49128

Использование нейронных сетей при определении поведения личности в конфликтной ситуации

Курсовая

Информатика, кибернетика и программирование

Искусственные нейронные сети 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. Своей популярностью искусственные нейронные сети ИНС обязаны уникальному свойству заложенных в них идей: они способны обучаться на множестве примеров впоследствии узнавая в потоке информации черты ранее встреченных образов и ситуаций. По своей природе искусственные нейронные сети напоминают деятельность...

Русский

2013-12-21

2.97 MB

2 чел.

Федеральное агентство по образованию

государственное образовательное учреждение высшего профессионального образования «ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

факультет информатики и экономики

кафедра информатики и ВТ

КУРСОВОЙ ПРОЕКТ

по дисциплине

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

на тему:

«Использование нейронных сетей при определении поведения личности в конфликтной ситуации»

Работу выполнила:

студентка гр.1233

Яшкина Ж.В.

Научный руководитель:

Профессор Ясницкий Л.Н.

Подпись

«____»________________2008г.

Пермь 2008


СОДЕРЖАНИЕ

ВВЕДЕНИЕ 3

Глава 1. Нейросетевые технологии 4

1.1. Искусственные нейронные сети 4

1.2. Области применения нейронных сетей 5

Глава 2. Практическое применение нейронных сетей при определении поведения личности в конфликтной ситуации 6

2.1. Постановка задачи 6

2.2. Проектирование модели 7

2.3. Анализ полученных результатов 15

2.4. Выводы по результатам проведенной работы 22

ЗАКЛЮЧЕНИЕ 24

БИБЛИОГРАФИЧЕСКИЙ СПИСОК 25


ВВЕДЕНИЕ

Сегодня существует несколько направлений развития искусственного интеллекта. Это такие направления как разработка интеллектуальных систем, нейросетевые и нейрокомпьютерные технологии, распознавание образов, игры и творчество, компьютерная лингвистика, интеллектуальные роботы, компьютерные вирусы и интеллектуальное математическое моделирование[6].

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. Своей популярностью искусственные нейронные сети (ИНС) обязаны уникальному свойству заложенных в них идей: они способны обучаться на множестве примеров, впоследствии «узнавая» в потоке информации черты ранее встреченных образов и ситуаций. По своей природе искусственные нейронные сети напоминают деятельность человеческого мозга. Благодаря этой способности развитие нейросетевых технологий сегодня происходит в самых разнообразных областях и направлениях[2]. Особенно интересно, по моему мнению, развитие и применение нейросетевых технологий в тех областях, где содержится большое количество трудноформализуемой, неточной и неподдающейся анализу информации. В частности к таким областям можно отнести психологию. Поэтому предметом исследования моей курсовой работы является применение нейросетевых технологий в области психологии и менеджмента. Цель –  проверить насколько точно и правильно с помощью нейросетевых технологий можно предсказать поведение определенного человека в той или иной конфликтной ситуации. Достижение поставленной цели предопределило постановку и решение следующих задач:

  •  вспомнить теоретические основы искусственного интеллекта;
  •  применить эти теоретические основы на практике;
  •  обучить один из нейросимуляторов;
  •  проанализировать результаты работы нейросимулятора;
  •  вывести закон, показывающий результат работы.


Глава 1. Нейросетевые технологии

1.1. Искусственные нейронные сети

Основу каждой нейронной сети составляют относительно простые, в большинстве случаев – однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка нейронной сети. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом wi, который по физическому смыслу эквивалентен электрической проводимости[4].

Рис.1 Искусственный нейрон

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.

Важно отметить, что вся информация, которую нейронная сеть имеет о задаче, содержится в наборе примеров. Поэтому качество обучения нейронной сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу. Так, например, бессмысленно использовать нейронную сеть для предсказания финансового кризиса, если в обучающей выборке кризисов не представлено. Считается, что для полноценной тренировки нейронной сети требуется хотя бы несколько десятков (а лучше сотен) примеров [1].


1.2. Области применения нейронных сетей

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[5].

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 распознавания лиц), так и достаточно универсальными.

Области применения нейронных сетей весьма разнообразны — это распознавание изображения и речи, семантический поиск, экспертные системы и системы поддержки принятия решений, предсказание курсов акций, системы безопасности, анализ текстов[3].


