницкий Л.Н. Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений, М.: Издательский центр «Академия», 2005.-176 с.

Ссылки на ресурсы Интернет

6.  http://www.Mathworks.com

7.  http://www.neuralware.com

8.  http://www.nd.com

9.  http://www.neurosolutions.com

10.http://www.investzem.ru/economy/investment/investment

11.http://www.preemniki.ru/


 

А также другие работы, которые могут Вас заинтересовать

80077. Складання розповіді з елементами опису калини 62 KB
  Вчити дітей складати і записувати розповідь з елементами опису за планом. Розвивати усне та писемне мовлення; уміння описувати рослину, зокрема, калину, використовуючи прикметники, порівняння, слова, вжиті в переносному значенні; пізнавальну діяльність, творчі здібності.
80078. Раз добром налите серце – вік не прохолоне А. Дімаров «Для чого людині серце» 60.5 KB
  Мета: удосконалювати навички правильного свідомого виразного читання читання за особами; учити самостійно визначати головну думку твору; формувати вміння прогнозувати розвиток подій у казці аналізувати порівнювати доводити свою думку; розвивати творчу уяву усне зв’язне мовлення...
80079. Вічне і живе Шевченкове слово 48.5 KB
  Збагатити знання учнів про життя і творчість Тараса Григоровича Шевченка. Шевченка ілюстрації малюнки запис пісень на вірші Шевченка виставка творів поета для дітей Кобзар карта України. рушник з портретом Шевченка Хід уроку Організація класу до уроку Емоційне налаштування на урок...
80080. Квітами барвистими луг цвіте 61 KB
  Мета: Вдосконалювати вміння правильно, виразно читати, за допомогою інтерактивних методів навчання; Формувати елементарні аналітико-синтетичні вміння у роботі над текстом; Розвивати усне мовлення першокласників; Виховувати дбайливе ставлення до рослин, бажання доглядати й оберігати їх.
80081. Множення чисел, що закінчуються нулями. Водойми України (Математика Я і Україна. Природознавство) 57 KB
  Мета уроку. Показати можливі форми запису при множенні чисел, які закінчуються нулями. Удосконалювати обчислювальні навички. Розвивати логічне мислення. Сформувати уявлення про водойми, дати поняття про джерело, річку, озеро, болото, море; навчити дітей їх розрізняти.
80082. Сложение и вычитание вида 430+50, 200+640, 20+640, 760-400, 760-40 57.5 KB
  Цели. Формировать умения применять общие правила сложения и вычитания круглых трёхзначных чисел; развивать умения решать составные задачи, развивать логическое мышление. внимательность, память, вычислительные и графические навыки, расширять кругозор о животных, о гороскопе; прививать интерес...
80083. Урок позакласного читання в 4 класі за історичною повістю Марка Вовчка «Кармелюк» 42.5 KB
  Мета уроку: прищеплювати любов до читання, цікавість до історичного минулого України; виховувати почуття національної гідності, повагу до історичного минулого України; вдосконалювати навички правильного, свідомого, виразного читання і самостійного читання мовчки; розвивати мислення...
80084. Ой зима, зима, зима… Веселіш пори нема! 52.5 KB
  Вчити дітей гармонійному заповненню площини паперу елементами зображення; поглибити знання про особливості будови тіла людини та її пропорції. Розвивати уяву дітей; удосконалювати техніку роботи фарбами. Виховувати любов і повагу до традицій рідного краю.