49000

Риск родителей быть лишенными родительских прав в отношении своих несовершеннолетних детей

Курсовая

Информатика, кибернетика и программирование

Практическое применение нейронных сетей для определения риска родителей быть лишенными родительских прав в отношении своих несовершеннолетних детей. В данной курсовой работе я попытаюсь решить такую задачу как принятие решения о возможности родителей быть лишенными родительских прав в отношении своих несовершеннолетних детей. Цель данной работы: показать можно ли использовать нейронные сети и будет ли эффективным их использование в области социологии при решении лишения родительских прав.

Русский

2013-12-18

1.77 MB

0 чел.

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

«ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

Факультет информатики и экономики

Кафедра прикладной информатики

КУРСОВАЯ РАБОТА

по дисциплине

Интеллектуальные информационные системы

на тему:

«Риск родителей быть лишенными родительских прав в отношении своих несовершеннолетних детей».

                                                   

ИСПОЛНИТЕЛЬ:

студентка гр. 1233

Чебакова И.Г.

НАУЧНЫЙ РУКОВОДИТЕЛЬ:

Профессор Ясницкий Л.Н.

Пермь 2008

Содержание.

[1] Содержание.

[2]
Введение.

[3] Глава 1. Теоретические основы нейросетевых технологий.

[3.1] История развития нейронных сетей.

[3.2] Искусственные нейронные сети.

[3.3] Области применения нейронных сетей.

[4] Глава 2. Практическое применение нейронных сетей для определения риска родителей быть лишенными родительских прав в отношении своих несовершеннолетних детей.

[4.1] 2.1 Постановка задачи.

[4.2] 2.2 Анализ полученных результатов.

[5] Заключение.

[6] Библиографический список.


Введение.

Искусственный интеллект – это раздел информатики, посвященный моделированию интеллектуальной деятельности человека. Зародившийся более 700 лет назад в средневековой Испании искусственный интеллект оформился в самостоятельную научную область в середине XX века.

В настоящее время существует несколько направлений развития искусственного интеллекта. Это такие направления как разработка интеллектуальных систем, основанных на знаниях, нейросетевые и нейрокомпьютерные технологии, распознавание образов, игры и творчество, компьютерная лингвистика, интеллектуальные роботы, компьютерные вирусы и интеллектуальное математическое моделирование.  

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. Искусственные нейронные сети в значительной мере заимствуют принципы работы головного мозга. Знания в них не отделены от процессора, а равномерно распределены и существуют неявно в виде сил синаптических связей. Такие знания не закладываются изначально, а приобретаются в процессе обучения.

Сегодня искусственный интеллект – это  обширная область исследований и разработок интеллектуальных систем, предназначенных для работ в трудно формализуемых областях деятельности человека.

В данной курсовой работе я попытаюсь решить такую задачу как принятие решения о возможности родителей быть лишенными родительских прав в отношении своих несовершеннолетних детей.

Цель данной работы: показать, можно ли использовать нейронные сети и будет ли эффективным их использование в области социологии при решении лишения родительских прав.

Достижение поставленной цели предопределило постановку и решение следующих задач:

  1.  Раскрыть сущность искусственного интеллекта.
  2.  Обучить один из нейросимуляторов.
  3.  Вывести закон, показывающий результат работы.

Предметом исследования является развитие применения нейросетей в области социологии.

Глава 1. Теоретические основы нейросетевых технологий.

  1.  История развития нейронных сетей.

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 [5]. Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов. Работа нейронной сети состоит в преобразовании входных сигналов во времени, в результате чего меняется внутреннее состояние сети и формируются выходные воздействия. Обычно нейронные сети оперируют цифровыми величинами.  Первые искусственные сети были созданы в результате попыток создать компьютерную модель, воспроизводящую деятельность мозга в упрощенной форме. Конечно, возможности человеческого мозга неизмеримо больше, чем возможности самой мощной искусственной нейронной сети.

Первой попыткой создания и исследования искусственных нейронных сетей считается работа Уоррена Мак-Каллока и Вальтера Питтса «Логическое исчисление идей относящихся к нервной деятельности» (1943 год), в которой были сформулированы основные принципы построения искусственных нейронов и нейронных сетей. Авторы данной работы выдвинули гипотезу математического нейрона – устройства, моделирующего нейрон человеческого мозга. Математический нейрон представляет собой пороговый элемент с несколькими входами и одним выходом. Одни из входов математического нейрона оказывают возбуждающее действие, другие – тормозящее. Несмотря на то, что работа У. Мак-Каллока и В. Питтса была лишь первым этапом в создании нейронных сетей, многие идеи, описанные в ней, остаются актуальными и на сегодняшний день.

Огромный вклад в нейронауку внесла детекторная теория. Ее основоположником считается У. Мак-Каллок, который с группой своих сотрудников в 1959 году опубликовал статью под названием «О чем глаза лягушки говорят мозгу лягушки», в которой впервые было введено понятие нейрона-детектора. Данная работа заинтересовала многих исследователей и ученых.

Большим прорывом в области нейроинтеллекта было создание нейрофизиологом Фрэнком Розенблаттом в 1962 году модели однослойной нейронной сети, названной персептроном. Она использовалась для решения такого широкого класса задач, как предсказание погоды, анализ электрокардиограмм и искусственное зрение. Первые успехи в данной области послужили стимулом для продолжения исследований. Однако вскоре выяснилось, что разработанные сети не способны решать некоторые задачи, существенно не отличающиеся от тех, с которыми они справлялись успешно. Позднее М. Минский и С. Пайперт, используя точные математические методы, в своей книге «Персептроны» строго доказали ряд теорем, показав, что используемые однослойные сети теоретически неспособны решить многие простые задачи, например, реализовать логическую функцию «Исключающее ИЛИ». Безупречность доказательства М. Минского и С. Пайперта явилась одной из причин задержки развития нейроинтеллекта почти на два десятилетия. Однако некоторые ученые, такие как Кохонен, Гроссберг и Андерсон продолжили исследования, постепенно создавая теоретические основы для построения и применения искусственных нейронных сетей. Как выяснилось позже, М. Минский был слишком пессимистичен в своих прогнозах и многие из задач, которые были описаны им как не решаемые, сейчас решаются нейронными сетями с использованием стандартных процедур.

