49911

ОПРЕДЕЛЕНИЕ ТИПА МЫШЛЕНИЯ ЧЕЛОВЕКА

Курсовая

Информатика, кибернетика и программирование

Можно сделать вывод что задача успешно решена то есть с помощью нейронной сети мы можем однозначно определить доминирующий тип мышления испытуемого а так же понять на сколько развиты другие типы мышления данного человека. Целью данной работы является попытка использования нейронных сетей в психологии а точнее для определения типа мышления человека. На основе полученных результатов можно будет сказать какие профессии предпочтительнее для данного человека с тем или иным типом мышления.

Русский

2014-01-12

2.08 MB

4 чел.

Федеральное агентство по образованию

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

факультет информатики и экономики

кафедра прикладной информатики

КУРСОВОЙ ПРОЕКТ

по дисциплине

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТУАЛЬНЫЕ СЕТИ

на тему:

«ОПРЕДЕЛЕНИЕ ТИПА МЫШЛЕНИЯ ЧЕЛОВЕКА»

Работу выполнила студентка гр.1233 О.С. Вотинова

Научный руководитель

Профессор Ясницкий Л.Н.

Подпись___________________

«____»________________2008г.

Пермь 2008


Содержание

[1]
Содержание

[2]
Глава 1. Теоретические основы

[3] 1.1. Схема работы биологической нейронной сети

[4]
1.2. Искусственные нейронные сети

[5]
1.3. Области применения нейронных сетей

[6]
Глава 2. Практическое применение нейронных сетей

[7] 2. 1. Постановка задачи

[8] Можно сделать вывод, что оптимальное количество нейронов на скрытом слое равно 10.

[9] Далее необходимо провести анализ значимости параметров.

[10] В данной работе наиболее значимый параметр выявить невозможно, т.к. список входных параметров, который используется для решения задачи, состоит из вопросов теста, при исключении хотя бы одного из которых происходит искажение результатов, а ошибка обучения увеличивается. Следовательно, все параметры наиболее значимы.

[11] После обучения персептрон необходимо протестировать.

[12]
2.2. Анализ полученных результатов

[13]  

[14]  

[15]  

[16]
Как видно из диаграмм, показатели модельных данных и полученных результатов не совпадают, но очень близки. Можно сделать вывод, что задача успешно решена, то есть с помощью нейронной сети мы можем однозначно определить доминирующий тип мышления испытуемого, а так же понять, на сколько развиты другие типы мышления данного человека. И в соответствии с полученными результатами мы можем смело утверждать, какие виды профессий предпочтительны данному испытуемому.

[17]
Заключение

[18]
Литература


Введение

В последние несколько лет мы наблюдаем взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях - бизнесе, медицине, технике, геологии, физике, криминалистике, экономике и др. Нейронные сети можно использовать везде, где нужно решать задачи прогнозирования, классификации или управления. Такой впечатляющий успех определяется несколькими причинами:

  •  Богатые возможности. Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости.
  •  Простота в использовании. Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.

Целью данной работы является попытка использования нейронных сетей в психологии, а точнее для определения типа мышления человека. На основе полученных результатов можно будет сказать, какие профессии предпочтительнее для данного человека с тем или иным типом мышления.

Актуальность данной работы заключается в том, что каждый человек обладает особым складом ума, индивидуальным подходом к выполнению той или иной работы; и соответственно,  в зависимости от данных психологических особенностей человек в одной профессии может преуспеть, а с другой просто не сможет справиться. И, следовательно, необходимо знать каждому в индивидуальности человеку, каким типом мышления он обладает, при подборе будущей профессии. Данная информация будет очень важна и для работодателя, как резюме о работнике, так как он будет знать, на какой должности данный работник будет наиболее эффективен.


Глава 1. Теоретические основы

1.1. Схема работы биологической нейронной сети

Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга. Основной областью исследований по искусственному интеллекту в 60-е - 80-е годы были экспертные системы. Такие системы основывались на высокоуровневом моделировании процесса мышления (в частности, на представлении, что процесс нашего мышления построен на манипуляциях с символами). Скоро стало ясно, что подобные системы, хотя и могут принести пользу в некоторых областях, не ухватывают некоторые ключевые аспекты человеческого интеллекта. Согласно одной из точек зрения, причина этого состоит в том, что они не в состоянии воспроизвести структуру мозга. Чтобы создать искусственных интеллект, необходимо построить систему с похожей архитектурой[3].