Глава 2.
Практическое применение нейронных сетей при определении поведения личности в конфликтной ситуации

2.1. Постановка задачи

Как известно, в конфликтных ситуациях все люди придерживаются определенной, свойственной для них стратегии поведения. Кто-то старается найти компромисс и уладить ситуацию, а другие, напротив – до последнего настаивают на своем, тем самым зачастую, усиливая конфликт. Например, дипломаты, преподаватели (и в частности студенты ПГПУ, как будущие педагоги) должны быть больше ориентированны на сотрудничество и компромисс. А спортсменам, адвокатам, предпринимателям более свойственно соперничество и конкуренция. В идеале, конечно же, прежде чем вступать в конфликт, хотелось бы знать наперед, какая реакция нас ожидает, на что настроен человек: на мирные переговоры или на вражду. Определить это по внешним признакам не всегда удается.

И я поставила перед собой следующую цель –  проверить насколько точно и правильно с помощью нейросетевых технологий можно предсказать поведение определенного человека в той или иной конфликтной ситуации.

Предметом исследования является применение нейросетевых технологий в области психологии и менеджмента, а именно - управление персоналом.

Основой для реализации данного проекта послужил психологический тест, созданный одним из известных специалистов в области конфликтологии К. Томасом[8].  Для описания типов поведения людей в конфликтных ситуациях К. Томас считает применимой двухмерную модель регулирования конфликтов. Она содержит два основополагающих измерения. Первое - кооперация. Оно связано с учетом интересов других людей, вовлеченных в конфликт. Второе измерение - напористость. Оно характеризует акцент на защите собственных интересов. Согласно этим двум основным измерениям К. Томас выделяет следующие способы регулирования конфликтов:

1.Соревнование (конкуренция) как стремление добиться своих интересов в ущерб другому.

2.Приспособление, означающее, в противоположность соперничеству, принесение в жертву собственных интересов ради другого.

3.Компромисс.

4.Избегание, для которого характерно как отсутствие стремления к кооперации, так и отсутствие тенденции к достижению собственных целей.

5.Сотрудничество, когда участники ситуации приходят к альтернативе, полностью удовлетворяющей интересы обеих сторон.

Предполагается, что при избегании конфликта ни одна из сторон не достигнет успеха. При таких формах поведения как конкуренция, приспособление и компромисс или один участник оказывается в выигрыше, а другой проигрывает, либо проигрывают оба, так как идут на компромиссные уступки. И только в ситуации сотрудничества обе стороны оказываются в выигрыше.

Рис. 1. Анализ выделения пяти основных способов регулирования конфликтов в двухмерной модели

Применение нейросети в данной задаче поможет, во-первых, проверить эффективность и точность данного теста, либо найти какую-то свою закономерность. Во-вторых, нейросеть – это более гибкая система, которую можно легко модернизировать и видоизменять в зависимости от поставленной цели. Создание такой нейросети особенно актуально для менеджеров по персоналу, для которых, в первую очередь, я и попытаюсь адаптировать данную нейросеть. Ведь многие менеджеры компаний среднего и высшего звена не имеют базового психологического образования, но тем не менее желают оперативно получать объективную информацию о деловых и поведенческих качествах своих подчиненных или коллег для принятия верных управленческих решений. То есть, благодаря данной модели менеджер по персоналу, к примеру, сможет наиболее оптимально подобрать микроколлектив, чтобы исключить внутренние (служебные) противоречия.

2.2. Проектирование модели

Предварительно, я составила тест из 10 вопросов, в каждом из которых необходимо выбрать либо вариант А, либо В, в зависимости от того, какое утверждение больше соответствует вашим взглядам. Здесь не может быть ответов правильных или ошибочных. Люди различны, и каждый может высказать свое мнение.

Таблица 1

Анкета

В О П Р О С

А

В

1.     

А. Иногда я предоставляю возможность другим взять на себя          ответственность за решение спорного вопроса.

 

 

 

В. Чем обсуждать, в чем мы расходимся, я стараюсь обратить внимание на то, с чем мы оба согласны.

 

 

2.     

А. Я стараюсь найти компромиссное решение.

 

 

 

В. Я пытаюсь уладить дело с учетом интересов другого и моих собственных.

 

 

3.     