За последние десятилетия теория о нейроинтеллекте приобрела новое направление развития. Было предложено много интересных разработок, например, когнитон, способный с высокой достоверностью распознавать достаточно сложные образы (например, иероглифы) независимо от поворота и масштаба изображения. Автором когнитона является японский ученый К. Фукушима. В 1982 году американский биофизик Дж. Хопфилд предложил интересную модель сети, получившую в будущем его имя. Позднее был разработан еще ряд эффективных алгоритмов: сеть встречного потока (R. Hecht-Neilsen), двунаправленная ассоциативная память (B. Kosko) и др.

  1.  Искусственные нейронные сети.

В последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях. Актуальность исследований в этом направлении подтверждается массой различных применений нейронных сетей. Это автоматизация процессов распознавания образов, адаптивное управление, аппроксимация функционалов, прогнозирование, создание экспертных систем, организация ассоциативной памяти и многие другие приложения. С помощью нейронных сетей можно, например, предсказывать показатели биржевого рынка, выполнять распознавание оптических или звуковых сигналов, создавать самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту.    

Нейронные сети возникли из исследований в области искусственного интеллекта, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга. Основной областью исследований по искусственному интеллекту в 60-е – 80-е года были экспертные системы. Данные системы основывались на высокоуровневом моделировании процесса мышления. Вскоре стало ясно, что такие системы, хотя и могут эффективно работать в некоторых областях, но они не используют некоторые ключевые аспекты человеческого интеллекта. Причина этого, согласно одной из точек зрения, состоит в том, что они не в состоянии полностью воспроизвести структуру мозга человека. Чтобы создать искусственный интеллект необходимо построить систему с похожей архитектурой.

Мозг человека состоит из очень большого числа (приблизительно 1011) нейронов, соединенных многочисленными связями (биологическая нейронная сеть, составляющая мозг человека, содержит 10 14 – 10 15 взаимосвязей). Нейрон – это специальная клетка, способная распространять электрохимические сигналы. Нейрон имеет разветвленную структуру ввода информации (дендриты), ядро и разветвляющийся выход (аксон). Аксоны клетки соединяются с дендритами других клеток с помощью синапсов. При активации нейрон посылает электрохимический сигнал по своему аксону. Через синапсы этот сигнал достигает других нейронов, которые могут в свою очередь активироваться. Нейрон активируется тогда, когда суммарный уровень сигналов, пришедших в его ядро из дендритов, превысит определенный уровень (порог активации). Интенсивность сигнала, получаемого нейроном (а, следовательно, и возможность его активации), сильно зависит от активности синапсов. Каждый синапс имеет протяженность, и специальные химические вещества передают сигнал вдоль него.

Таким образом, будучи построен из очень большого числа совсем простых элементов (каждый из которых берет взвешенную сумму входных сигналов и в случае, если суммарный вход превышает определенный уровень, передает дальше двоичный сигнал), мозг способен решать чрезвычайно сложные задачи. Интересно то, что искусственные нейронные сети способны достичь замечательных результатов, используя модель, которая ненамного сложнее, чем описанная выше.

Чтобы отразить суть биологических нейронных систем, определение искусственного нейрона дается следующим образом: он получает входные сигналы (исходные данные либо выходные сигналы других нейронов нейронной сети) через несколько входных каналов. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (вес); этот вес соответствует синоптической активности биологического нейрона. С каждым нейроном связано определенное пороговое значение. Вычисляется взвешенная сумма входов, из нее вычитается пороговое значение и в результате получается величина активации нейрона (она также называется пост-синоптическим потенциалом нейрона – PSP). Сигнал активации преобразуется с помощью функции активации (или передаточной функции) и в результате получается выходной сигнал нейрона.

Если при этом использовать ступенчатую функцию активации (т.е. выход нейрона равен нулю, если вход отрицательный, и единице, если вход нулевой или положительный), то такой нейрон будет  работать точно так же, как описанный выше естественный нейрон. В действительности же пороговые функции редко используются в искусственных нейронных сетях.

Выше было указано описание отдельного нейрона. Если же сеть предполагается для чего-то использовать, то у нее должны быть входы (принимающие значения интересующих нас переменных из внешнего мира) и выходы (прогнозы или управляющие сигналы). Входы и выходы соответствуют сенсорным и двигательным нервам – например, соответственно, идущим от глаз и в руки. Кроме этого, однако, в сети может быть еще много промежуточных (скрытых) нейронов, выполняющих внутренние функции. Входные, скрытые и выходные нейроны должны быть связаны между собой.

Простейшая нейронная сеть имеет структуру прямой передачи сигнала: сигналы проходят от входов через скрытые элементы и, в конце концов, приходят на выходные элементы. Такая структура имеет устойчивое поведение. Если же сеть рекуррентная (т.е. содержит связи, ведущие назад от более дальних к более ближним нейронам), то она может быть неустойчива и иметь более сложную динамику поведения. Рекуррентные сети представляют большой интерес для исследователей в области нейронных сетей, однако при решении практических задач, по крайней мере, до настоящего времени, наиболее эффективными оказались структуры прямой передачи.

Типичный пример сети с прямой передачей сигнала представлен на рис. 1.

Рис. 1. Пример сети с прямой передачей сигнала.

Нейроны регулярным образом организованы в слои. Входной слой служит просто для ввода значений входных параметров. Каждый из скрытых и выходных нейронов соединен со всем элементами предыдущего слоя. Можно было рассмотреть сети, в которых нейроны связаны только с некоторыми нейронами с предыдущего слоя, однако для большинства приложений сети с полной системой связей предпочтительнее.

