СТАТЬИ АРБИР
 

  2018

  Октябрь   
  Пн Вт Ср Чт Пт Сб Вс
1 2 3 4 5 6 7
8 9 10 11 12 13 14
15 16 17 18 19 20 21
22 23 24 25 26 27 28
29 30 31 1 2 3 4
   

  
Логин:
Пароль:
Забыли свой пароль?


Применение сети кохонена для классификации личности по психологическим признакам


ПРИМЕНЕНИЕ СЕТИ КОХОНЕНА ДЛЯ КЛАССИФИКАЦИИ ЛИЧНОСТИ ПО ПСИХОЛОГИЧЕСКИМ ПРИЗНАКАМ

Аннотация

В данной статье рассматривается возможность применения аппарата нейронных сетей для классификации личности по психологическим признакам, а именно выявление комбинаций характеристик, оказывающих большее влияние на разделение множества людей на две группы. Для исследований выбрана сеть Кохонена. Анализ результатов работы показал хорошие результаты на некоторых комбинациях характеристик. Таким образом, мы убедились, что нейронные сети можно использовать для классификации личности по психологическим признакам.

Ключевые слова

Искусственный интеллект, нейронные сети, сеть Кохонена, психодиагностика.

На сегодняшний день использование нейронных сетей довольно распространено. Это обусловлено их простотой и широкому кругу задач, которые можно решить с их помощью: прогнозирование, классификация, распознавание образов, сжатие данных и др. Кроме того, выбор сети для решения одной задачи не ограничивается одной нейронной сетью. Например, для классификации можно использовать персептрон, сеть Кохонена и их различные модификации.

В предлагаемой работе исследуется возможность применения нейронных сетей

для решения задач классификации личности по психологическим признакам.

В качестве исходных данных рассматриваются результаты теста респондентов по методике Лири. Исследование предполагает нахождение комбинации черт личности, определяющих разбиение исходного множества тестируемых на два класса, с использованием сети Кохонена.

В качестве тестируемых выступает контингент заключенных двух категорий одной из томских колоний:

Осужденные со сроком 5 и более лет.

Осужденные со сроком менее 5-ти лет.

Тест содержит 128 оценочных суждений, из которых в каждом из 8 типов отношений образуются 16 пунктов, упорядоченных по восходящей интенсивности.

Лири выделил следующие типы отношения к окружающим:

Авторитарный

Эгоистичный

Агрессивный

Подозрительный

Подчиняемый

Зависимый

Дружелюбный

Альтруистический

На рис.

1 представлена структура слоя Кохонена:

Количество нейронов N приравнивается к числу классов, на которое делится множество. Обучение сети Кохонена это соревновательное обучение без учителя. Соревновательный процесс возникает между всеми нейронами слоя. Нейроны-победители получают право изменять свои веса, а проигравшие веса не меняют[4]. Выход победителя приравнивается к единице, а остальные нулю. Его номер равен номеру группы, к которому был соотнесен входной вектор. Это классический подход к обучению слоя Кохонена. Но так как ответы респондентов из разных классов, подаваемые на вход, могут быть близки, используется модификация обучения - метод выпуклых комбинаций. Суть метода состоит в том, что все веса приравниваются одной и той же величине Wi]' = JR '

где n - число входов и, следовательно, число компонент каждого весового вектора. Благодаря этому все весовые векторы совпадают и имеют единичную длину. Каждой же компоненте входа X придается значение

1 — а

х£ = а х Xj + —,

где сначала а очень мало, но в процессе обучения сети постепенно возрастает, приближаясь к единице. Это позволяет постепенно разделять векторы из разных клас- сов[5].

В результате решения поставленной задачи создано приложение, эмулирующее работу сети. Оно автоматизирует создание различных комбинаций характеристик исходной выборки и обучает на них сеть Кохонена. Обучение длится, пока распределение респондентов на классы не перестанет меняться. Таким образом, получаем 255 обучившихся на разных комбинациях сетей. Результатом тестирования является пара: комбинация характеристик, по которым проводилось обучение и распределение тестируемых на две группы. Таким образом, на выходе генерируется таблица со всевозможными комбинациями и их результатом.

Сеть Кохонена является естественным классификатором, так как обучается без учителя. Интересно сравнить полученное распределение с реальным.

В таблице 1 приведены некоторые результаты:

Таблица 1. Результаты тестирования сети

Комбинация характеристик
Процент верно классифицированных респондентов
подозрительный,
зависимый
70%
агрессивный, альтруистический
76%
авторитарный,
агрессивный,
зависимый, альтруистический
88%

В данной работе была проверена возможность разделения осужденных по степени тяжести их преступлений с помощью нейронной сети. В результате её обучения и тестирования мы убедились, что можно выявить комбинацию характеристик, на основе которых есть возможность классифицировать осужденных. Кроме того, было установлено, что некоторые респонденты, не могут быть распознаны ни одной сетью. Таким образом, мы убедились, что нейронные сети можно использовать для классификации личности по психологическим признакам.

Список литературы:

Методика диагностики межличностных отношений Лири [Электронный ресурс] // URL: azps.ru/tests/tests_liri.html (дата обращения: 10.04.14).

Основы теоретической робототехники. Искусственные нейронные сети. [Электронный ресурс] // URL: www.keldysh.ru/papers/2008/prep02/prep2008_02.html (дата обращения: 12.05.15). Портал искусственного интеллекта [Электронный ресурс] // URL: www.aiportal.ru/articles/neural-networks/neural-networks.html (дата обращения:

.

Самоорганизующиеся нейронные сети. Алгоритм обучения Кохонена [Электронный ресурс] // URL: iasa.org.ua/lections/tpr/neuro/kohonen.htm (дата обращения:

.

Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика [Электронный ресурс] // URL: cs.mipt.ru/docs/comp/rus/develop/neuro/neyrokomp_technics/main.pdf (дата обращения 30.10.2015).


Дылыкова А.Ж. - студент 2 курса магистратуры, Национальный исследовательский томский государственный университет, Россия, г. Томск





МОЙ АРБИТР. ПОДАЧА ДОКУМЕНТОВ В АРБИТРАЖНЫЕ СУДЫ
КАРТОТЕКА АРБИТРАЖНЫХ ДЕЛ
БАНК РЕШЕНИЙ АРБИТРАЖНЫХ СУДОВ
КАЛЕНДАРЬ СУДЕБНЫХ ЗАСЕДАНИЙ

ПОИСК ПО САЙТУ