48888

Использование нейронных сетей при анализе выбора супружеской пары

Курсовая

Информатика, кибернетика и программирование

Искусственные нейронные сети прочно вошли в нашу жизнь и сейчас широко используются при решении самых разных задач и активно применяются там где обычные алгоритмические решения неэффективны или даже невозможны. цель моей работы: показать можно ли использовать нейронные сети и эффективно ли их применение в рамках отношений между людьми. Нейронные сети и нейрокомпьютеры –это одно из направлений компьютерной индустрии в основе которого лежит идея создания искусственных интеллектуальных устройств по образу и подобию человеческого...

Русский

2013-12-17

3.21 MB

3 чел.

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

«ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

Факультет информатики и экономики

Кафедра информатики и  ВТ

КУРСОВАЯ РАБОТА

по искусственному интеллекту

Использование нейронных сетей при анализе выбора супружеской пары

ИСПОЛНИТЕЛЬ: студентка гр.1233

О. В. Дашкевич

НАУЧНЫЙ РУКОВОДИТЕЛЬ:

профессор Л. Н. Ясницкий

Пермь 2007

СОДЕРЖАНИЕ

ВВЕДЕНИЕ                                                                                                                      стр.3

ГЛАВА 1. Теоретические основы                                                                                  стр.4

ГЛАВА 2. Использование нейронных сетей при анализе выбора супружеской пары

                                                                                                                                           стр.8

2.1 Постановка задачи                                                                                                      стр.8

2.2 Анализ полученных результатов                                                                            стр.14

ЗАКЛЮЧЕНИЕ                                                                                                               стр.16

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ                                                     стр.16

Введение

Искусственные нейронные сети прочно вошли в нашу жизнь и сейчас широко используются при решении самых разных задач и активно применяются там, где обычные алгоритмические решения неэффективны или даже невозможны. Искусственным нейронным сетям доверяют решение таких задач как: распознавание текстов, игра на бирже, проверка проведения подозрительных операций по банковским картам, системы безопасности и видеонаблюдения —и это далеко не все.

Пользуясь некоторыми знаниями из области нейросетевых технологий, в данной курсовой работе я с помощью персептрона попытаюсь решить прикладную задачу из области, неподдающейся формализации, а именно, использование нейронных сетей при анализе выбора супружеской пары. Выбор данной темы был обусловлен  тем, что в данной области пока еще не применяли методов искусственного интеллекта. В своей работе я хотела бы посмотреть эффективно ли использование нейросетевых технологий при прогнозировании выбора супружеской пары.

Т.о. цель моей работы: показать, можно ли использовать нейронные сети и эффективно ли их применение в рамках отношений между людьми.

Достижение поставленных целей предопределило постановку и решение следующих задач:

-  раскрыть сущность искусственного интеллекта;

- провести обучение одного из нейросимуляторов.

ГЛАВА 1. Теоретические основы

Сегодня исскуственный интеллект –это обширная область исследований и разработок интеллектуальных систем, предназначенных для работы в трудно формализуемых областях деятельности человека. Для задач, решаемых методами искусственного интеллекта, характероно наличие большого числа степеней свободы с числом вариантов поиска решений, приближающимся к бесконечности. В отличие от жестко детерминированных компьютерных программ системы искусственного интеллекта сами ищут пути решения поставленной задачи [1].

Нейронные сети и нейрокомпьютеры –это одно из направлений компьютерной индустрии, в основе которого лежит идея создания искусственных интеллектуальных устройств по образу и подобию человеческого мозга. Знания в них не отделены от процессора, а равномерно распределены и существуют неявно ввиде сил синаптических связей. Такие знания не закладываются изначально, а приобретаются в процессе обучения.

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, искусственные нейронные сети проявляют множество свойств, присущих человеческому 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. Анализируя входные сигналы они самонастраиваются и обучаются, чтобы обеспечить правильную реакцию. Обученная сеть может быть устойчивой к некоторым отклонениям входных данных, что позволяет ей правильно «распознавать» даже те образы, которые содержат 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  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 [4].

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 [4].

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 [4].

Рис. 1. Пример многослойной полносвязанной нейронной сети прямого распространения сигнала

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.

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—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.

Конечно, при таком обучении нейронной сети нет уверенности, что она обучилась наилучшим образом, поскольку всегда существует возможность попадания алгоритма в локальный минимум. 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.

