Типы компьютерных моделей в системе социальной работы

Существуют два подхода:

1. Обучение с учителем.
2. Обучение без учителя.

Обучение с учителем предполагает, что обучение происходит путем предъявления сети последовательности обучающих пар . При этом для каждого входного вектора сеть формирует выходной вектор, который сравнивается с целевым (эталонным) вектором . Полученное рассогласование используется для коррекции синаптических весов.

При настройке на вектор сеть может «забыть» ранее предъявленные примеры. Поэтому используют циклическую стратегию обучения, циклически предъявляя входные векторы (образы), пока рассогласование по всем векторам не станет малым.

Процесс обучения с учителем широко используется, но во многих приложениях  он не соответствует реальным процессам обучения человека. В случае обучения без учителя обучающая последовательность состоит лишь из входных векторов . Алгоритм обучения настраивает веса так, чтобы близким входным векторам соответствовали одинаковые выходные векторы. Т.е. фактически осуществляется разбиение пространства входных образов на классы (кластеризация). До обучения невозможно предсказать, какие выходные образы будут соответствовать классам входных образов. Такое соответствие можно установить только после обучения сети.

В основе обучения нейронных  сетей лежит правило (концепция) Хебба (D.Hebb), имеющее биологические предпосылки. Пусть имеются два нейрона и , соединённые связью с синаптическим весом . Тогда правило обучения Хебба можно записать следующим образом:

,

где   — значение веса после настройки (на шаге (n+1)).

 и  — выходы, соответственно, нейронов и .

 — коэффициент скорости обучения .

Обучение персептрона  с учителем строится по следующему алгоритму (алгоритм обучения Розенблатта).

1. Синаптические веса устанавливаются в нулевое значение или им присваиваются случайные значения , где  — псевдослучайное число равномерно распределённое в интервале .
2. Для каждой обучающей пары из обучающей выборки выполняются следующие действия.
1. Подача на вход персептрона входного вектора , формирование сетью выходного значения .
2. Вычисление ошибки между выходом нейрона в К-ом обучающем примере и соответствующим компонентом целевого вектора

,

где

3. Корректировка каждого весового коэффициента нейрона

3. Повторение шага 2 алгоритма до тех пор, пока ошибки не станут достаточно малой величиной для всех обучающих пар .

Известно, что алгоритм сходится за конечное число шагов, если существует решение задачи.

7.3 Многослойные нейронные сети. Алгоритм обратного распространения ошибки

Рассмотрим многослойную нейронную  сеть прямого распространения (т.е. без обратных связей).

Рис. 7.5 — Многослойная нейронная сеть

 

Входной слой нейронов обычно выполняет распределительные функции. Выходной слой нейронов служит для  обработки информации от предыдущих слоёв и выдачи результатов. Слои нейронных элементов, расположенные  между входным и выходным слоями называются промежуточными или скрытыми. Выход каждого нейрона предыдущего слоя соединён синаптическими связями со всеми входами нейронных элементов следующего слоя (такая связь называется полносвязной).

Число слоёв в многослойной сети характеризует, каким образом входное пространство может быть разбито на подпространства. Доказывается, что сеть, имеющая 2-3 нелинейных слоя, может классифицировать любые области.

Для обучения многослойных нейронных сетей применяется алгоритм обратного распространения ошибки.

Суть алгоритма (без математических подробностей) состоит в следующем.

В прямом проходе на вход сети подаётся обучающий вектор.

В обратном проходе вычисляется  погрешность выходного слоя и  от выхода ко входу корректируются синаптические веса.

Входные векторы подаются циклически, пока ошибка не станет достаточно малой.

Многослойная сеть может иметь  обратные связи и характеризоваться прямым и обратным распространением информации между слоями сети. Примером таких сетей может служить сеть Хопфилда. Архитектуру такой сети представим в виде двух слоёв нейронов.

 

Рис. 7.6 — Структура сети Хопфилда

При этом первый слой является распределительным, а второй слой осуществляет нелинейное преобразование взвешенной суммы. В сети имеются обратные связи (обратная связь нейрона на себя отсутствует).

 

7.4 Реализация и использование нейронных сетей

Наиболее широко используются компьютерные программы, построенные  на нейросетевых принципах. Например, нейросетевые алгоритмы используются в программах распознавания текстов, речи, образов.

Программы, имитирующие  работу нейронных сетей, называют нейроимитаторами.

Разработаны специальные  нейронные микропроцессоры — нейрочипы. Например, нейрочип российской разработки NM 6403. Нейрочипы используются в специальных платах расширения (нейроплатах), которые подключаются к персональному компьютеру и ускоряют выполнение нейросетевых алгоритмов.

Наконец, существуют нейрокомпьютеры, целиком построенные на основе нейронных сетей.

Области применения нейронных  сетей необъятны. Для социологии наибольший интерес представляют нейросетевые экспертные системы. Экспертная система (ЭС) — это компьютерная программа, которая как человек-эксперт отвечает на вопрос «что будет, если…». Традиционно ЭС строились на основе языков программирования, например, ПРОЛОГ. В таких системах должны быть запрограммированы все возможные условия и реакции на эти условия. Это делает построение реальных ЭС на основе логического вывода очень сложным.

В нейросетевых экспертных системах нейронная сеть, как человек-эксперт, обучается на ряде примеров. Обученная сеть при подаче на вход сигналов, характеризующих некоторую ситуацию, распознаёт ситуацию, например, ставит диагноз, предсказывает курс валют и т.п.

Классический пример — предсказания, какая партия победит на выборах президента США — правящая или оппозиционная. В качестве обучающих примеров были взяты ответы на 12 вопросов социологической анкеты. Обучающая выборка состояла из 31 примера, каждый из которых представляет ситуацию выборов, начиная с 1864 г. После обучения сеть способна предсказать исход реальной ситуации, которая не входила в обучающую выборку. Например, сеть однозначно предсказала победу Клинтона над Бушем (старшим), когда результаты выборов ещё не были известны.

Успешно применялась  нейронная сеть для определения психического типа личности (использовался классический личностный опросник Бехтеревского института). В классических психологических тестах сначала выявляется явный диагноз (измеренная индивидуальность), т.е. определяются различные характеристики личности, а затем по явному диагнозу определяется психологический тип личности. Но при формулировке явного диагноза теряется огромная часть информации, содержащейся в материалах тестирования. НС определяет тип личности непосредственно по результатам тестирования.

Предсказывались также отношения в социальной группе. В частности производилось социологическое исследование студенческой группы по вопросу «Насколько бы вы хотели работать по своей будущей специальности с каждым из членов группы?».

Использовались стандартные  методики (MMPI и др.), всего задавался 91 вопрос. Классически огромный материал результатов опроса «сжимается» до очень небольшой величины в явном диагнозе, с помощью которого даются рекомендации. Нейронная сеть прямо использует весь исходный материал. При этом можно даже сократить число вопросов.

Таким образом, при  помощи нейронных сетей можно  моделировать взаимоотношения в  группе людей и прогнозировать взаимоотношения  с группой её нового члена.