Мозг состоит из очень большого числа (приблизительно 1011) нейронов, соединенных многочисленными связями (в целом от 1014 до 1015 взаимосвязей). Нейроны - это специальная клетки, способные распространять электрохимические сигналы. Нейрон имеет разветвленную структуру ввода информации – дендриты (до 104), ядро - тело нейрона и разветвляющийся выход – аксон. Аксоны клетки соединяются с дендритами других клеток с помощью синапсов[1]. Схема нейрона человеческого мозга представлена на рисунке 1[2].

Рис. 1. Нейрон человеческого мозга

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)[1].

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. Обучение заключается в первую очередь в изменениях "силы" синаптических связей, т.е. в величине электрической проводимости нервных волокон, соединяющих нейроны. Например, в классическом опыте Павлова, каждый раз непосредственно перед кормлением собаки звонил колокольчик, и собака быстро научилась связывать звонок колокольчика с пищей. Синаптические связи между участками коры головного мозга, ответственными за слух, и слюнными железами усилились, и при возбуждении коры звуком колокольчика у собаки начиналось слюноотделение[3].

Можно считать, что при прохождении синапса сила импульса меняется в определенное число раз, которое мы будем называть весом синапса. Важно отметить, что веса синапсов могут изменяться со временем, а значит, меняется и поведение соответствующего нейрона.

Нетрудно построить математическую модель описанного процесса. Она представлена на рисунке 2 [3].

Рис. 2. Модель нейрона с 3 входами.

На рисунке изображена модель нейрона с тремя входами (дендритами), причем синапсы этих дендритов имеют веса w1, w2, w3. Пусть к синапсам поступают импульсы силы x1, x2, x3 соответственно, тогда после прохождения синапсов и дендритов к нейрону поступают импульсы w1x1, w2x2, w3x3. Нейрон преобразует полученный суммарный импульс x=w1x1+ w2x2+ w3x3 в соответствии с некоторой передаточной функцией f(x). Сила выходного импульса равна y=f(x)=f(w1x1+ w2x2+ w3x3) [4].

Таким образом, нейрон полностью описывается своими весами wk и передаточной функцией f(x). Получив набор чисел (вектор) xk в качестве входов, нейрон выдает некоторое число y на выходе.


1.2. Искусственные нейронные сети

Искусственная нейронная сеть (ИНС) - это набор нейронов, соединенных между собой[6].

В 1943 году Уорреном Мак-Каллоком и Вальтером Питтсом была выдвинута гипотеза математического нейрона – устройства, которое моделирует нейрон мозга человека. Это устройство также имеет несколько входов и один выход. Через входы математический нейрон принимает входные сигналы xj, суммирует их, умножая каждый входной сигнал на некоторый весовой коэффициент wj[1].

Выходной параметр у может принимать одно из двух значений - 0 или 1, которые формируются следующим образом:

,

где  - порог чувствительности нейрона.

Если взвешенная сумма входных сигналов S не достигает некоторой пороговой величины , то математический нейрон не возбужден и его сигнал равен 0. если же входные сигналы достаточно сильны, и их сумма достигает порога чувствительности, то нейрон переходит в возбужденное состояние, и результатом выхода будет 1. Весовые коэффициенты wj имитируют электропроводность нервных волокон – силу синаптических связей между нейронами. Чем они выше, тем больше вероятность перехода в возбужденное состояние. Веса также могут быть отрицательными, это означает, что синапс оказывает не возбуждающее,  тормозящее воздействие[5].

Выходом нейрона является функция y(x)=s, называемая активационной функцией. Её вид представлен на рисунке 3[1].

Рис.3

Существуют нейронные сети с прямой и обратной связью. Простейшая 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 очень сложную динамику поведения. Рекуррентные сети представляют большой интерес для исследователей в области нейронных сетей, однако при решении практических задач, по крайней мере, до сих пор, наиболее полезными оказались структуры прямой передачи[5].

