Личностный потенциал. Структура и диагностика

Интеллектуальные нейронные сети (ИНС) стали использовать в 40-х гг. XX века применительно к задачам, связанным с вычислительными и информационными технологиями. Ведущую роль здесь сыграли американские математики, предложившие заимствовать принципы организации и функционирования биологических нейронных сетей для решения задач, связанных с анализом и обработкой информации в электронных вычислительных системах (У. Маккалох, Д. Хебб, Ф. Розенблатт, М. Минский, Дж. Хопфилд) ( Джейн, Мао, Моиуддин, 1997; Круглов, Борисов, 2001; Bar-Yam, 2003). Термин «интеллектуальная нейронная сеть» получил официальное признание в середине 1950-х гг. Термин «интеллектуальная» используется, чтобы отличить компьютерные нейронные сети от биологических. Таким образом, под ИНС подразумеваются алгоритмы, построенные по аналогии с представлениями середины прошлого века о процессах взаимодействия нейронов в человеческом мозге и реализующие распределенные и параллельные системы получения, передачи и обработки сигналов, адаптирующиеся в ходе своего функционирования. За более чем полвека ИНС получили широкое распространение в области задач искусственного интеллекта. Они широко используются в экономике для предсказания, например, ситуаций на финансовом рынке; в медицине для диагностики различных болезней; в экологии для контроля окружающей среды; в политологии и социологии для предсказания результатов политических выборов, кризисных ситуаций в общественном сознании; для решения задач, связанных с распознаванием визуальных и звуковых образов; для моделирования принятия решений в проблемных ситуациях и др. ( Горбань, Дунин-Барковский, Кирдини др., 1998; см. также URL:.

Задачи, решаемые с помощью нейронных сетей, можно свести к следующей математической постановке. Необходимо построить отображение X->Yтакое, чтобы на каждый возможный входной сигнал Xформировался правильный выходной сигнал

Y. Отображение задается конечным набором пар (<известный вход>, <известный выход>). Число таких пар (обучающих примеров) существенно меньше общего числа возможных сочетаний значений входных и выходных сигналов. Совокупность всех обучающих примеров носит название обучающей выборки. Большая часть прикладных задач может быть сведена к реализации сложного многомерного функционального преобразования. Выделяют следующие типы задач, решаемые в интеллектуальных нейронных сетях.

Классификация образов.Требуется указать принадлежность входного образа X(например, речевого сигнала или рукописного символа), представленного вектором признаков, к одному или нескольким предварительно определенным классам Y: распознавание букв, распознавание речи, классификация сигнала электроэнцефалограммы, типологизация людей в соответствии с их личностными характеристиками.

Кластеризация/категоризация.Требуется разместить близкие образы Xв один кластер Y

. Кластеры при этом могут быть заранее неизвестны. Чаще всего этот тип задач используется для сжатия данных, выявления априорно неизвестных свойств объектов.

Аппроксимация функций.Необходимо оценить неизвестную функцию, искаженную шумом. Входной сигнал Xявляется аргументом этой функции, а выходной Y – ее значением. Используется для моделирования функциональных зависимостей.

Предсказание/прогноз.Предсказать значение временн'oго ряда в некоторый будущий момент времени t n+1.на основании значений этого ряда в последовательные моменты времени

t 1 , t 2 …., t n. В качестве входных сигналов X

используется набор значений временного ряда полученных в nпоследовательных промежутках времени. Выходной сигнал Y –значение временного ряда в n+1промежуток.

Оптимизация.Найти решение, удовлетворяющее системе ограничений и максимизирующее или минимизирующее целевую функцию. Примером является так называемая задача коммивояжера, требующая проложить кратчайший путь. На вход подаются координаты пунктов, на выход – искомый кратчайший путь. В психологии в данный класс задач попадают многие задачи принятия решений, нахождения компромисса и пр.

Память, адресуемая по содержанию.Среди множества объектов найти максимально похожий на предъявляемый. Предъявляемый объект, подаваемый на вход, представляет собой частичное или искаженное воспроизведение какого-либо объекта, находящегося в памяти и подаваемого в качестве ответа на выход. Используется для моделирования семантических пространств.

Управление.Определить величину входного управляющего воздействия на систему таким образом, чтобы получить желаемый результат управления. X – набор контролируемых параметров управляемого объекта, Y – код, определяющий управляющее воздействие, соответствующее текущим значениям контролируемых параметров. Примером может служить оптимальное управление коллективом, психотерапевтическое воздействие.