А. Обычно я настойчиво стремлюсь добиться своего.

 

 

 

В. Я стараюсь успокоить другого и, главным образом, сохранить наши отношения.

 

 

4.     

А. Я стараюсь убедить другого прийти к компромиссу

 

 

 

В. Иногда я жертвую своими собственными интересами ради интересов другого человека.

 

 

5.     

А. Улаживая спорную ситуацию, я все время стараюсь найти поддержку у другого.

 

 

 

В. Я стараюсь сделать все, чтобы избежать бесполезной напряженности.

 

 

6.     

А. Я пытаюсь избежать неприятностей для себя.

 

 

 

В. Я стараюсь добиться своего.

 

 

7.     

А. Я стараюсь отложить решение спорного вопроса с тем, чтобы со временем решить его окончательно.

 

 

 

В. Я считаю возможным в чем-то уступить, чтобы добиться другого.

 

 

8.     

А. Обычно я настойчиво стремлюсь добиться своего.

 

 

 

В. Я первым делом стараюсь ясно определить, в чем состоят все. затронутые интересы.

 

 

9.  

А. Я отстаиваю свои желания.

 

 

 

В. Я пытаюсь найти позицию, которая находится посередине между моей позицией и точкой зрения другого человека.

 

 

10. 

А. Я всегда занимаю такую позицию в спорном вопросе; при которой мы совместно с другим человеком можем добиться успеха.

 

 

 

В. Я стараюсь не задеть чувств другого.

 

 

После того, как испытуемый заполнит бланк для ответов, его можно расшифровать с помощью «ключа». В «ключе» каждый ответ А или В  дает представление о количественном выражении: соперничества, сотрудничества, компромисса,  избегания  и приспособления. Завершается работа выводом о том, какой стиль у вас преобладает в большей или меньшей степени.

Таблица 2

Ключ

Соперничество

Сотрудничество

Компромисс

Избегание

Приспособление

1.      

 

 

 

А

Б

2.      

 

Б

А

 

 

3.      

А

 

 

 

Б

4.      

 

 

А

 

Б

5.      

 

А

 

Б

 

6.      

Б

 

 

А

 

7.      

 

 

Б

А

 

8.      

А

Б

 

 

 

9.   

А

 

Б

 

 

10.   

 

А

 

 

Б

Таким образом, было определено:

10 входных параметров:

                    Х1 – первый вопрос в анкете (0 – А, 1 - В)

                    Х2…Х10 – соответственно для остальных вопросов;

5 выходных параметров:

Y1 – соперничество;

Y2 – сотрудничество;

Y3 – компромисс;

Y4 – избегание;

Y5 – приспособление.

Всю нечисловую информацию закодируем в числовом виде, поскольку нейросеть в состоянии обрабатывать только числа. Таким образом, ответу А будет соответствовать 0, ответу В – 1.

Ниже приведены данные обучающей (табл. 3) и тестируемой (табл. 4) выборки.

Обучающая выборка состоит из 383 обучающих примеров, часть из которых приведена ниже (полную выборку можно посмотреть в документе расчеты.xls):

Таблица 3

Обучающая выборка

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

Y1

Y2

Y3

Y4

Y5

0

0

0

0

0

0

0

0

0

0

3

2

2

3

0

0

0

0

0

0

0

0

0

0

1

3

1

2

3

1

0

0

0

0

0

0

0

0

1

0

2

2

3

3

0

0

0

0

0

0

0

0

0

1

1

2

1

3

3

1

0

0

0

0

0

0

0

1

0

0

2

3

2

3

0

0

0

0

0

0

0

0

1

0

1

2

2

2

3

1

0

0

0

0

0

0

0

1

1

0

1

3

3

3

0

0

0

0

0

0

0

0

1

1

1

1

2

3

3

1

0

0

0

0

0

0

1

0

0

0

3

2

3

2

0

0

0

0

0

0

0

1

0

0

1

3

1

3

2

1

0

0

0

0

0

0

1

0

1

0

2

2

4

2

0

0

0

0

0

0

0

1

0

1

1

2

1

4

2

1

0

0

0

0

0

0

1

1

0

0

2

3

3

2

0

0

0

0

0

0

0

1

1

0

1

2

2

3

2

1

Тестируемая выборка состоит из 5 примеров, не вошедших в обучающую выборку. На основе этих примеров можно будет понять, насколько точно обучилась сеть:

Таблица 4

Тестируемая выборка

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

Y1

Y2

Y3

Y4

Y5

0

0

1

1

1

0

0

1

1

0

0

2

2

4

2

0

0

1

1

0

0

1

0

1

0

1

2

3

2

2

0

0

1

0

0

1

0

0

1

1

2

1

3

2

2

1

1

1

1

1

1

1

1

1

1

1

2

2

1

4

1

1

1

1

1

1

1

1

0

0

2

3

1

1

3

Для  решения поставленной  задачи будем использовать персептрон, основанный на нейронной сети  с 10-ю входами, с 5-ю выходами и с одним скрытым слоем. Число нейронов скрытого слоя равно 10. Все установленные мной параметры изображены на рис. 2 и рис. 3.

Рис. 2. Проектирование сети

Рис. 3. Определение основных параметров модели

После этого необходимо обучить персептрон на основании составленной обучающей выборки. Как видно из рис. 4, ошибка обучения составила E = 0,000345.

Рис. 4. Ошибка обучения

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.

Проведем анализ определения оптимального числа нейронов на скрытом слое (рис. 5-9). (Все дополнительные расчеты для построения нижеуказанных рисунков можно посмотреть в документе расчеты.xls).

Рис. 5. Характерные зависимости погрешности обучения и погрешности обобщения для выхода Y1

Рис. 6. Характерные зависимости погрешности обучения и погрешности обобщения для выхода Y2

Рис. 7. Характерные зависимости погрешности обучения и погрешности обобщения для выхода Y3

Рис. 8. Характерные зависимости погрешности обучения и погрешности обобщения для выхода Y4

Рис. 9. Характерные зависимости погрешности обучения и погрешности обобщения для выхода Y5

Таким образом, оптимальное количество нейронов равно 10.


2.3. Анализ полученных результатов

Анализируя работу персептрона и полученные результаты можно сделать вывод, что персептрон выдал модельные значения достаточно близкие к практическим. Для того, чтобы наглядно продемонстрировать это утверждение, на гистограммах 1- 5 приведены  соотношения между теоретическими и модельными значениями для каждого выходного параметра соответственно.

Гистограмма 1. Результаты прогнозирования на тестовых примерах для выхода Y1

Гистограмма 2. Результаты прогнозирования на тестовых примерах для выхода Y2

 

Гистограмма 3. Результаты прогнозирования на тестовых примерах для выхода Y3

Гистограмма 4. Результаты прогнозирования на тестовых примерах для выхода Y4

Гистограмма 5. Результаты прогнозирования на тестовых примерах для выхода Y5

Таким образом, можно сделать вывод, что спроектированная нейросетевая модель эффективно выполняет поставленную задачу с минимальной погрешностью.

Можно также провести анализ значимости входных параметров. Для этого я из обучающей и тестирующей выборки по очереди убирала один из входных параметров (сначала убирала Х1, затем возвращала его и убирала уже Х2 и т.д). Обучала каждый раз нейросимулятор и высчитывала ошибку обучения и обобщения. На основании полученных данных можно построить следующие гистограммы, определяющие значимость входных параметров.

Гистограмма 6. Определение значимости входных параметров для выходного параметра Y1

Для выходного параметра Y1  незначимыми являются параметры Х1, Х2, Х4, Х7, так как при отсутствии этих параметров погрешность остается маленькой. А вот параметры Х3, Х6, Х8, Х9 являются особенно значимыми, так как при их отсутствии погрешность резко возрастает.  

Гистограмма 7. Определение значимости входных параметров для выходного параметра Y2

Для выходного параметра Y2 в одинаковой степени все параметры являются значимыми.

Гистограмма 8. Определение значимости входных параметров для выходного параметра Y3

Для выходного параметра Y3 значимые параметры Х4, Х7, Х9, Х10.

Гистограмма 9. Определение значимости входных параметров для выходного параметра Y4

Для выходного параметра Y4 значимыми являются параметры Х5, Х6, Х7.

Гистограмма 10. Определение значимости входных параметров для выходного параметра Y5

Для выходного параметра Y5 значимыми являются параметры Х3, Х4, Х6, Х8, Х10.