При использовании сети во входные элементы подаются значения входных параметров, затем последовательно отрабатывают нейроны промежуточных и выходного слоев. Каждый из них вычисляет свое значение активации, беря взвешенную  сумму выходов элементов предыдущего слоя и вычитая из нее пороговое значение. Затем значение активации преобразуются с помощью функции активации, и в результате получается выход нейрона. После того, как вся сеть отработает, выходные значения элементов выходного слоя принимаются за выход всей сети в целом.

  1.  Области применения нейронных сетей.

Традиционно математические модели строились путем изучения и использования фундаментальных законов природы. В результате рассмотрения этих моделей вытекали математические формулы либо формулировки краевых задач для дифференциальных уравнений.

Персептроны открыли иной подход к самой методике построения математических моделей. Появилась возможность, не задумываясь над законами физики, химии, биологии, медицины, общественного развития, исходя только из одного эмпирического опыта (обучающей выборки) строить математические модели, которые сами извлекают эти законы и позволяют их эффективно использовать для решения широкого круга практических задач.

Появился новый инструмент извлечения знаний из данных, позволяющий заново открывать фундаментальные законы природы, выявились ранее неизвестные и никогда неисследованные зависимости и закономерности и активно использовать их для решения конкретных практических задач [5].

Для того, чтобы применение нейронной сети было оправдано на практике, необходимо, чтобы задача обладала следующими признаками:

  1.  Отсутствует алгоритм или не известны принципы решения задач, но накоплено достаточное число примеров.
  2.  Проблема характеризуется большими объемами входной информации.
  3.  Данные неполны или избыточны, частично противоречивы.

Таким образом, нейронные сети хорошо подходят для распознавания образов и решения задач классификации, оптимизации и прогнозирования.

Перечень возможных промышленных применений нейронных сетей, на базе которых уже созданы коммерческие продукты, либо реализованы демонстрационные прототипы.

  1.  Административное обслуживание.
    •  автоматическое считывание документов;
    •  автоматическое распознавание штриховых кодов.
  2.  Банки и страховые компании.
  •  автоматическое считывание чеков и финансовых документов;
  •  проверка достоверности подписей;
  •  оценка рисков для займа;
  •  прогнозирование изменений экономических показателей.
  1.  Биомедицинская промышленность.
  •  анализ рентгенограмм;
  •  обнаружение отклонений в ЭКГ.
  1.  Военная промышленность и аэронавтика.
  •  обработка звуковых сигналов (разделение, идентификация, локализация, устранение шума, интерпретация);
  •  обработка радарных сигналов (распознавание целей, идентификация и локализация источников);
  •  обработка инфракрасных сигналов (локализация);
  •  обобщение информации;
  •  автоматическое пилотирование.
  1.  Нефтяная и химическая промышленность.
  •  анализ геологической информации;
  •  идентификация неисправностей оборудования;
  •  разведка залежей минералов по данным аэрофотосъемок;
  •  анализ составов примесей;
  •  управление процессами.
  1.  Промышленное производство.
  •  управление манипуляторами;
  •  управление качеством;
  •  управление процессами;
  •  обнаружение неисправностей;
  •  адаптивная робототехника;
  •  управление голосом.
  1.  Служба безопасности.
  •  распознавание лиц;
  •  распознавание голосов;
  •  распознавание отпечатков пальцев.
  1.  Телевидение и связь.
  •  адаптивное управление сетью связи;
  •  сжатие и восстановление изображения.

Данный список далеко не полон. Ежемесячно западные средства массовой информации сообщают о новых коммерческих продуктах, разработанных на базе нейронных сетей.

 

Глава 2. Практическое применение нейронных сетей для определения риска родителей быть лишенными родительских прав в отношении своих несовершеннолетних детей.

2.1 Постановка задачи.

Лишение родительских прав – это санкция за неправильное поведение родителей в отношении детей (т.е. не исполнение обязанности по воспитанию своих детей, обучению и (или) содержанию и (или) жестокое обращение и т.п.), направленная на защиту интересов детей и перевоспитание родителей.

Лишение родительских прав как санкция имеет троякое назначение: уберечь здоровье и психику ребенка и создать ему нормальные условия жизни, наказать родителей за их общественно вредное поведение, оказать воспитательное воздействие на родителей, хотя и лишенных родительских прав, но имеющих еще возможность их восстановить, а также превентивное воздействие на других неустойчивых в семье и быту граждан [2].   

Для лишения родительских прав законодательство устанавливает следующие основания:

  1.  Уклонение родителей от выполнения их обязанностей, в том числе злостное уклонение от уплаты алиментов.
  2.  Отказ без уважительных причин взять своего ребенка из родильного дома (отделения) либо из иного лечебного, воспитательного учреждения, учреждения социальной защиты населения или из других аналогичных учреждений.
  3.  Злоупотребление родительскими правами (создание препятствий в обучении ребенка либо, напротив, чрезмерная загрузка ребенка, отрицательно сказывающаяся на его здоровье и общем развитии, склонение к попрошайничеству, воровству, проституции, употреблению спиртных напитков и т.д.).
  4.  Жестокое обращение с детьми, в том числе осуществление физического или психического насилия над ними, покушение на их половую неприкосновенность.
  5.  Хронический алкоголизм или наркомания.
  6.  Совершение умышленного преступления против жизни или здоровья детей либо против жизни или здоровья супруга [1].

Для лишения родительских прав достаточно одного из перечисленных оснований. Лишение родительских прав производится в судебном порядке.

Данные судебной статистики показывают, что дела о лишении родительских прав составляют незначительное количество среди гражданских дел, рассматриваемых судами. Однако именно эта категория гражданских дел наиболее сложна, поскольку требует особого качества досудебной подготовки дел, полного исследования доказательств процесса, тщательного оформления процессуальных документов, протоколов, решений, соблюдение судами сроков рассмотрения дел.

