49135

Использование нейронных сетей для определения темперамента человека

Курсовая

Информатика, кибернетика и программирование

При обучении на вход нейросети один за другим подаются исходные данные и сеть генерирует свои ответы. Цель: показать можно ли использовать нейронные сети и эффективно ли применение нейронных сетей при определении человеческого темперамента. Искусственный интеллект и нейросетевые технологии 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 подобно...

Русский

2013-12-21

564.5 KB

4 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 для определения темперамента человека»

ИСПОЛНИТЕЛЬ: студентка гр.1233

Борисова О.В.

НАУЧНЫЙ РУКОВОДИТЕЛЬ:

профессор Л. Н. Ясницкий

Пермь 2008


Содержание

[1]
Содержание

[2]
Глава 1. Искусственный интеллект и нейросетевые технологии

[3]
ГЛАВА 2. Практическое применение нейронных сетей для определения темперамента  человека

[4] 2.1. Постановка задачи

[5]
2.2. Обучение персептрона

[6]
2.3 Анализ полученных результатов

[7] Заключение.

[8]
Список использованной литературы


Введение

Искусственный интеллект - это раздел информатики, посвященный моделированию интеллектуальной деятельности человека. Сегодня - это обширная область исследований и разработок интеллектуальных систем, предназначенных для работ в трудно формализуемых областях деятельности человека.  Для задач, решаемых методом искусственного интеллекта, характерно 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. При этом они могут менять свои параметры и структуру, совершенствоваться и развиваться, не зависящей от воли разработчика жизнью.1   

Сегодня существуют 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.

Нейроматематика эффективно применяется для трудноформализуемых и неформализуемых задач. При обучении на вход нейросети один за другим подаются исходные данные и сеть генерирует свои ответы. Полученные ответы сравнивается с известными, а сеть изменяется до тех пор, пока не выдаст правильные ответы на все исходные данные из обучающей выборки.

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: автоматизация процессов распознавания образов и адаптивное управление, аппроксимация функционалов и прогнозирование, создание экспертных систем и организация ассоциативной памяти и многое, многое другое. С помощью нейронных сетей можно, например, предсказывать показатели биржевого рынка, распознавать оптические или звуковые сигналы, строить самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту.

В своей курсовой работе я попытаюсь решить задачу из области, не поддающейся формализации, а именно, определение темперамента человека.

 Цель: показать, можно ли использовать нейронные сети и эффективно ли применение нейронных сетей при определении человеческого темперамента.

Достижение поставленных целей предопределило постановку и решение следующих задач:

  -  раскрыть сущность искусственного интеллекта;

- обучить один из нейросимуляторов;

-  вывести закон, показывающий результат работы.


Глава 1. Искусственный интеллект и нейросетевые технологии

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.

Прикладной аспект искусственного интеллекта (ИИ) включает решение компьютером задач, не имеющих явного алгоритмического решения, порой — с нечёткими целями. При этом часто используются «человеческие» способы решения таких задач. Научный аспект ИИ касается объяснения работы естественного интеллекта и имитации решения задач человеком.

Область ИИ стала развиваться после возникновения компьютеров. Сегодня элементы ИИ используются во множестве областей, от бытовой техники до управления атомными станциями. Развитие ИИ идёт параллельно с ускорением компьютеров и прогрессом в области когнитивной науки. Ожидается, что через несколько десятков лет ИИ достигнет уровня человека, а затем и превзойдёт его.

Первые автоматы (прообразы роботов) были созданы ещё в Древней Греции более 2000 лет назад. Сложные механические куклы, способные выполнять причудливые действия, создавались и в средние века. Однако, в этих устройствах программа действий устройства была фиксирована механически и задавалась человеком, обратная связь со средой отсутствовала .


Прототип Аналитической Машины

Рене Декарт заложил философскую основу ИИ, предположив, что все живые существа и даже люди — это машины. Первые же конкретные теоретические идеи были предложены Адой Лавлейс, помошницей Чарьза Бэббиджа и первым программистом. Например, Ада предположила, что Аналитическая Машина Бэббиджа может быть запрограммирована правилами гармонии и сможет создавать «научную» музыку.