Гистограмма11. Определение рейтинга значимых входных параметров

Из Гистограммы 11 можно увидеть, что в среднем практически все входные параметры являются значимыми, за исключением параметров Х1 и Х2.

А итоги непосредственно по результатам тестирования для определения поведения человека в конфликтной ситуации можно интерпретировать, исходя из рис. 10, следующим образом.

Рис. 10. Результаты прогнозирования на тестовых примерах

Для первого примера – максимальное значение принимает Y4. Это означает, что для данного примера свойственна стратегия избегания в конфликтных ситуациях, для которой характерно как отсутствие стремления к кооперации, так и отсутствие тенденции к достижению собственных целей.

Для второго примера - максимальное значение принимает Y3. Это означает, что для данного примера свойственно стремление к достижению компромисса в конфликтных ситуациях.

Для третьего примера – максимальное значение принимает снова Y3.

Для четвертого примера – максимальное значение принимает Y5 – приспособление, что означает политику принесения в жертву собственных интересов ради интересов других людей.

Для пятого примера – максимальное значение принимают сразу и Y2, и Y5. Это означает, что для данного примера в равных пропорциях свойственны и стремление к сотрудничеству, и политика приспособления, в зависимости от ситуации.

2.4. Выводы по результатам проведенной работы

В практической части работы я  убедилась, что персептрон смог решить поставленную перед ним задачу и тем самым доказала возможность  использования нейронной сети при определении поведения личности в конфликтной ситуации. Подав на вход персептрона сигналы, которых не было в обучающей выборке, на выходе я получила адекватные результаты, то есть соответствующие действительности. Другими словами, применение нейросетевых технологий в выбранной области можно считать эффективным.

Кроме того, я сделала для себя следующий вывод. Разработанная мною модель вполне может быть адаптирована специально для менеджеров компаний среднего и высшего звена, для директоров и менеджеров по персоналу, в том числе не имеющих базового психологического образования, но желающих оперативно получать объективную информацию о деловых и поведенческих качествах своих подчиненных или коллег для принятия верных управленческих решений. То есть, благодаря данной модели менеджер по персоналу, к примеру, сможет определить насколько человек склонен к конфронтации или сотрудничеству, способен ли прогнозировать развитие конфликтной ситуации и избегать ее, или, напротив, склонен обострять противоречия, умеет ли идти на компромисс, имеет ли желание работать в коллективе. На основании этих знаний уже можно будет наиболее оптимально подобрать микроколлектив, чтобы исключить внутренние (служебные) противоречия.

Не исключено, что данную работу можно в дальнейшем усовершенствовать, попробовав дополнительно разработать модели, применимые не только к области конфликтологии, но и, к примеру, предназначенные для решения таких проблем, как:

  •  индивидуальная мотивация сотрудников - знание того, что мотивирует сотрудника, позволит принимать верные управленческие решения;
  •  развитие карьеры - четкое определение того, в какой сфере личностные качества индивида позволят ему максимально эффективно использовать свой потенциал;
  •  эффективное командообразование – налаживание коммуникаций между сотрудниками, координирование проектных групп и развитие группы;
  •  реорганизация – соблюдение принципа соответствия качеств сотрудника и требуемых качеств должности – «нужный человек на нужном месте» и др.


ЗАКЛЮЧЕНИЕ

В данной работе была достигнута цель - мы убедились, что нейронные сети являются эффективным инструментом в такой области как психология. Персептрон смог решить поставленную перед ним задачу и предсказать поведение определенного человека в той или иной конфликтной ситуации с высокой точностью.  Подав на вход персептрона сигналы, которых не было в обучающей выборке, на выходе мы получили адекватные результаты, то есть соответствующие действительности. Другими словами, применение нейросетевых технологий в выбранной области можно считать эффективным.

В итоге были достигнуты поставленные задачи:

  •  в первой части я вспомнила теоретические основы искусственного интеллекта;
  •  в практической части я обучила один из нейросимуляторов;
  •  проанализировала результаты работы нейросимулятора и сделала выводы по эффективности применения данной технологии.


БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Список литературы

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

Список сайтов

  1.  www.artint.ru - Российский НИИ Искусственного интеллекта;
  2.  www.raai.org/ - Российская ассоциация искусственного интеллекта;
  3.  http://lii.newmail.ru/- Лаборатория искусственного интеллекта;
  4.  http://www.psy-files.ru – Тест описания поведения личности в конфликтной ситуации К. Томаса.