Основную категорию лишенных родительских прав составляют лица старше 30 лет, наибольшее количество лишенных родительских прав – одинокие женщины, родившие ребенка в незарегистрированном браке, разведенные, не работающие или находящиеся в местах лишения свободы.

Родители также могут быть лишены родительских прав, если они уклоняются от выполнения своих обязанностей, не заботятся о нравственном воспитании детей, их физическом развитии, обучении, подготовке к общественно-полезному труду.

Итак, задача состоит в том, чтобы с помощью нейронных сетей определить возможность родителей быть лишенными родительских прав в отношении своих несовершеннолетних детей.

Выяснив какие факторы наиболее существенно влияют на принятие решения о лишении родительских прав, мы получим достаточное число параметров для решения поставленной задачи.

Так как параметры, описывающие предметную область, имеют разнообразный характер, то всю нечисловую информацию необходимо закодировать в числовой вид, поскольку нейросеть в состоянии обрабатывать только числа.

Рассмотрим первый параметр «Пол». Под 0 будем подразумевать мужской пол, под 1 – женский пол. Параметр «Наличие постоянного места работы»: 0 – есть постоянное место работы, 1 – постоянное место работы отсутствует. Параметр «Материальное благосостояние»: 0 – Средний ежемесячный доход, 1 – Ежемесячный доход ниже среднего уровня, 2 – ежемесячный доход выше среднего уровня. Параметр «Наличие постоянного места жительства»: 0 – есть постоянное место жительства, 1 – нет постоянного места жительства. Параметр «Допускается в семье жестокое обращение с ребенком»: 0 – жестокое обращение допускается, 1 – в семье не допускается жестокое обращение с ребенком. Параметр «Хронический алкоголизм / наркомания»: 0 – человек страдает хроническим алкоголизмом / наркоманией, 1 – человек не страдает хроническим алкоголизмом / наркоманией. Параметр «Наличие судимости»: 0 – есть судимость, 1 – судимости нет (табл. 1).

Таблица 1.

Список параметров.

Номер параметра

Название параметра

Варианты

Х1

Пол

0 – мужской;

1 – женский.

Х2

Возраст

Х3

Наличие постоянного места работы

0 – есть;

1 – нет.

Х4

Материальное благосостояние

0 – средний доход;

1 – доход ниже среднего;

2 – доход выше среднего.

Х5

Наличие постоянного места жительства

0 – есть;

1 – нет.

Х6

Допускается жестокое обращение с ребенком

0 – да;

1 – нет.

Х7

Хронический алкоголизм / наркомания

0 – есть;

1 – нет.

Х8

Наличие судимости

0 – есть;

1 – нет.

На выходе будет формироваться результирующий вектор Y со следующими компонентами: 0 – есть риск быть лишенным родительских прав, 1 – риска быть лишенным родительских прав нет.

Для того чтобы определить количество нейронов на скрытых слоях персептрона используется формула, являющаяся следствием теорем Арнольда–Колмогорова–Хехт-Нильсена.

 , где

Ny  - размерность выходного сигнала;

Q – число элементов обучающей выборки;

Nw – необходимое число синаптических весов;

Nx – размерность входного сигнала.

Тогда число нейронов в скрытых слоях рассчитывается по формуле

В данной работе сеть была построена, исходя из следующих параметров:

Nx=8;

Ny=1;

Q=185.

Следовательно, 22  ≤Nw ≤ 242, а число нейронов в скрытых слоях 2 ≤ N ≤ 27.

Даная формула дает достаточно большой разброс числа нейронов в скрытых слоях, и поэтому из множества получаемых сетей рассматривается наиболее оптимальная сеть.

При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, то есть правильно реагировать на примеры, которых в обучающей выборке не было [5]. Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой ε, а погрешность, вычисленная на тестовой выборке – погрешностью обобщения, обозначаемой εТ (рис. 2). 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=Nопт, возрастает.   

Рис. 2. Характерные зависимости погрешности обучения и погрешности обобщения от числа нейронов внутренних слоев персептрона.

В таблице  2 приведены данные обучающей выборки данной сети, а в таблице 3 -  данные тестируемой выборки, которые не входили в процесс обучения, и на основе которых можно понять, насколько точно обучилась сеть.      

Таблица 2.

Обучающая выборка.