В 1950 британский математик Алан Тьюринг в своей статье «Вычислительная техника и разум» предположил, что сознание — это вычисления. Он же предложил первый и наиболее известный критерий разумности ИИ — Тест Тьюринга. Это позволило поставить задачу о практическом создании машинного разума.


Unimate — первый промышленный робот

Первоначальные прогнозы развития этой области были очень оптимистичны, прежде всего, благодаря ранним успехам. В 1960-х годах удалось продемонстрировать первого промышленного робота (Unimate, 1962), программу, способную проходить IQ тест (ANALOGY, 1963), компьютерного собеседника (ELIZA, 1965), множество программ, способных решать задачи на логику, алгебру, интегральное исчисление.

Но оказалось, что хотя самые сложные для человека (логические) проблемы для ИИ являются довольно простыми, научить ИИ распознаванию образов, пониманию языка и другим лёгким для человека вещам очень сложно. Это вызвало определённое разочарование в обществе и несколько охладило пыл исследователей.

Системы классического ИИ (до 1985) были направлены на решение логически сложных задач в простой внешней среде и имели монолитную централизованную архитектуру.

Поиск решения задачи был направлен на нахождение правильной последовательности изначально доступных операций. С 1985 на основе практики робототехники начал развиваться поведенческий (behavior-based systems) подход. Эти системы уже были направлены на решение логически простых задач в реальной сложной физической среде. Такие системы многослойны, а каждый слой является относительно автономным и представляет собой «поведение»; все слои (поведения) работают параллельно, но более высокие слои (поведения) имеют больший приоритет. Акцент делается на проведении экспериментов в реальной физической среде, а не в абстрактной умозрительной, как это было в классических системах ИИ (например, игра в шахматы).

Сегодня технологии искусственного интеллекта включают в себя множество различных подходов. Среди них:

  •  нейронные сети, работающие на принципах, схожих с работой мозга. Они используются для распознавания речи и рукописного текста, для постановки диагнозов, в финансовых программах и т. п.


MTran способен менять конфигурацию
и генерировать программы движения
с помощью эволюционных алгоритмов

  •  эволюционные алгоритмы — предполагают создание популяции программ, их мутации, скрещивание (обмен частями программ) и тестирование на выполнении целевой задачи. Программы, работающие лучше всего, выживают и после множества поколений получается наиболее эффективная программа.
  •  нечёткая логика — позволяет компьютеру работать с объектами из реального мира и их взаимоотношениями. С помощью нечёткой логики компьютер может понять такие термины как «близко», «теплее», «почти» и т. д. Поэтому нечёткая логика активно используется в бытовой технике, такой, как кондиционеры и стиральные машины.

C 90-х годов произошел отказ от монолитной архитектуры, теперь, в отличие от классической схемы последовательной обработки информации, решение принимается коллективно (нейронные сети, многоагентные системы, распределенные системы — distributed processing systems) агентами, которые сосуществуют параллельно и взаимодействуют между собой.


Под управлением ИИ эта машина проехала
200 км по пустыне за 7 часов

Значительная часть используемых сегодня роботов обладает зачатками искусственного интеллекта. Они могут немного ориентироваться в окружающей обстановке, распознавать нужные им объекты. В 2005 году четыре управляемых ИИ автомобиля успешно преодолели путь в 200 км по сложнейщей трассе в пустыне Мохаве со средней скоростью 30 км/ч. Самолёты уже могут выполнить весь рейс, от взлёта и до посадки, полностью на автопилоте. В Японии, Франции и других странах работают автоматические поезда, использующие ИИ, чтобы сделать поездку максимально комфортной для пассажиров. Искусственный интеллект используется в современных бионических протезах, таких, как протез ноги от Ossur. Технологии машинного зрения и распознавания образов применяются в камерах слежения и системах безопасности. Экспертные системы используются для поиска полезных ископаемых, диагностики заболеваний. Юридические программы выносят решения по мелким правонарушениям и дают консультации по сложным законам. Технологии искусственного интеллекта используются для перевода текстов, распознавания речи. Системы на основе ИИ управляют промышленными объектами — заводами, атомными станциями, транспортом. Крупнейшие финансовые организации используют ИИ для сверхбыстрого принятия эффективных решений на фондовых и валютных рынках.

