Материал: 3704

11

Для выполнения процедуры прогнозирования необходимо перед вызовом процедуры «Тестирование» внести в таблицу данных значения входных параметров, на основании которых нейросеть будет делать прогноз («Таблица» – «Добавить запись»). Поле выходного параметра должно оставаться пустым, а курсор необходимо перевести кнопкой «TAB» в следующую строку.

После повторного выполнения процедуры тестирования нижняя строка таблицы содержит прогноз нейронной сети (рис. 7).

Рис. 7. Прогноз нейронной сети

7. Вычисление показателей значимости каждого из входных сигналов для решения задачи («Нейросеть» – «Значимость входных сигналов», см. рис. 8), сохранение вычисленных показателей значимости в файле на диске.

Рис. 8. Значимость входных сигналов

12

Значимость входных сигналов позволяет увидеть с точки зрения сети степень влияния входных параметров на выходной. Это позволяет, например, избавиться от малозначимых входных параметров.

8.Упрощение нейронной сети («Нейросеть» – «Сокращение, упрощение и

т.д.»).

Упрощение нейронной сети выполняется на основе вычисленных показателей значимости. Показатели значимости вычисляются в пяти точках в пространстве адаптивных параметров сети и усредняются в одной из норм.

Процедура упрощения строится как последовательное исключение из сети наименее значимого входного сигнала или элемента сети, дальнейшее дообучение сети и исключение другого сигнала или элемента, если удалось дообучить сеть до заданной пользователем точности. В противном случае процедура упрощения останавливается.

Предоставляются следующие возможности по упрощению сети: - сокращение числа входных сигналов; - сокращение числа нейронов сети; - сокращение числа синапсов сети;

- сокращение числа неоднородных (пороговых) входов нейронов сети; - равномерное упрощение сети, чтобы на каждый нейрон сети приходило

не более n сигналов;

- бинаризация (приведение к виду: 1 или -1) весов синапсов и неоднородных входов сети. Бинаризованные синапсы и неоднородные входы в дальнейшем не обучаются. Бинаризация синапсов сети приводит к упрощению итоговой нелинейной регрессионной модели сети.

Сокращение входных сигналов и нейронов может достигаться и при выполнении других операций по упрощению сети, а не только при целенаправленном сокращении именно входных сигналов и нейронов.

Нейрон сети считается удаленным, если у него удалены все выходы или его сигнал не используется нейронами следующего слоя.

Входной сигнал считается удаленным, если удалены все синапсы, по которым этот сигнал поступал на нейроны первого слоя сети. Удаленные при упрощении элементы физически остаются в нейронной сети, но при генерации вербального описания сети не вносятся в него.

9.Генерация и визуализация вербального описания нейронной сети («Нейросеть» – «Вербализация»). Редактирование и сохранение вербального описания нейронной сети в файле на диске.

При генерации вербального описания в тексте перечисляются используемые поля файла данных, правила их предобработки для подачи сети, описание нелинейных функций нейронов, функционирование нейронной сети послойно и понейронно, правила нормировки выходных сигналов сети в диапазон истинных значений. Сигналам, генерируемым нейронами сети, присваиваются некоторые имена и в дальнейшем пользователь при анализе сети может именовать эти сигналы в терминах проблемной области.

13

Файлы вербального описания сети, результатов тестирования нейросети, показателей значимости входных сигналов имеют стандартный ASCII-формат текстовых файлов данных и могут читаться всеми программами-редакторами текстов и импортироваться в электронные таблицы.

Получив вербализованное описание нейронной сети, пользователь может попытаться восстановить правила, сформированные сетью для решения задачи – записать на естественном языке алгоритм решения неформализованной задачи предсказания или классификации.

10. Сохранение нейропроекта на диске («Файл» – «Сохранить как»).

Файлы нейропроекта имеют уникальный формат, поддерживаемый только настоящей программой. В следующих версиях возможно изменение этого формата без сохранения совместимости с настоящей версией.

2. Лабораторная работа № 1

«Применение нейросетевого прогнозирования при подборе кадров»

Постановка задачи

При приеме на службу в органы внутренних дел (ОВД), поступлении в высшее юридическое учебное заведение МВД РФ каждый кандидат проходит обследование с помощью различных методик, направленных на оперативное и удобное обследование психологической сферы индивида (мотивы, познавательные процессы, самооценка, личностные особенности, социальнопсихологические качества и др.).

Однако данные, полученные в результате обследования, в дальнейшем используются неэффективно. В этой связи возникает необходимость разработки методики, применение которой давало бы возможность сопоставлять результаты тестирования слушателей высших учебных заведений МВД РФ с состоянием их успеваемости, дисциплины, а также эффективностью дальнейшей работы в ОВД и осуществлять поддержку обоснованных решений при приеме лиц на службу в ОВД или на учебу в высшие учебные заведения МВД РФ. Именно такая методика позволит более качественно осуществлять подбор сотрудников в ОВД и слушателей для высших юридических и пожарно-технических учебных заведений МВД РФ [2,3].