Пол

Возраст

Наличие постоянного места работы

Материальное благосостояние

Наличие постоянного места жительства

Допускается жестокое обращение с ребенком

Хронический алкоголизм / наркомания

Наличие судимости

Выход

1

26

0

1

0

1

1

1

1

1

26

1

1

1

1

0

1

0

1

31

1

1

1

1

0

0

0

1

43

1

1

0

1

0

1

0

0

44

1

1

0

1

0

1

0

1

26

1

1

1

1

0

0

0

0

21

1

1

1

0

0

0

0

1

38

1

1

0

0

0

1

0

0

43

1

1

0

1

0

1

0

0

29

1

1

1

1

0

0

0

1

35

1

1

1

1

0

1

0

1

36

1

1

1

1

1

1

0

0

55

1

1

0

1

0

0

0

0

37

1

1

0

1

0

0

0

1

24

1

1

1

1

0

1

0

1

38

1

1

1

0

1

1

0

1

35

1

1

0

0

0

1

0

1

28

1

1

0

0

0

1

0

0

33

1

1

0

1

0

1

0

0

49

1

1

0

0

0

0

0

0

29

0

0

0

1

1

1

1

1

31

1

1

1

0

0

1

0

1

29

1

1

0

1

0

1

0

0

30

1

1

0

1

0

1

0

1

28

1

1

0

1

0

1

0

0

34

1

1

0

1

0

1

0

1

34

1

1

0

1

0

1

0

1

28

1

1

1

1

0

1

0

0

44

0

0

0

1

1

1

1

1

28

1

1

0

1

0

0

0

0

32

1

1

0

0

0

0

0

1

28

1

1

1

1

0

0

0

1

29

0

1

0

1

0

1

1

0

36

0

0

0

1

1

1

1

1

32

1

1

0

0

0

1

0

1

29

1

1

0

0

0

1

0

1

32

1

1

1

0

0

1

0

1

26

1

1

1

0

0

1

0

1

33

1

1

0

1

1

1

1

1

38

1

1

1

1

0

1

0

0

38

1

1

1

1

0

1

0

1

29

1

1

0

1

1

0

1

1

29

0

0

0

0

0

0

0

0

29

1

1

0

1

0

1

0

1

31

1

1

0

0

0

1

0

1

25

1

0

0

1

0

0

0

0

30

0

0

0

0

0

1

0

1

33

1

1

1

0

0

1

0

1

31

1

1

0

1

0

1

0

0

31

1

1

1

1

0

0

0

1

40

1

1

0

0

0

1

0

1

29

1

1

1

1

0

0

0

1

32

1

1

1

0

0

0

0

0

32

1

1

1

1

0

0

0

1

45

1

1

0

0

0

1

0

0

46

1

1

0

1

0

0

0

1

33

1

1

0

0

0

1

0

0

34

0

0

0

0

0

1

0

1

41

0

1

0

0

0

1

0

1

27

1

1

0

0

0

0

0

0

28

1

1

0

0

0

1

0

1

30

1

1

1

1

0

1

0

0

31

1

1

1

1

0

0

0

1

25

1

1

0

1

0

1

0

1

27

1

1

1

1

0

1

0

1

41

1

1

1

0

1

0

0

0

37

1

1

0

0

1

1

0

1

24

1

1

1

0

0

1

0

1

27

1

1

0

0

0

1

0

0

29

1

1

0

0

0

1

0

1

32

1

1

1

0

0

0

0

0

38

1

1

1

0

0

1

0

1

39

1

1

0

0

0

1

0

0

39

1

1

0

1

0

0

0

1

42

0

0

0

0

0

0

0

0

45

0

0

0

0

0

0

0

1

29

0

0

0

0

0

1

0

1

46

1

1

1

0

0

1

0

1

34

1

1

1

0

0

1

0

1

30

1

1

0

1

0

0

0

0

30

1

1

0

0

0

0

0

0

25

1

1

0

0

0

0

0

1

29

1

1

0

1

0

1

0

1

28

1

1

1

1

0

1

0

1

24

1

1

0

1

0

1

0

1

28

1

1

1

1

0

1

0

0

31

1

1

1

1

0

0

0

1

23

1

1

1

0

1

1

0

1

40

1

1

0

1

0

1

0

1

39

1

1

0

0

1

1

0

1

24

1

1

0

1

0

1

0

1

34

1

1

1

1

1

0

0

0

51

1

1

1

0

1

0

0

1

35

1

1

0

1

0

0

0

1

30

1

1

0

0

1

1

0

1

24

1

1

0

1

0

1

0

1

34

1

1

1

1

0

1

0

0

33

1

1

1

1

0

0

0

1

31

1

1

0

0

0

1

0

1

45

1

1

0

1

0

1

0

1

39

0

0

0

0

0

1

0

0

43

1

1

0

1

0

1

0

1

31

1

1

1

0

0

1

0

0

32

0

0

1

0

0

1

0

1

39

1

1

0

0

0

1

0

0

42

0

0

0

0

0

0

0

1

38

1

1

0

1

0

0

0

0

41

1

1

0

0

0

1

0

1

51

0

0

0

1

1

1

1

0

51

0

0

0

1

1

1

1

1

43

1

1

0

1

0

0

0

1

31

1

1

1

0

0

1

0

1

27

1

1

1

0

0

0

0

0

29

1

1

1

1

0

0

0

0

25

1

1

1

1

0

0

0

1

29

1

1

1

0

1

0

0

1

28

1

1

1

1

0

0

0

1

31

1

1

1

0

0

0

0

1

35

1

1

1

0

0

1

0

1

22

1

1

0

0

0

1

0

1

38

1

1

1

1

0

1

0

0

38

0

0

1

1

0

1

0

1

31

1

1

0

1

0

1

0

0

34

1

1

0

1

0

0

0

1

29

1

1

1

0

0

1

0

0

29

1

1

0

1

0

0

0

1

50

1

1

0

1

0

0

0

0

46

1

1

0

0

0

1

0

1

30

1

1

0

0

0

1

0

1

37

1

1

0

0

1

1

0

0

34

1

1

1

1

1

0

0

1

28

1

1

1

1

0

1

0

1

31

1

1

0

1

0

1

0

0

32

1

1

0

0

1

0

0

1

32

1

1

0

1

0

1

0

0

33

1

1

0

1

0

0

0

1

45

1

1

0

0

0

1

0

1

34

1

1

1

1

0

1

0

0

39

1

1

0

1

0

1

0

1

36

1

1

0

0

0

1

0

0

33

1

1

0

1

0

0

0

1

29

1

1

0

0

0

1

0

1

32

0

0

0

1

1

1

1

0

35

0

0

0

1

0

1

1

1

36

1

1

0

0

0

1

0

1

39

1

1

0

1

0

1

0

0

41

1

1

0

0

0

1

0

1

32

1

1

1

1

0

0

0

1

30

0

0

0

1

0

1

1

1

30

1

1

0

1

0

0

0

1

43

1

1

0

1

0

1

0

1

31

1

1

0

0

0

1

0

1

51

0

0

0

1

0

1

1

0

51

0

0

0

1

1

0

1

1

27

0

0

0

1

1

0

1

0

32

1

1

1

1

0

0

0

1

34

1

1

0

0

0

0

0

1

34

1

1

1

1

0

1

0

1

41

1

1

0

1

0

1

0

1

31

1

1

0

0

0

1

0

1

39

1

1

0

1

0

0

0

1

38

1

1

0

0

0

1

0

1

29

1

1

0

1

0

0

0

1

39

1

1

0

1

0

1

0

1

34

1

1

1

1

0

1

0

0

40

1

1

0

0

1

0

0

1

31

1

1

0

1

0

1

0

0

31

1

1

0

1

0

0

0

1

32

1

1

0

1

0

1

0

0

33

0

0

0

1

1

0

1

1

30

1

1

0

0

0

1

0

0

36

1

1

0

0

0

1

0

1

32

1

1

1

1

0

1

0

1

30

1

1

0

1

0

1

0

1

36

1

1

0

1

0

1

0

1

31

1

1