В разработке ИИ всё больше используются знания по психофизиологии, полученные с помощью наблюдения за поведением животных и человека. В соответствии с этими представлениями формирование поведенческого акта осуществляется параллельной работой функциональных систем, каждая из которых соответствует некоторому поведенческому акту, сформированному при научении и включенному в структуру индивидуального опыта.

Уже начаты первые проекты по моделированию на компьютере человеческого мозга. Так, проект IBM Blue Brain ставит цель научиться к 2007-2009 гг. точно симулировать работу колонн неокортекса, той части мозга, которая в человеке отвечает за восприятие, моторные функции, пространственное воображение, язык и сознание.

Мы находимся в самом начале революции в ИИ и когнитивной науке. Но мы уже примерно понимаем, как устроены человеческое сознание и интеллект. Сканирование мозга во множестве экспериментов показало, что у любых мыслей и чувств есть совершенно реальное физическое выражение. Нет оснований полагать, что человеческий мозг содержит что-то загадочное — души, квантовых эффектов или ещё чего-нибудь подобного там нет. Любая мысль — это процесс последовательной активации цепи нейронов в человеческом мозгу. Такой процесс можно изучать, им можно управлять и его можно воспроизводить в компьютерной симуляции. Уже существуют точные компьютерные модели нейронов животных и человека. Удалось описать работу нервной системы простых животных, таких как кальмары. Сегодня существуют первые примеры соединения нейронных систем и кремниевой электроники в единые системы. Некоторые протезы получают команды от мозга, кохлеарные имплантанты, наоборот, передают информацию в мозг. Подобная киборгизация будет развиваться.

К 2010-2015 году роботы получат достаточно эффективные программы машинного зрения, которые позволят им работать в естественной обстановке. К этому времени совершенного уровня достигнут и программы распознавания и синтеза речи, позволяя роботам общаться с человеком напрямую. К 2015-2020 годам искусственный интеллект возьмёт на себя производство на множестве полностью автоматизированных заводов, значительной будет и его роль в управлении предприятиями. В большинстве кораблей, самолётов и автомобилей управление будет частично или полностью передано ИИ.

К 2015 году многие люди будут постоянно общаться с ИИ на работе. Искусственный интеллект будет обладать способностями, достаточными для письменного или устного общения с человеком на обычном языке, будет понимать смысл информации из баз данных о клиентах, корпоративных правил и т. п. Многие профессии в сфере услуг, должности клерков, продавцов, специалистов из центров поддержки, будут автоматизированы с помощью искусственного интеллекта.

Примерно к 2030 году компьютеры достигнут вычислительной мощности, достаточной для полной симуляции мозга человека во всей его сложности. Это сделает практически возможной загрузку человеческого сознания (считанного нанороботами) в компьютер. Ещё более вероятно, что уже к 2020 году будут заложены теоретические основы создания чисто машинного разума. В любом случае, где-то между 2020-2035 компьютерный разум сравняется по силе с человеческим и вскоре превзойдёт его.

По мере развития нейротехнологий и когнитивных технологий будут все больше использоваться прямые интерфейсы мозг-компьютер, чипы и внешние программы (экзокора), дополняющие мозг человека. В то же время, в искусственном интеллекте будут использоваться системы, созданные по аналогии с биологическими нейронными системами. Элементы человеческого интеллекта будут встраиваться в ИИ. Загруженные в компьютер личности будут свободно заменять существующие блоки своего сознания на искусственно созданные или эволюционировавшие с помощью генетических алгоритмов (т. е. перепрограммировать себя). Люди и ИИ будут объединяться в единые системы. Всё это приведёт к стиранию грани между человеческим разумом и искусственным интеллектом. В какой-то момент останутся просто «разумные существа».

Существующие в 2005 году компьютеры достаточно примитивны. В рамках наших современных технологий мы используем лишь малую часть вычислительного потенциала материи. Оценки максимальной мощности компьютеров (в расчёте на грамм материи) показывают, что их скорость может быть увеличена на 10-30 порядков по сравнению с сегодняшним состянием дел.