Типичный пример сети с прямой передачей сигнала показан на рисунке 4. Нейроны регулярным образом организованы в слои. Входной слой служит просто для ввода значений входных переменных. Каждый из скрытых и выходных нейронов соединен со всеми элементами предыдущего слоя[5].

Рис. 4

При работе сети во входные элементы подаются значения входных переменных, 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.


1.3. Области применения нейронных сетей

Класс задач, которые можно решить с помощью нейронной сети, определяется тем, как сеть работает и тем, как она обучается. При работе нейронная сеть принимает значения входных переменных и выдает значения выходных переменных. Таким образом, сеть можно применять в ситуации, когда имеется определенная известная информация, и из нее необходимо получить некоторую пока не известную новую информацию (выявить зависимости и закономерности). Вот некоторые примеры таких задач:

Прогнозирование на фондовом рынке. Зная цены акций за последнюю неделю и сегодняшнее значение индекса FTSE, спрогнозировать завтрашнюю цену акций.

Предоставление кредита. Требуется определить, высок ли риск предоставления кредита частному лицу, обратившемуся с такой просьбой. В результате разговора с ним известен его доход, предыдущая кредитная история и т.д.

Управление. Нужно определить что должен делать робот (повернуться направо или налево, двигаться вперед и т.д.), чтобы достичь цели; известно изображение, которое передает установленная на роботе видеокамера.

Прогнозирование результатов выборов президента страны. Зная характеристики личности претендента на пост президента, можно спрогнозировать, насколько велика вероятность того, что он одержит победу в выборах.

Прогнозирование банкротств организаций. Можно также с помощью нейронной сети предупредить банкротство организации. Для этого в качестве входных параметров необходимы коэффициенты, характеризующие структуру бухгалтерского баланса: коэффициент текущей ликвидности, коэффициент обеспеченности собственными средствами, коэффициент утраты (восстановления) платежеспособности.

Определение заболевания человека. По характеристикам пациента и симптомам заболевания можно поставить диагноз о переносимом заболевании.


Глава 2. Практическое применение нейронных сетей

2. 1. Постановка задачи

Если бы человек познавал мир только с помощью зрения, слуха, осязания, обоняния, он никогда бы не сделал открытий, которые возвысили его над миром животных. Наравне с органами чувств у нас есть особое средство познания – мышление.

Мышление — совокупность умственных процессов, лежащих в основе познания; к мышлению именно относят активную сторону познания: внимание, восприятие, процесс ассоциаций, образование понятий и суждений. В более тесном логическом смысле мышление заключает в себе лишь образование суждений и умозаключений путем анализа и синтеза понятий [4].

Существует 4 типа мышления человека [4]:

- Предметно-действенное мышление (П-Д)

- Абстрактно-символическим мышление (А-С)

- Словесно-логическое мышление (С-Л)

- Наглядно-образным мышлением (Н-О)

От того, какой тип мышления преобладает, зависит очень многое, в частности, определив доминирующий тип мышления, человек может понять, в каких видах профессий он может преуспеть.

Задачей является определение доминирующего  типа мышления, на основе которого можно выбрать предпочтительную профессию.

Входными параметрами являются 20 вопросов из разных сфер жизни человека, определяющие его предпочтения.

Допустимыми ответами на данные вопросы являются:

«Да» - 1

«Нет» - 0

Вопросы делятся на 4 группы, каждая из которых соответствует определенному типу мышления. И в зависимости от того, в какой группе дано наибольшее количество положительных ответов, можно будет определить, какой тип мышления у тестируемого преобладает. Соответственно, чем больше положительных ответов в группе вопросов, тем более ярко выражен данный тип мышления.


Входные параметры
[4]:

Мне легче что-либо сделать самому, чем объяснить другому.

Мне интересно составлять компьютерные программы.

Я легко излагаю свои мысли как в устной, так и в письменной  форме.

Мне нравится живопись, скульптура, архитектура.

Я лучше понимаю, если мне объясняют на предметах или рисунках.

Я люблю играть в шахматы.

Я придаю большое значение сказанному слову.

Знакомые мелодии вызывают у меня в голове определенные образы.

Мне нравится все делать своими руками.

Я предпочитаю точные науки (математику, физику).

Мне интересна работа ведущего теле-радиопрограмм, журналиста.