0

0

0

1

0

0

32

1

1

0

1

0

1

0

1

43

1

1

0

1

0

1

0

0

44

1

1

0

0

0

0

0

1

28

1

1

0

1

0

1

0

0

33

0

0

0

0

0

1

0

1

36

0

0

0

1

1

1

1

1

26

0

0

0

1

1

1

1

1

30

0

0

0

1

1

1

1

1

25

0

2

0

1

1

1

1

Всего для обучения нейросети было использовано 185 примеров обучающей выборки.

Таблица 3.

Тестируемая выборка.

X1

X2

X3

X4

X5

X6

X7

X8

Y

2

35

2

2

1

1

1

2

0

2

28

2

2

1

1

1

2

0

2

35

2

2

1

2

1

2

0

1

33

2

2

1

2

1

2

0

1

49

2

2

1

1

1

1

0

1

29

1

1

1

2

2

2

1

2

31

2

2

2

1

1

2

0

2

29

2

2

1

2

1

2

0

1

30

2

2

1

2

1

2

0

1

43

1

3

1

2

2

2

1

Строгой теории выбора оптимального числа скрытых слоев персептрона пока нет. На практике чаще всего используются персептроны, имеющие один или два скрытых слоя. При моделировании в данной работе использовалась нейронная сеть, разработанная студентом ПГУ (рис. 3). Из данного рисунка видно, что для решения поставленной задачи использовалась сеть с восьмью входными нейронами; двумя скрытыми слоями, количество нейронов на первом скрытом слое равно трем, на втором – двум; и одним нейроном на выходе.

На вкладке «Проектирование сети» данной нейронной сети указываются: тип активационной функции каждого слоя сети, число нейронов входного и выходного слоев сети, а также число скрытых слоев. На вкладке «Обучение» загружается выборка, используемая для обучения нейронной сети, также здесь задается число итераций обучения и скорость обучения. На вкладке «Вычисления» вводятся входные параметры для проверки работы нейросимулятора.

Рис. 3. Внешний вид нейросимулятора.

Сигналы, поступающие на входы X1 ….. X n , 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. Настройка весов нейронной сети происходит в результате обучения. Сети предъявляется как входной образец данных, 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 уменьшается. 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 достигает некоторого определенного уровня малости, либо когда ошибка перестает 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

CTi – это модельные значения (полученные в результате обучения сети),

CПi – это практические значения.

2.2 Анализ полученных результатов.

Результаты, полученные при использовании описанного метода обратного распространения, представлены в таблице 4. Значения брались произвольно,  первые 10 примеров, представленные в таблице 2, выделены жирным шрифтом.  

Таблица 4.

Результаты использования метода обратного распространения.

№ п/п

Риск лишения родительских прав

Практические значения

Модельные значения

1

1

0,9998

2

0

0,0021

3

0

0,0021

4

0

0,0031

5

0

0,0008

6

0

0,0021

7

0

0,0022

8

0

0,0020

9

0

0,0008

10

0

0,0022

Данный метод выдал результаты, наиболее близкие к практическим, то есть можно с большой долей уверенности предположить, что искомая зависимость найдена точно. Для того чтобы наглядно продемонстрировать это утверждение графическим образом представим соотношение между теоретическими и модельными значениями (рис. 4).

  

Рис. 4. Результаты нейросетевого прогнозирования, соотношение между  теоретическими и модельными значениями.

Насколько точно обучилась данная нейронная сеть можно увидеть на рис. 5.

Для окончательного подтверждения работоспособности модели на вход сети были поданы значения из тестируемой выборки (рис. 6).

На формирование решения о возможности быть лишенными родительских прав влияют некоторые параметры, например: наличие постоянного места работы, материальное благосостояние, наличие постоянного места жительства и т.д. Исследуя данную проблему в г. Перми, я решила вывести закон зависимости между риском быть лишенным родительских прав и материальным благополучием семьи (рис.7). Данные, используемые для выделения закона, представлены в таблице 5.

Рис. 5. Ошибка сети.

 

Рис. 6. Результаты нейросетевого прогнозирования на тестовых примерах.

Таблица 5.

Данные, используемые для выведения зависимости между риском быть лишенным родительских прав и материальным благополучием.

X1

X2

X3

X4

X5

X6

X7

X8

Y

1

26

1

1

1

1

0

1

0,0019

1

26

1

0

1

1

0

1

0,0024

1

26

1

2

1

1

0

1

0,0025

0

44

1

1

0

1

0

1

0,0011

0

44

1

0

0

1

0

1

0,0017

0

44

1

2

0

1

0

1

0,0023

Материальное благополучие:

0 – средний доход;

1 – доход ниже среднего;

2 – доход выше среднего.

Рис. 7. Зависимость риска быть лишенным родительских прав и материального благополучия.

Как видно из рисунка 7, чем выше материальное благосостояние человека, независимо от пола, тем меньше у него шансов быть лишенным родительских прав, на рис. 7 обе кривые совпадают. Однако материальное благосостояние гражданина не является решающим фактором при лишении родительских прав. Так, например, встречаются такие случаи, что ежемесячный доход человека является средним или даже выше среднего, но при этом он жестоко обращается со своим ребенком или болен хроническим алкоголизмом / наркоманией, в таком случае, несмотря на материальное благополучие, он будет лишен родительских прав в отношении своего ребенка.