ГЛАВА 2. Практическое применение нейронных сетей для определения темперамента  человека

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 определения темперамента. Я думаю  это для многих будет интересно. Не нужно будет искать различные справочники чтобы  посмотреть к какому типу себя отнести, а достаточно, зная черты своего характера, указать их наличие.

Приведем пример использования нейронных сетей при определении темперамента. На вход подавались следующие параметры:

  1.  Сильный
  2.  Уравновешенный
  3.  Подвижный
  4.  Жизнерадостный
  5.  Настойчивый
  6.  Инертный
  7.  Малообщительный
  8.  Ранимый
  9.  Осторожный
  10.  Слабый

Выходом будет тип темперамента:

  1.  сангвиник
  2.  холерик
  3.  меланхолик
  4.  флегматик


2.2. Обучение персептрона

Для работы будем использовать Нейросимулятор, который 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 10 нейронов входного слоя, 3 скрытых слоя, и 4 нейрона на выходе.

Только при данных  параметрах ошибка сети  при обучении стала минимальной (см. рис.2).

Рис. 2 Ошибка сети

Выявление поступающего выброса в обучающем множестве методом анализа ошибки обобщения (см. рис. 3):

Рис. 3 Анализ ошибки обобщения

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

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

Y1

Y2

Y3

Y4

0

0

0

0

0

1

1

1

1

0

0

0

1

0

0

0

0

0

0

1

0

1

1

0

0

0

1

0

0

0

0

0

0

0

1

1

1

0

0

0

1

0

0

1

0

0

0

0

0

0

1

0

0

0

0

1

0

0

0

0

0

1

0

0

0

1

0

0

0

1

0

1

0

0

0

1

0

0

0

0

0

0

0

1

0

1

0

0

0

0

1

0

0

0

0

0

0

1

0

0

0

0

0

1

0

0

1

0

0

0

1

1

0

0

0

0

0

0

1

1

0

0

0

0

1

0

0

0

0

0

0

1

1

0

0

0

0

0

1

1

0

0

0

0

0

1

0

1

0

0

0

0

1

0

0

0

0

0

0

1

1

1

0

0

0

0

1

0

0

0

0

0

0

1

1

0

1

0

0

0

1

1

0

0

0

0

0

0

1

0

1

0

0

0

1

1

0

0

0

0

0

0

0

1

1

0

0

0

1

0

0

1

0

0

0

1

1

0

1

0

0

0

0

1

0

0

0

0

0

1

0

0

1

1

0

0

0

1

0

0

0

0

0

0

1

0

1

1

0

0

0

1

0

1

0

0

0

0

1

0

1

1

0

0

0

1

0

0

0

0

0

1

1

0

1

1

0

0

0

1

0

1

0

0

0

1

1

0

0

1

0

0

0

1

0

1

0

0

0

1

0

0

1

1

0

0

0

1

0

1

0

0

0

1

0

0

1

0

0

0

0

1

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0

0

0

1

0

0

1

0

0

0

1

0

1

0

0

0

1

1

0

0

0

0

0

0

1

0

1

0

0

0

0

0

0

1

1

0

0

0

1

0

0

0

0

0

1

1

0

0

1

0

0

0

1

0

1

0

0

0

0

1

0

1

0

0

0

0

1

0

1

0

0

0

0

1

0

0

1

0

0

0

1

0

0

1

1

1

0

0

0

0

0

1

0

0

0

0

1

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

1

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

0

1

0

0

1

0

0

1

0

1

0

0

0

0

0

1

0

0

0

0

0

1

1

0

0

0

0

0

0

1

0

0

0

0

1

0

1

0

0

0

0

0

0

1

0

0

0

0

1

0

0

1

0

0

0

0

0

1

0

0

1

0

0

0

0

0

0

1

0

0

0

0

0

1

1

0

0

0

0

0

1

0

0

0

0

0

1

1

1

0

0

0

0

0

0

0

0

1

0

0

0

1

1

0

0

0

0

0

0

0

1

0

0

0

0