Для построения нейросетевой модели и ее практического применения использовались результаты тестирования лиц, поступающих на учебу в Дальневосточный юридический институт МВД РФ. Обучающая выборка состоит из результатов тестирования 270 абитуриентов ДВЮИ МВД РФ личностным опросником Кеттела (1992 г.) и оценок состояния их дисциплины, успеваемости (1996 г.), а также оценок эффективности их последующей работы в ОВД (1999 г.). Расшифровка оценочных шкал Кеттела приведена в табл. 1.

Обученные соответствующим образом искусственные нейронные сети (НС) смогут прогнозировать для поступающего в ДВЮИ МВД РФ оценку состояния

14

дисциплины и успеваемости с горизонтом прогнозирования 4 года и эффективность его последующей работы с горизонтом прогнозирования 7 лет. Обучение НС целесообразно производить на нейроимитаторе Neurоpro 0.25, который успешно применяется для решения различных нерегулярных задач [11].

Ход работы

1. Запуск программного нейроимитатора «NEUROPRO 0.25».

«ПУСК» – «ПРОГРАММЫ» – «NEUROPRO» – «NEUROPRO 0.25»

2. Начало работы в нейроимитаторе.

«ФАЙЛ» – «СОЗДАТЬ» – «ОТКРЫТЬ ФАЙЛ ДАННЫХ»

3.Открыть файл данных ДВЮИ.dbf, содержащий результаты тестирования

иэкспертные оценки прогнозируемых параметров, необходимые для обучения сети.

4.Щелкнуть левой кнопкой мыши (л.к.м.) на предыдущем окне (без имени)

5.Нажать кнопку «НОВАЯ СЕТЬ».

5.1.Установить входы и выходы сети: - поле «NOMER» не используется; - поле «DISCIP» не используется;

- поле «USPEVA» не используется;

- поле «RABOTA» выходное, тип поля количественный, точность 0,1.

5.2.Задать структуру сети:

-число слоев – 1;

-число нейронов – 16;

-характеристика – 0,1.

5.3. Нажать кнопку «СОЗДАТЬ».

6.В верхнем меню нажать «НЕЙРОСЕТЬ» – «ОБУЧЕНИЕ» – после окончания обучения – «ГОТОВО».

7.Определить минимальное количество нейронов для решения данной задачи:

7.1.Нажать «КОПИЯ СЕТИ».

7.2.В «СТРУКТУРЕ СЕТИ» изменить количество нейронов.

7.3.Далее с п.п. 5.3. по п.6 включительно.

8.П Р О Г Н О З И Р О В А Н И Е.

8.1.Щелкнуть л.к.м. на таблице с данными.

8.2.Выбрать следующие пункты меню: «ТАБЛИЦА» – «ДОБАВИТЬ ЗА-

ПИСЬ».

8.3.Создать новый пункт (№ 271) и заполнить его произвольными числами, в диапазоне от 1 до 10 (перемещение между столбцами кнопкой «TAB» или «стрелка вправо»), кроме колонки прогнозируемого параметра (РАБОТА).

8.4.Щелкнуть л.к.м. на предыдущем окне (Без имени).

8.5.Из верхнего меню выбрать «НЕЙРОСЕТЬ» – «ТЕСТИРОВАНИЕ».

8.6.Переместиться в конец таблицы и посмотреть значение прогнозируемого параметра.

15

8.7. Закрыть окно тестирования.

9. Оценка сетью значимости входных сигналов (в нашем случае оценоч-

ных шкал Кеттела, за каждой из которых скрывается черта характера).

9.1.«НЕЙРОСЕТЬ» – «ЗНАЧИМОСТЬ ВХОДНЫХ СИГНАЛОВ».

9.2.Выпишите самые важные, с точки зрения сети, оценочные шкалы и закройте окно.

10. Повторить с п.п. 5, используя в качестве прогнозируемого параметра «ДИСЦИПЛИНУ» и «УСПЕВАЕМОСТЬ» (по очереди).

10.1. При наличии времени поэкспериментировать с упрощением сети «НЕЙРОСЕТЬ» – «УПРОЩЕНИЕ».

11.Пользуясь полученными диаграммами значимости входных сигналов сформулируйте в качестве вывода, какие качества личности, по Кеттелу, влияют на дисциплину, успеваемость и эффективность работы выпускников высших учебных заведений МВД РФ.

12.Оформите ход работы на ПК, сформулируйте выводы.