Также можно провести исследование зависимости вероятности быть лишенным родительских прав от возраста родителя (рис. 8). Данные, используемы для выделения зависимости, представлены в таблице 6.

Таблица 6.

Данные, используемы для выделения зависимости между риском быть лишенным родительских прав и возрастом родителя.

X1

X2

X3

X4

X5

X6

X7

X8

Y

0

21

1

1

1

0

0

0

0,0024

0

31

1

1

1

0

0

0

0,0024

0

41

1

1

1

0

0

0

0,0024

0

51

1

1

1

0

0

0

0,0024

0

61

1

1

1

0

0

0

0,0024

1

21

1

1

1

0

1

1

0,0023

1

31

1

1

1

0

1

1

0,0023

1

41

1

1

1

0

1

1

0,0023

1

51

1

1

1

0

1

1

0,0023

1

61

1

1

1

0

1

1

0,0022

 

Рис. 8. Зависимость риска быть лишенным родительских прав и возраста родителя.

Как видно из рисунка 8, возраст не является основным параметром при лишении родительских прав и определенную зависимость риска быть лишенным родительских прав от возраста родителя вывести практически не возможно, так как здесь в большей мере наблюдается индивидуальный подход в зависимости от человека. Но по статистическим данным чаще всего лишенные родительских прав – это лица старше 30 лет [2].

Попробуем определить более значимые параметры, которые непосредственно влияют на риск быть лишенным родительских прав.

Рассмотрим зависимость риска быть лишенным родительских прав от такого параметра как допуск жестокого обращения в отношении своего ребенка (рис. 9). Данные, используемы для выделения данной зависимости, представлены в таблице 7.

Таблица 7.

Данные, используемые для выделения зависимости между риском быть лишенным родительских прав и жестоким обращением с ребенком.

X1

X2

X3

X4

X5

X6

X7

X8

Y

1

51

0

0

0

1

0

1

1,0001

0

29

0

0

0

1

1

1

1,0030

1

28

1

1

0

0

0

1

0,0022

0

21

1

1

1

0

0

0

0,0024

Жестокое обращение с ребенком:

0 – допускается жестокое обращение в отношении своего ребенка.

1 – жестокое обращение не допускается в отношении ребенка.

 

Рис. 9. Зависимость риска быть лишенным родительских прав и жестокого обращения с ребенком.

Как видно из рисунка 9, жестокое обращение с ребенком напрямую влияет на риск быть лишенным родительских прав, не зависимо от пола, обе кривые на рисунке 9 совпадают.

Еще один важный параметр, который влияет на лишение родительских прав – наличие у    родителя    такого заболевания как хронический алкоголизм / наркомания (рис. 10). Данные, используемые для выделения данной зависимости, представлены в таблице 8.

Таблица 8.

Данные, используемые для выделения зависимости между риском быть лишенным родительских прав и хроническим алкоголизмом / наркоманией.

X1

X2

X3

X4

X5

X6

X7

X8

Y

1

28

1

1

0

0

0

1

0,0024

0

21

1

1

1

0

0

0

0,0026

0

29

0

0

0

1

1

1

1,0032

1

26

0

0

0

1

1

1

0,9997

Хронический алкоголизм / наркомания:

0 – есть заболевание хроническим алкоголизмом / наркоманией.

1 – заболевания хроническим алкоголизмом / наркоманией нет.

Рис. 10. Зависимость риска быть лишенным родительских прав и хронического алкоголизма / наркомании.

Как видно из рисунка 10, наличие у родителя такого заболевания как хронический алкоголизм / наркомания также напрямую влияют на принятие решения о лишении родительских прав, не зависимо от пола, так как обе кривые совпадают.

Рассмотрим еще один значимый параметр   –   это наличие у родителя судимости (рис. 11). Данные, используемые для выделения зависимости между риском быть лишенным родительских прав и наличием судимости, представлены в таблице 9.

Таблица 9.

Данные, используемые для выделения зависимости между риском быть лишенным родительских прав и наличием судимости.

X1

X2

X3

X4

X5

X6

X7

X8

Y

1

28

1

1

0

0

0

1

0,0024

0

21

1

1

1

0

0

0

0,0026

0

29

0

0

0

1

1

1

1,0032

1

31

1

1

1

1

0

0

0,0025

Наличие судимости:

0 – есть судимость.

1 – судимости нет.

Рис. 11. Зависимость риска быть лишенным родительских прав и наличием судимости.

Как видно из рисунка 11,  наличие судимости в какой-то мере влияет на принятие решения о лишении родительских прав, но не является решающим. Данный параметр рассматривается в совокупности с остальными параметрами.

Итак, рассмотрев некоторые основные параметры и определив зависимости, можно прийти к выводу, что риск быть лишенным родительских прав напрямую зависит от двух параметров: жестокое обращение с ребенком и наличие хронического алкоголизма / наркомании. Наличие судимости также имеет влияние на лишение родительских прав, но уже не такое прямое и здесь уже рассматривается конкретная ситуация и совокупность всех параметров. Остальные же параметры: материальное благополучие, наличие места жительства, работы, возраст имею косвенное влияние на риск быть лишенным родительских прав, и рассматриваются все в совокупности.

 

 

Заключение.

В данной работе я пыталась изучить возможность использования нейронной сети при определении риска родителей быть лишенными родительских прав в отношении своих несовершеннолетних детей.

Для обучения персептрона, решающего поставленную задачу, была использована обучающая выборка, состоящая из 185 примеров. Обучающая выборка была разработана на основе архивных данных Реабилитационного центра для несовершеннолетних детей «Вера». После обучения на вход персептрона были поданы сигналы, которых не было в обучающей выборке (тестируемая выборка), на выходе были получены адекватные результаты, то есть соответствующие действительности. В результате можно убедиться в том, что персептрон смог решить поставленную перед ним задачу.