Когда я читаю книгу, я четко вижу ее героев и описываемые события.

При решении задачи мне легче идти методом проб и ошибок.

Я понимаю красоту математических формул.

Меня восхищает точность и глубина некоторых стихов.

Я люблю посещать выставки, спектакли, концерты.

Когда я слышу музыку, мне хочется танцевать.

Я легко запоминаю формулы, символы, условные обозначения.

Мне легко говорить перед любой аудиторией.

Я легко могу представить в образах содержание рассказа или фильма.

Выходными параметрами являются 4 типа мышления: Y1, Y2, Y3, Y4.

Y1. Предметно-действенное мышление (П-Д)

Y2. Абстрактно-символическим мышление (А-С)

Y3. Словесно-логическое мышление (С-Л)

Y4.Наглядно-образным мышлением (Н-О)

Результат варьируется от 0 до 1. Чем ближе результат к 1, тем более ярко проявляется преобладание данного типа мышления.

Интерпретация результатов [4]

Y1. Предметно-действенное мышление (П-Д) свойственно людям дела. Про них обычно говорят: «Золотые руки!» Они лучше усваивают информацию через движения. Они обладают хорошей координацией движений. Их руками создан весь окружающий нас предметный мир. Они водят машины, стоят у станков, собирают компьютеры. Без них невозможно реализовать самую блестящую идею. Этим мышлением обладают и многие выдающиеся спортсмены, танцоры.

Y2. Абстрактно-символическим мышлением (А-С) обладают многие люди науки – физики-теоретики, математики, экономисты, программисты, аналитики. Люди с таким типом мышления могут усваивать информацию с помощью математических кодов, формул и операций, которые нельзя ни потрогать, ни представить. Благодаря особенностям такого мышления на основе гипотез сделаны многие открытия во всех областях науки.

Y3. Словесно-логическое мышление (С-Л) отличает людей с ярко выраженным вербальным интеллектом (от лат. verbalis - словесный). Благодаря развитому словесно-логическому мышлению ученый, преподаватель, переводчик, писатель, филолог, журналист могут сформулировать свои мысли и донести их до людей. Это умение необходимо руководителям, политикам и общественным деятелям.

Y4.Наглядно-образным мышлением (Н-О) обладают люди с художественным складом ума, которые могут представить и то, что было, и то, что будет, и то, чего никогда не было и не будет – художники, поэты, писатели, режиссеры. Архитектор, конструктор, дизайнер, художник, режиссер должны обладать развитым наглядно-образным мышлением.

Представим обучающую выборку, которая состоит из 407 примеров: таблица 1.

Таблица 1.

x1

x2

x3

x4

x5

x6

x7

x8

x9

x10

x11

x12

x13

x14

x15

x16

x17

x18

x19

x20

y1

y2

y3

y4

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0,8

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0,8

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0,8

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0,8

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0,8

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0,6

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0,6

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0,6

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0,6

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0,6

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0,6

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0,4

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0,4

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0,4

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0,4

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0,4

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0,4

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0,4

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0,4

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0,4

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0,4

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0,2

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0,2

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0,2

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0,2

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0,2

0

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0,8

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0,8

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0,8

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0,8

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0,8

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0,6

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0,6

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

1

0

0

0

0,6

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0,6

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0,6

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0,6

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0,4

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0,4

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0,4

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0,4

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0,4

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0,4

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0,4

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0,4

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0,4

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0,4

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0,2

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0,2

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0,2

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0,2

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0,2

0

0

Тестовая выборка состоит из 30 примеров: таблица 2.