1

0

0

1

0

0

0

0

0

0

0

0

1

0

0

1

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

1

1

1

1

0

0

0

0

0

1

0

0

0

1

0

0

1

0

0

0

0

0

0

1

0

0

0

1

1

0

0

0

0

0

0

0

0

1

0

0

1

1

0

1

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0

0

1

0

1

1

0

0

0

1

1

0

0

0

1

0

0

0

0

0

1

0

0

1

1

0

0

0

0

0

0

0

0

0

1

1

0

1

1

0

0

0

0

1

1

0

1

0

0

0

0

1

1

1

0

0

0

0

0

0

1

1

0

0

0

1

1

0

0

0

0

1

0

0

1

1

0

0

0

1

1

0

0

0

0

1

1

0

0

1

0

0

0

1

1

1

0

0

0

1

0

0

1

0

0

0

0

1

1

1

0

0

0

1

1

0

0

0

0

0

0

1

1

1

0

0

0

0

1

0

0

1

0

0

0

1

1

1

0

0

0

1

0

0

0

1

0

0

0

1

1

1

0

0

0

0

1

0

1

0

0

0

0

1

1

0

0

0

0

0

0

0

1

0

0

0

0

1

1

0

0

0

0

0

1

0

0

0

0

0

0

1

1

1

0

0

1

0

0

0

0

0

1

0

0

1

1

0

0

1

1

0

0

0

0

0

1

0

0

0

1

0

1

0

1

0

0

0

0

0

1

0

0

0

1

0

1

1

1

0

0

0

0

0

1

0

0

0

1

0

0

0

0

1

0

0

0

0

0

1

0

1

1

1

1

1

1

0

0

0

0

0

1

0

0

0

1

1

1

1

0

0

0

0

0

0

1

0

0

0

1

1

0

1

1

0

0

0

0

0

1

0

0

0

1

1

1

0

1

0

0

0

0

0

1

0

0

0

1

0

0

0

0

1

0

0

0

1

0

0

0

1

1

0

0

0

0

1

0

0

1

0

0

0

0

1

1

0

0

0

0

0

0

0

1

1

0

0

0

1

1

0

0

0

0

0

1

0

1

0

0

0

0

1

1

0

0

0

0

0

1

0

0

1

0

0

0

1

1

1

0

0

0

1

0

0

0

0

0

0

0

1

1

1

0

1

0

0

0

0

0

0

1

0

0

0

1

1

1

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0

1

1

0

0

0

0

0

0

1

1

1

0

0

0

0

1

0

0

0

0

0

0

1

1

1

0

0

0

0

0

0

1

0

0

0

0

1


Данные тестирующей выборки                                                               Таблица 2

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

Y1

Y2

Y3

Y4

1

0

0

0

0

0

0

0

0

0

0.9998

0.9995

0

1.0002

0

1

0

0

0

0

0

0

0

0

0.9998

0.0001

-0.0001

1.0001

0

0

1

0

0

0

0

0

0

0

0.9983

0.0004

0.0005

0.0011

0

1

0

0

0

1

1

0

1

0

0

-0.0004

0.0004

0.9999

0

1

0

0

0

1

1

0

0

1

0.0001

0.0002

-0.0001

1

0

1

0

0

0

1

0

0

1

1

0

0.0002

-0.0001

1

0

1

0

0

0

0

1

0

1

1

0

0.0002

-0.0001

1

0

0

0

0

0

1

1

0

1

1

-0.0001

-0.0004

0.0002

1

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.


2.3 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. Результат нейросетевого моделирования

Несмотря на то, что модельные значения не полностью совпадают с практическими, можно утверждать, что тренд изменения искомых величин отражен точно.

Вывод: Рассмотрев пример нейросетевого моделирования в определении типа темперамента человека, я пришла к выводу, что при использовании нейросимулятора с применением метода обратного распространения, результаты оказались наиболее близкими к практическим.

Заключение.

Подведём итог проделанной работы.

В первой части своей работы я обобщила свои знания в области нейросетевых технологий, а также сделала обзор программных продуктов.