В реальной жизни, при принятии окончательного решения о лишении родительских прав большую роль играет человеческий фактор, и у родителей при их желании всегда есть шанс изменить ситуацию в семье.

Данная нейронная сеть может использоваться специалистами реабилитационных центров для несовершеннолетних детей, специалистами органов опеки и попечительства в отношении несовершеннолетних детей, непосредственно при работе с родителями по реабилитации семьи на промежуточном этапе. Что может послужить наглядным толчком для изменения образа жизни родителей, формирования чувства ответственности за воспитание своих детей, предупреждением о лишении родительских прав в отношении их несовершеннолетних детей.    

Библиографический список.

Литература.

  1.  Семейный кодекс РФ
  2.  Сергеев А.П., Толстой Ю.К. Гражданское право. Часть 3, М.: Издательство «Проспект», 1999.
  3.  Ф. Уоссермен. Нейрокомпьютерная техника: Теория и практика. Перевод на русский язык, Ю. А. Зуев, В. А. Точенов, 1992.
  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.

Ресурсы Интернет.

  1.  http://lii.newmail.ru/
  2.  http://neuronets.ru/
  3.  http://www.statsoft.ru/
  4.  http://www.neuroproject.ru


 

А также другие работы, которые могут Вас заинтересовать

33049. Государственные финансы: понятие, структура (федеральные финансы, финансы субъектов федерации) 28.5 KB
  Государственные финансы: понятие структура федеральные финансы финансы субъектов федерации. Государственные финансы являются составной частью общей финансовой систем и являются инструментом мобилизации средств всех секторов экономики для проведения государственной внутренней и внешней политики. Государственные финансы представляют собой единый комплекс финансовых операций органов государственного управления с помощью которого аккумулируются денежные средства и осуществляются денежные расходы. Государственные финансы – это система денежных...
33050. Політична свідомість, правова та моральна свідомість 13.02 KB
  Це – політична свідомість правова моральна релігійна естетична наукова свідомість тощо. Політична свідомість відображає суспільне буття найбільш безпосереднім і глибоким способом. Політична свідомість включає в себе ідеологічну і психологічну сторони. Важливу роль у регулюванні відносин між людьми відіграє правосвідомість.
33051. Характеристика свідомості 12.55 KB
  Активність свідомості проявляється в тому що людина відображає зовнішній світ цілеспрямовано вибірково. Дійсність відтворюється в свідомості людини не в дзеркальномертвому а в творчо перетвореному вигляді. Отже під активністю свідомості мається на увазі її вибірковість і цілеспрямованість яка виявляється у формуванні нових ідей в актах продуктивного уявлення в управлінні практичною діяльністю. Творчий характер свідомості в практичній діяльності людини виявляється в тому що поперше завдяки свідомості людина пізнає закони об'єктивної...
33052. Принципи діалектичного осмислення буття 14.4 KB
  Принцип об´єктивностіпоходить з атрибутивності відображення і вторинності свідомості як вищої форми відображення. Принцип об´єктивності доповнюється іншими принципами що забезпечують адекватність відображення. Цей принцип спрямовує мислення на перехід від явищ до їх сутності до пізнання закономірностей а також необхідних суттєвих зв´язків предмета що розглядається з оточуючими його предметами і процесами. Принцип історизмупотребує поперше якісної абосутнісної ретроспективизнання сутності; подругепередумовного розглядурозгляду...
33053. Закон єдності і боротьби протилежностей 15.08 KB
  Маючи обєктивний зміст закони діалектики виконують гносеологічну функцію: виступають ступенями проникнення в сутність розвитку його відтворення в обєктивній конкретній всезагальності від відображення розвитку як якісної зміни взагалі до розкриття суперечливої сутності цього процесу як єдності змін і збереження та як суперечності що розвязуються у формі поступального сходження від нижчого до вищого. Закон єдності і боротьби протилежностей один з основних законів діалектики який визнаєвнутрішнє джерело руху і розвитку в природі...
33054. Світоглядне і методологічне значення категорій 14.43 KB
  Він розглядав категорії як апріорні форми розсуду за допомогою яких розсудок упорядковує пізнавальний матеріал одержуваний за допомогою відчуттів. Кант оголосив категорії суб'єктивними формами розумової діяльності що притаманні свідомості до досвіду апріорі. Вчення про категорії найбільш розвинуте у філософії Гегеля в якого Наука логіки виступає як діалектична система філософських категорій. Заслуга Гегеля полягає саме у створенні діалектичної логіки де всі категорії взаємопов'язані переходять одна в одну і всі разом відтворюють...
33056. Питання про пізнаванність обєктивного світу 15.19 KB
  Наука яка вивчає сутність знання закономірності його функціонування і розвитку називаєтьсятеорією пізнання або гносеологією. Основною проблемою гносеології є проблема відносин обєкта пізнання навколишнього світу і субєкта пізнавальної діяльності людини. Вперше в історії філософії саме у Демокріта зявляється розгорнута теорія пізнання заснована на розумінні чуттєвого і розумового. Важливий крок у розвитку теорії пізнання було зроблено європейською філософією XVII XVIII ст.
33057. Практика пізнання 13.32 KB
  Практика це матеріальна чуттєвопредметна цілепокладаюча діяльність людини що має своїм змістом засвоєння і перетворення природних і соціальних об'єктів і становить загальну основу рушійну силу розвитку людського суспільства і пізнання. Структура практикимістить у собі такі моменти якпотреба мета мотив доцільна діяльність у вигляді її окремих актів предмет до якого спрямована діяльність засоби за допомогою яких досягається мета і нарешті результатдіяльності. ♦ Основним і вихідним видом суспільної практики є насамперед...