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

X12

X13

X14

X15

X16

X17

X18

X19

X20

Y1

Y2

Y3

Y4

1

1

0

1

0

0

1

1

1

0

1

0

1

1

1

0

0

0

0

0

0,6

0,4

0,6

0,4

0

0

0

0

0

1

1

0

1

1

1

1

0

0

1

1

1

1

0

1

0,4

0,6

0,6

0,6

1

0

1

0

0

0

0

1

1

1

1

1

1

0

0

0

0

0

0

0

0,6

0,2

0,4

0,4

1

1

1

1

1

0

1

1

0

1

0

1

0

0

1

1

1

1

0

0

0,6

0,6

0,6

0,8

1

0

0

0

1

1

1

1

1

0

0

1

1

1

1

1

1

0

0

0

1,0

0,4

0,4

0,6

1

1

0

0

1

0

1

1

0

1

0

0

1

0

0

0

1

1

0

0

0,8

0,6

0,2

0,2

0

1

1

0

0

1

1

0

1

1

0

1

1

0

1

0

0

0

1

0

0,4

0,6

0,8

0,2

0

1

1

1

1

0

1

1

1

0

1

1

0

0

0

0

1

1

0

1

0,6

0,4

0,6

0,8

0

1

1

0

0

0

1

0

0

0

0

0

1

1

0

0

0

1

1

0

0,2

0,6

0,7

0,0

1

0

0

0

1

1

1

1

1

0

0

1

1

1

1

1

1

0

0

1

1,0

0,4

0,4

0,8

1

0

1

0

1

0

1

0

0

0

1

0

1

1

1

1

0

1

1

1

0,6

0,4

1,0

0,4

0

0

1

0

0

0

1

1

0

0

0

0

0

0

1

0

1

1

1

1

0,2

0,2

0,8

0,4

1

1

0

1

1

0

1

1

0

1

0

1

0

1

1

1

0

1

0

1

0,4

0,8

0,4

1,0

0

1

1

1

0

0

1

0

0

1

0

1

0

1

1

0

0

1

1

1

0,0

0,8

0,8

0,6

1

1

0

1

1

0

1

1

0

1

0

1

0

1

1

1

0

1

0

1

0,4

0,8

0,4

1,0

1

0

1

0

1

1

1

1

0

0

0

1

0

0

0

1

0

0

1

1

0,4

0,2

0,6

0,8

1

1

0

1

1

0

0

1

1

1

0

1

1

0

1

1

1

1

0

1

1,0

0,6

0,2

1,0

1

1

1

1

0

0

1

1

0

1

0

0

0

0

1

1

1

1

1

0

0,4

0,6

0,8

0,6

1

0

1

0

1

1

1

1

0

0

1

1

1

1

1

1

1

1

0

1

0,8

0,6

0,8

0,8

1

1

1

1

0

0

1

1

1

0

1

1

0

0

1

1

1

0

0

1

0,6

0,2

0,8

1,0

1

0

0

1

1

0

1

1

1

1

0

0

1

1

0

0

0

1

0

0

0,8

0,6

0,2

0,4

1

1

1

1

1

0

1

1

0

0

0

1

1

1

1

1

1

0

1

1

0,8

0,4

0,8

1,0

1

0

0

1

1

0

1

1

0

0

1

1

1

0

1

1

1

1

0

1

0,8

0,2

0,6

1,0

1

0

0

1

1

0

1

1

1

1

0

0

1

0

1

1

0

1

0

0

0,8

0,4

0,4

0,6

1

0

1

1

0

0

1

1

0

0

1

1

0

0

1

1

1

0

0

1

0,4

0,0

0,8

1,0

1

1

0

1

1

0

1

1

0

1

0

1

1

0

1

0

1

0

0

1

0,8

0,4

0,4

0,8

1

1

0

1

1

1

0

0

1

1

0

1

1

0

0

0

0

1

0

1

0,8

0,8

0,0

0,6

1

0

0

1

1

1

1

1

0

1

1

1

0

0

0

1

1

0

0

1

0,6

0,4

0,4

1,0

1

0

1

1

1

1

0

0

1

1

0

1

1

0

1

1

0

1

0

0

0,8

0,6

0,4

0,6

0

1

1

1

0

1

1

1

1

0

0

1

0

1

0

1

0

1

1

1

0,2

0,8

0,6

1,0

Входные и выходные параметр определены.

Для данной задачи будет использован персептрон с 20 нейронами на входном слое, 1 скрытым слоем и 4 нейронами на выходном слое. В результате проведенного анализа был сделан вывод, что на скрытом слое нужно использовать 14 нейронов, так как при исследовании было определено, что с таким количеством нейронов получается наименьшая максимальная ошибка обучения.

Теперь необходимо определить оптимальное количество нейронов на скрытом слое.