В практической части я попыталась применить нейронную сеть, а именно я попыталась показать, как с помощью персептрона можно определить свой тип темперамента.  Я получила результаты, которые не далеки от совершенства. И, несмотря на небольшие погрешности, в результате проведенных мною исследований в рамках данной работы, я убедилась, что персептрон смог решить поставленную перед ним задачу. Подав на вход персептрона сигналы, которых не было в обучающей выборке, на выходе мы получили адекватные результаты, то есть соответствующие действительности, конечно, при более детальном изучении данной проблемы можно было получить и более лучшие результаты. Другими словами, применение нейросетевых технологий в выбранной области можно считать перспективным. И если продолжить исследование в данной сфере, в итоге можно получить программу, которая будет успешно работать.


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.

Ссылки на ресурсы Интернет

  1.  http://works.tarefer.ru/69/100051/index.html
    1.  http://www.tsure.ru
      1.  www.artint.ru  - российский НИИ ИИ
        1.  www.raai.org – российская ассоциация ИИ
        2.  http://offline.computerra.ru/2002/445/18040– журнал «копьютера»
        3.  http://lii.newmail.ru- Лаборатория искусственного интеллекта;

1Ясницкий Л.Н.Введение в искусственный интеллект:Учеб. пособие для студ. высш. учеб. заведений/Леонид Нахимович Ясницкий.-М.:Издательский центр «Академия», 2005. с.10



 

А также другие работы, которые могут Вас заинтересовать

66195. Монтаж електричного лічильника 79 KB
  Дана схема підключення електролічильника однофазного і трифазного називається прямою. На лічильниках є напис про його характеристики серед яких зазначений номінальний і максимальний струм наприклад зазвичай пишеться так: 5 15 А.
66196. Визначення несправностей трансформаторів і складання дефектної відомості на ремонт 137.5 KB
  Оглядаючи обмотки трансформатора звертають увагу на стан виткової ізоляції деформацію і зміщення обмоток в радіальному напрямку що може бути наслідком переміщень і ослаблень прокладок планок розпірок; стан місця паяння на обмотках та охолодних...
66197. Лабораторная диагностика арбовирусных инфекций 109.5 KB
  Наибольшее значение в патологии человека имеют вирусы клещевого энцефалита японского энцефалита омской геморрагической лихорадки крымской геморрагической лихорадки желтой лихорадки лихорадки денге москитной флеботомной лихорадки.
66198. Перерахунок обмоткових даних електродвигунів під час ремонту 114 KB
  В ремонтній практиці досить часто замовник прохає перевести електричну машину на іншу напругу частоту обертання і т. Перехід двигуна на іншу швидкість обертання вимагає зміни числа витків в котушках зміни числа полюсів машини що в свою чергу приходять до зміни магнітної індукції...
66199. Лабораторная диагностика заболеваний, вызванных вирусами геморрагических лихорадок 173 KB
  В группу геморрагических лихорадок были включены некоторые болезни которые были описаны раньше денге желтая лихорадка. Классификация геморрагических лихорадок Группа геморрагических лихорадок Семейство Нозологическая форма Клещевые...
66200. Вивчення методики розрахунку і вибору компенсуючих пристроїв 87.5 KB
  Поняття про коефіцієнт потужності соsφ пов’язано з застосуванням змінного електричного струму. Відповідно до цих складових у змінному струмі розрізняють повну S активну Р та реактивну Q потужності. Технічні дані косинусних конденсаторів на напругу...
66201. Парамиксовирусы (морбилливирусы). Лабораторная диагностика кори. Вирус краснухи 104 KB
  Корь острая вирусная болезнь характеризующаяся лихорадкой общей интоксикацией энантемой макулопапулезной сыпью поражением конъюнктив и верхних отделов респираторного тракта.
66202. Питание бактерий. Простые питательные среды. Посев на МПА и МПБ. Методы стерилизации 102.5 KB
  Цель: Изучение принципов культивирования бактерий особенностей транспортирования инфицированного материала методов стерилизации и дезинфекции. Питание бактерий. Автотрофы многочисленная группа свободно существующих микроорганизмов бактерий грибов водорослей...