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 [4].

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 [4].

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.

ГЛАВА 2. Практическое применение нейронных сетей при анализе выбора супружеской пары 

2.1. Постановка задачи

Нейросетевые технологии применяются при решении таких задач, в которых не существует чёткого алгоритма, точных действий либо формальных правил, позволяющих без каких-либо затруднений получить желаемый результат.

Я попробую применить нейросетевые технологии для прогнозирования брака, т.к. считаю эту тему очень интересной.

В наше дни причин распада семьи и несчастных браков так много, что никто не может предложить панацею для излечения всех недугов. Я считаю, что одна из главных причин неудачи многих браков это неправильный выбор супружеской пары. Было бы больше удовлетворительных или счастливых браков, если бы двое, выбирая друг друга в супруги, действительно подходили друг другу. Не брак как таковой, а неправильный выбор делает многие браки несчастными. Это вытекает из анализа всех вопросов, связанных с разводами. Статистика разводов и повторных браков, разведённых в разных странах, позволяет сделать вывод, что большинство разведённых, исходя из собственного печального опыта, не приходит к мысли, что они сами непригодны для брака, а приписывают свою неудачу неправильному выбору.

Приведем пример использования нейронных сетей при анализе выбора супружеской пары. На вход подавались следующие параметры:

  1.  Число дня рождения женщины;
  2.  Число дня рождения мужчины;
  3.  Месяц рождения женщины;
  4.  Месяц рождения мужчины;
  5.  Разница в возрасте между партнерами (в годах);
  6.  Колонка, в которой учитывается кто именно старше:

0 –Ровесники;

–Старше женщина;

–Старше мужчина;

7)    Брак родителей женщины:

              1 –Идеальный брак;

–Ближе к идеальному;

–Ближе к разводу;

–Развод;

8)     Брак родителей мужчины (Оценивается аналогично);

)     Количество братьев и сестер женщины;

)    Количество братьев и сестер мужчины;

)    Темперамент женщины:

–Холерик;

–Сангвиник;

–Меланхолик;

–Флегматик;

)    Темперамент мужчины (Оценивается аналогично);

)    Цвет глаз женщины;

–Карие;

-  Зеленые;

–Синие;

–Голубые;

–Черные;

–Серые;

–Серо-зеленые;

–Серо-голубые;

–Серо-синие;

–каре-зеленые;

)    Цвет глаз мужчины (Оценивается аналогично);

)    Цвет волос женщины;

–Черные;

–Каштановые;

–Темно-русые;

–Русые;

-  Светло-русые;

–Светлые;

–Рыжие;

)    Цвет волос мужчины (Оценивается аналогично);

)    Зрение у женщины:

–хорошее;

–плохое;

)     Зрение у мужчины (Оценивается аналогично);

)     Наличие детей до брака у женщины;

)     Наличие детей до брака  у мужчины;

)     Национальность:

–одинаковая;

–неодинаковая;

Выходом будет их брак:

               1 –Идеальный брак;

–Ближе к идеальному;

–Ближе к разводу;

–Развод;

Для работы будем использовать Нейросимулятор, который был создан студентом 4 курса механико-математического факультета, Черепановым Ф. Он представлен на Рис. 1.

Рис.1. Нейросимулятор

Этот нейросимулятор мы обучали по выборке, составленной из параметров, представленных выше и указанных в таблице 1.

На рисунке 1 видно, что мы использовали 21 нейрон входного слоя, 1 скрытый слой, и 1 нейрон на выходе.

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 .

Ниже приведены данные обучающей и тестируемой выборки, которые не входили в процесс обучения, и на основе которых  мы можем понять, насколько точно обучилась сеть.

Данные обучающей выборки                                                                                  Таблица 1

1

17

4

15

24

6

18

24

25

4

27

2

19

28

21

13

6

6

1

26

24

18

14

14

3

0

11

11

10

17

8

8

27

10

20

18

2

12

22

3

10

Данные тестирующей выборки                                                                          Таблица 2

1

20

9

2

4

10

10

9

12

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 [1]. 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.

число нейронов

погрешность обучения

погрешность обобщения

2

,0721

,3367

3

,8698

,5284

4

,5234

,0442

5

,4011

,4589

6

,2679

,4239

7

,6764

,4497

8

,407

,0098

9

,8449

,9746

10

,8056

,0004

11

,2725

,0201

12

,663

,2483

13

,6499

,9502

14

,2103

,9782

15

,71

,3092

16

,6551

,6782

17

,1909

,3102

18

,9693

,8903

19

,1537

,5302

20

,1881

,1968

21

,0702

,2382

Мы видим, что оптимальное количество нейронов =5.