 

А также другие работы, которые могут Вас заинтересовать

39896. Информационная безопасность. Защита информации. Основные составляющие информационной безопасности 1.38 MB
  Словосочетание информационная безопасность в разных контекстах может иметь различный смысл. В Доктрине информационной безопасности Российской Федерации термин информационная безопасность используется в широком смысле. Имеется в виду состояние защищенности национальных интересов в информационной сфере
39897. Основы визуального программирования. Компоненты страницы Standard 173.5 KB
  Форма – объект, в котором помещаются другие компоненты для создания пользовательского интерфейса приложения. Сама форма представляет собой окно Windows, размещать на ней можно как визуальные компоненты, так и не визуальные. Каждая форма обязательно «привязана» к модулю (Unit)
39898. Алгоритм численного построения решения краевой задачи с параметром и функций чувствительности этого решения к какому-либо параметру (температура, давление) модели 3.18 MB
  С точки зрения оптимального управления реактором синтеза метанола возможными задачами являются следующие: минимизация времени нагревания и охлаждения реактора; стабилизация температуры в реакторе в процессе синтеза метанола. В связи с этим в данной работе были поставлены и решались следующие задачи: разработка численных оптимальных по быстродействию алгоритмов управления непрерывными реакторными процессами синтеза метанола; разработка на примере Metacalc программного обеспечение для оптимального управления непрерывными...
39899. Повышение эффективности работы стоматологической поликлиники «Мастер-дент» 2.96 MB
  Целью данной работы является повышение эффективности работы стоматологической поликлиники «Мастер-дент», сокращение затрат времени пациентов на ожидание приема, упрощение ведения документации за счёт внедрения автоматизированной системы.
39900. Решение задач автоматизации процессов тестирования знаний и обработки результатов 3.09 MB
  В аналитической части описаны процессы тестирования знаний и обработки результатов. Для лучшего понятия предметной области построены модели ASIS. Произведен анализ систем схожего направления, выделены их достоинства и недостатки. Проведены выводы и приведены обоснования необходимости разработки, цели и задачи, объект и предмет исследования, определены функции, которые должны быть реализованы в разрабатываемой системе.
39901. Застройка территории микрорайона 6.34 MB
  Местоположение проектируемого микрорайона Под разработку дипломного проекта выбрана первая очередь застройки территории микрорайона предназначенной под жилую застройку. Характеристика существующих инженерных коммуникаций По периметру территории находятся объекты инженерной инфраструктуры а именно газопровод высокого давления и магистральный водопровод...
39902. Карстовые явления и процессы в Нижегородской области 2.2 MB
  В Нижегородской области карстовые процессы значительно осложняют строительство и эксплуатацию зданий и сооружений. Вследствие карстовых деформаций в разное время произошло несколько крупных аварий анализ которых показал что во всех случаях были допущены принципиальные ошибки на различных стадиях строительного освоения: выборе площадки инженерных изысканиях проектировании строительстве или эксплуатации сооружений. Карст представляет собой совокупность геологических гидрогеологических и или техногенных процессов и явлений обусловленных...
39903. Статистические методы в прикладных исследованиях 286.67 KB
  Расчет оплаты труда работников участвующих в пассивном эксперименте представим в виде таблицы: № п п Исполнитель Занятость Т ч.Охрана труда Анализ условий труда программиста. В связи с этим была создана и развивается наука о безопасности труда и жизнедеятельности человека. Охрана здоровья трудящихся обеспечение безопасности условий труда ликвидация профессиональных заболеваний и производственного травматизма составляет одну из главных забот человеческого общества.
39904. Разработка информационной системы автоматизации фронт-офисных задач в гостиничном бизнесе 2.04 MB
  АНАЛИЗ СИСТЕМЫ УПРАВЛЕНИЯ БАЗАМИ ДАННЫХ MS SQL SERVER И ИНТЕГРИРОВАННОЙ СРЕДЫ РАЗРАБОТКИ BORLAND C BUILDER. Анализ системы управления базами данных. Масштабируемый доступ к базам данных. Проектирование базы данных Гостиница SRL Kiwiban.