Для этого нам следует сделать анализ динамики погрешности обучения и погрешности обобщения при изменении количества нейронов на внешнем слое..

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 сначала падает, а затем возрастает, в то время, как погрешность обобщения сначала падает, а затем остается на одном уровне.

Результаты анализа продемонстрированы на диаграмме 1.

Минимальные показатели погрешностей обучения и обобщения формируются в случае, когда на скрытом слое находится 10 нейронов. При этом =0,046, T=0,04. Результаты анализа показаны на диаграмме 1.

Можно сделать вывод, что оптимальное количество нейронов на скрытом слое равно 10.

Модель персептрона представлена на рисунок 5

Рис. 5

После обучения максимальные ошибки выходов сети получились следующими: таблица 3

Поле

Макс. ошибка

Y1

0,056205

Y2

0,056625

Y3

0,023757

Y4

0,056378

Максимальная ошибка обучения = 0,046

Рис. 5. График ошибки обучения персептрона.

Далее необходимо провести анализ значимости параметров.

В данной работе наиболее значимый параметр выявить невозможно, т.к. список входных параметров, который используется для решения задачи, состоит из вопросов теста, при исключении хотя бы одного из которых происходит искажение результатов, а ошибка обучения увеличивается. Следовательно, все параметры наиболее значимы.

После обучения персептрон необходимо протестировать.


2.2. Анализ полученных результатов

После обучения персептрон был протестирован с помощью тестируемой выборки. Данная выборка (30 примеров) была получена путем проведения опроса среди преподавателей и учащихся ПГПУ. Опросник состоял из 20 вопросов – входных параметров задачи.

Результаты тестирования персептрона показаны в таблице 6 (10 примеров).

Таблица 6.

Y1(модель)

Y1

Y2(модель)

Y2

Y3(модель)

Y3

Y4(модель)

Y4

0,6

0,6395

0,4

0,3942

0,6

0,6424

0,4

0,4298

0,4

0,4091

0,6

0,6174

0,6

0,6406

0,6

0,641

0,6

0,6452

0,2

0,1802

0,4

0,413

0,4

0,406

0,6

0,6435

0,6

0,6307

0,6

0,6383

0,8

0,836

1,0

0,9848

0,4

0,4045

0,4

0,4178

0,6

0,6317

0,8

0,8277

0,6

0,6377

0,2

0,2068

0,2

0,1982

0,4

0,4068

0,6

0,6173

0,8

0,8461

0,2

0,2005

0,6

0,638

0,4

0,4024

0,6

0,6319

0,8

0,8312

0,2

0,1862

0,6

0,6212

0,6

0,667

0,0

0,0101

1,0

0,9837

0,4

0,4068

0,4

0,4139

0,8

0,8239

Рассмотрим получившиеся результаты нейросетевого моделирования каждого выходного параметра в отдельности. Данные представлены на диаграммах 2, 3, 4, 5.

 

 

 


Как видно из диаграмм, показатели модельных данных и полученных результатов не совпадают, но очень близки. Можно сделать вывод, что задача успешно решена, то есть с помощью нейронной сети мы можем однозначно определить доминирующий тип мышления испытуемого, а так же понять, на сколько развиты другие типы мышления данного человека. И в соответствии с полученными результатами мы можем смело утверждать, какие виды профессий предпочтительны данному испытуемому.


Заключение

В настоящее время существует масса различных психологических тестов для определения типа мышления. И, казалось бы, зачем использовать нейросимулятор, когда можно взять из этого многочисленного списка любой один и пройти его, получив требуемый результат? А ответ следующий:

Во-первых, с помощью нейросимулятора мы можем найти наиболее значимые параметры из множественного списка, который предлагают тесты, и получим наиболее эффективный тест и соответственно наиболее правдивые результаты. Во-вторых, нейросимулятор прост в использовании, так как точные результаты тестирования выдаются быстро без замедлений, то есть не нужно вручную делать подсчеты, соотносить их с ключами теста и проверять их в действительности. В-третьих, в нейросимляторе можно просто и быстро внести изменения, добавить новые данные или удалить уже незначимые. В-четвертых, как уже было сказано во введении, нейросимулятор легко обучаем. И в-пятых, с помощью нейросимулятора можно выявить некоторые сложные зависимости, закономерности, которые обычному человеку без специальных знаний не определить.