2.2. Анализ полученных результатов

Анализируя работу персептрона и полученные результаты можно сделать вывод, что персептрон выдал модельные значения близкие к практическим. Для того, чтобы наглядно продемонстрировать это утверждение, на гистограмме 1  показаны соотношения между теоретическими и модельными значениями.

Гистограмма 1

Несмотря на то, что модельные значения не полностью совпадают с практическими, можно утверждать, что тренд изменения искомых величин отражен точно. Для окончательного подтверждения работоспособности модели на вход сети были поданы значения из тестируемой выборки.

                                                                                                                      

    Гистограмма 2

Из Гистограммы 2 видно, что нейросеть из десяти тестируемых примеров показала небольшую погрешность лишь в 4 случаях. В основном модельные значения тестируемой выборки «далеки от истины». Возможно, это связано с тем, что не хватает обучающих примеров и параметров, влияющих на результат прогнозирования брака.

Заключение

В заключении подведём итог проделанной работы.

В первой части я попыталась обобщить знания в области нейросетевых технологий.

Во второй части я отразила попытку применения нейросети на практике на примере анализа выбора супружеской пары. Я наблюдала, что персептрон не смог решить поставленную перед ним задачу. Подав на его вход сигналы, которых не было в обучающей выборке, на выходе я получила результаты, в основном, сильно отличающиеся от реальных показателей.  На мой взгляд, такой результат связан с тем, что на человеческие взаимоотношения влияет множество факторов. И несмотря на то, что в моей работе представлено немало подобных показателей, для прогнозирования такого сложного объекта, как отношения людей, этого не достаточно. Другими словами, применение нейросетевых технологий в выбранной области на данном этапе можно считать неэффективным.

Список использованной литературы

Литература

  1.  Ясницкий Л.Н. Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений, М.: Издательский центр «Академия», 2005.-176 с.
  2.  Ф. Уоссермен. Нейрокомпьютерная техника: Теория и практика. Перевод на русский язык, Ю. А. Зуев, В. А. Точенов, 1992.
  3.  Хайкин С. Нейронные сети. Издательство «Вильямс», 2005.-1104 с.

Ссылки на ресурсы Интернет

  1.  http://www.compress.ru -Журнал "КомпьютерПресс", N 1, 2005 г.;
  2.  http://www.artint.ru- Российский НИИ Искусственного интеллекта;
  3.  http://www.raai.org- Российская ассоциация искусственного интеллекта;
  4.  http://lii.newmail.ru- Лаборатория искусственного интеллекта;
  5.   http://www.gotai.net/documents-neural_networks.aspx -GotAl.Net- Материалы- Нейронные сети;
  6.  http://offline.computerra.ru -  Журнал «Компьютера».


 

А также другие работы, которые могут Вас заинтересовать

64024. Технологія приготування бісквітних тортів 1.47 MB
  Кондитер повинен мати тонкі смакові відчуття і гарне чуття запаху, вміло поєднувати смакові речовини у різних пропорціях для забезпечення приємного смаку і аромату готових виробів, підбирати кольори кремів природних тонів, творчо мислити і постійно працювати над розробкою та впровадженням нових рецептів...
64026. Анализ оценки эффективности логистической деятельности ООО «ТПП Аматэл» 397.5 KB
  Актуальность данной темы заключается в том, что эффективное управление в современных условиях рынка - необходимое условие повышения эффективности бизнеса, создания, развития и реализации конкурентных преимуществ предприятия. Целью данной работы является изучение оценки эффективности логистической деятельности ООО «ТПП Аматэл».
64027. Формирование гражданской компетенции на уроках окружающего мира 947.5 KB
  Цель исследования: выявить и апробировать психолого-педагогические условия формирования гражданской компетенции на уроках окружающего мира в начальной школе.
64031. Художественная роспись на эмали 1.46 MB
  Ростовской финифти присущи художественные и стилистические качества такие, как прочность, свежесть и яркость красок. Сначала мастера писали на эмали маленькие иконки-образки, финифтяными вставками украшали богатые оклады церковных книг и различную церковную утварь.