И делая вывод по данной работе, отметим, что изучив основные понятия и схему работы нейронной сети, в практической части нам удалось на основе уже созданного нейросимулятора доказать возможность использования нейронной сети для определения такой многосложной характеристики человека, как тип мышления. Так же можно проследить из результатов такую закономерность, что в чистом виде все типы мышления практически не встречаются. У большинства людей преобладает два или три типа мышления. Для многих профессий необходимо сочетание разных типов мышления, например, для психолога.

Таким образом, персептрон смог решить поставленную перед ним задачу. Следовательно, использование нейросетевых технологий в выбранной области можно считать эффективным.


Литература

  1.  Ясницкий Л.Н. Введение в искусственный интеллект: Учеб. Пособие для студ. высш. учеб. заведений – М.: Издательский центр «Академия», 2005
  2.  http://www.statsoft.ru/home/textbook/modules/stneunet.html#multilayer
  3.  http://www.neuroproject.ru/neuro.php
  4.  http://www.metodkabi.net.ru/index.php?id=2105#ur
  5.  http://www.orc.ru/~stasson/neurox.html
  6.  http://neuroschool.narod.ru/


 

А также другие работы, которые могут Вас заинтересовать

56286. Мово моя українська, батьківська, материнська. Родинне свято 142 KB
  Мета. Показати барвистість, красу рідної мови,її мелодійність. Розвивати навички виразного та інтонаційного мовлення, увагу, мислення, пізнавальний інтерес до мови своїх батьків. Виховувати любов до рідної мови, краю, де ти народився, шанобливе ставлення до усної народної творчості свого народу, його традицій.
56287. Прощавай, початкова школа! 64.5 KB
  За час навчання вивчено 33 літери українського алфавіту. Вивчили багато правил українського правопису, навчилися читати, писати, розв’язувати задачі, приклади, складати твори.
56288. Сценарій свята: «А вже весна, а вже красна…» 50 KB
  Мета: ознайомити дітей з давніми народними традиціями формувати в дітей уявлення про усну народну творчість розвивати бажання вивчати усну народну творчість виховувати любов до природи до матері.
56289. National Symbols of Ukraine 102.5 KB
  As every independent country in the world Ukraine has its own national symbols: a national anthem “Ukraine Hasn’t Died Yet”, a state flag and a national emblem – trident.
56290. Розвивальні функції уроків узагальнення та систематизації знань школярі 343 KB
  Суттєві зміни у змісті стосуються діяльності спрямованої на застосування знань зокрема діяльності творчого характеру створення умов за яких учень стає суб’єктом навчального процесу який зорієнтований на розвиток особистості на оволодіння ним мисленнєвих операцій самостійного відкриття невідомого.
56291. Сценарій позакласного заходу. Вечір відпочинку «Честь имеем представиться… или… Разрешите с вами познакомиться» 42 KB
  Коллектив нашого взвода желает всем присутствующим здесь очаровательным гостьям, чтобы они всегда оставались такими же красивими и улыбающимися.
56292. Сценарий праздника «Прощание с начальной школой» 75.5 KB
  Мы первым предоставляем вам слово поздравить наших выпускников. Наши звезды – выпускники 4 класса. Исполнение песни Танцуй сидя Ведущие: А сейчас предлагаем вашему вниманию передачу Умники и умницы выходят...
56293. Сценарій шкільного заходу «Любіть Україну!» 53.5 KB
  Мета: поглибити знання дітей про традиції українського народу, історію, географію України; розвивати пам’ять, логічне мислення, мову; збагачувати словниковий запас; прищеплювати любов до рідної землі,повагу до народних традицій; виховувати гідних громадян своєї Батьківщини; почуття гордості за Україну.
56294. Сценарій новорічного свята для початкових класів „Казкова феєрія” 108.5 KB
  В чудеса не вірять діти Бо відомо всім давно Що чудес ніде не стріти Крім казок і крім кіно. ВЕДУЧИЙ: Діти а кого немає на нашій ялинці Діда Мороза. Діти кличуть. Відгадайте діти мої загадки: Крешуть лід ріжуть лід залишають дивний слід.