- •Методы нейроинформатики
- •Фцп "интеграция"
- •Предисловие редактора
- •Моделирование данных при помощи кривыхдля восстановления пробелов в таблицах
- •660036, Красноярск-36, ивм со ран,
- •1. Общая схема метода
- •2. Итерационный метод главных компонент для данных с пропусками
- •3. Квазилинейные факторы и формулы Карлемана
- •4. Нейронный конвейер
- •Литература
- •Финитность и детерминированность простых программ для кинетической машины кирдина
- •660036, Красноярск-36, ивм со ран,
- •1. Введение
- •2. Понятие кинетической машины Кирдина
- •3. Модели выполнения программы
- •3.1. Последовательная модель
- •3.2. Параллельно-последовательная модель
- •3.3. Максимальная параллельно-последовательная модель
- •4. Программы, состоящие из одной команды
- •4.1. Распад
- •4.2. Синтез
- •4.3. Прямая замена
- •5. Заключение
- •ЛитературА
- •Алгоритмическая универсальность кинетической машины кирдина
- •660036, Красноярск-36, ивм со ран,
- •Литература
- •Погрешности нейронных сетей. Вычисление погрешностей весов синапсов
- •660036, Красноярск-36, ивм со ран,
- •1. Введение
- •2. Структура сети
- •3. Два базовых подхода к оценкам погрешности
- •4. Погрешности весов синапсов
- •5. Гарантированные интервальные оценки погрешностей весов синапсов
- •6. Среднеквадратические оценки погрешностей весов синапсов
- •7. Заключение
- •Литература
- •Нейросетевые методы обработки информации в задачах прогноза климатических характеристик и лесорастительных свойств ландшафтных зон
- •660036, Красноярск-36, ивм со ран,
- •Введение
- •1. Проблемы обработки таблиц экспериментальных данных
- •2. Искусственные нейронные сети
- •2.1. Элементы нейронных сетей
- •2.2. Архитектуры нейронных сетей
- •2.3. Решение задач нейронными сетями
- •2.4. Подача входных сигналов и снятие выходных сигналов сети
- •2.5. Обучение нейронных сетей
- •2.6. Вычисление градиента функции оценки по подстроечным параметрам сети
- •2.7. Факторы, влияющие на обучение нейронной сети
- •2.8. Упрощение нейронных сетей
- •2.9 Вычисление показателей значимости параметров и входных сигналов сети
- •3. Транспонированная задача регрессии
- •4. Применение нейросетевых технологий для обработки таблицы климатических данных
- •4.1. Заполнение пропусков в таблице климатических данных
- •4.2. Построение классификационной модели ландшафтных зон и секторов континентальности
- •4.2.1. Классификация ландшафтных зон Сибири
- •4.2.2. Идентификация лесных зон по континентальности
- •4.3. Прогнозирование возможного изменения ландшафтных зон и секторов континентальности
- •5. Заключение
- •Литература
- •Интуитивное предсказание нейросетями взаимоотношений в группе
- •660049, Красноярск, пр. Мира 82
- •1. Проблема оценки взаимоотношений
- •2. Общая задача экспериментов
- •3. Применяемые в экспериментах психологические методики
- •4. Эксперименты по предсказанию группового статуса
- •5. Нейросетевое исследование структуры опросника
- •6. Оценка оптимизации задачника нейросетью с позиций теории информации
- •7 Эксперименты по предсказанию парных взаимоотношений
- •Литература
- •Аппроксимация многомерных функций полутораслойным предиктором с произвольными преобразователями
- •660049, Красноярск, пр. Мира 82
- •1. Постановка проблемы
- •2. Аналитическое решение
- •3. Запись решения в идеологии нейросетей
- •4. Алгоритмическая часть
- •5. Оценка информационной емкости нейронной сети при помощи выборочной константы Липшица
- •6. Соглашение о терминологии
- •7. Компоненты сети
- •8. Общий элемент сети
- •9. Вход сети
- •10. Выход сети
- •11. Синапс сети
- •12. Тривиальный сумматор
- •13. Нейрон
- •14. Поток сети
- •15. Скомпонованная полутораслойная поточная сеть
- •Литература
- •Использование нейросетевых технологий при решении аналитических задач в гис
- •660036, Красноярск-36, ивм со ран,
- •Литература
- •Использование нейросетевых технологий для проведения учебно-исследовательских работ
- •1. Введение
- •2. Зимняя Политехническая Школа по Нейроинформатике
- •3. Задачи
- •4. Результаты
- •5. Перспективы
- •Литература
- •Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей
- •660036, Красноярск-36, ивм со ран,
- •1. Введение
- •2. Логически прозрачные нейронные сети
- •2.1. Архитектура логически прозрачных сетей
- •2.2. Критерии логической прозрачности нейронной сети
- •2.3. Требования к нелинейности элементов
- •3. Контрастирование нейронов
- •4. Приведение нейронных сетей к логически прозрачному виду
- •4.1. Наложение ограничений на архитектуру нейросети
- •4.2. Упрощение нейросети
- •4.3. Приведение настраиваемых параметров сети к предельным значениям и модификация нелинейных преобразователей нейронов
- •4.4. Проведение эквивалентных преобразований структуры нейросети
- •5. Вербализация нейронных сетей
- •6. Автоматическая генерация полуэмпирических теорий
- •7. Когнитологические аспекты
- •8. Влияние функции оценки на логическую прозрачность сети. Исключение примеров
- •9. Как выбирают американских президентов
- •10. Заключение
- •Литература
- •Содержание
9. Как выбирают американских президентов
Проиллюстируем процесс производства знаний из таблиц данных на основе базы данных по результатам выборов президентов США [2].
Имеется таблица данных с результатами 31-ой предвыборной ситуации (с 1860 по 1980 г.). Для каждых выборов в таблице содержатся данные по 12-ти бинарным признакам:
Правящая партия была у власти более одного срока?
Правящая партия получила более 50% голосов на прошлых выборах?
В год выборов была активна третья партия?
Была серьезная конкуренция при выдвижении кандидата от правящей партии?
Кандидат от правящей партии был президентом в год выборов?
Был ли год выборов временем спада или депрессии?
Был ли рост среднего национального валового продукта на душу населения более 2,1%?
Произвел ли правящий президент существенные изменения в политике?
Во время правления были существенные социальные волнения?
Администрация правящей партии виновна в серьезной ошибке или скандале?
Кандидат от правящей партии – национальный герой?
Кандидат от оппозиционной партии – национальный герой?
Также в таблице содержится информация о результатах выборов (победе правящей или оппозиционной партии). Значения бинарных признаков равны -1 (ответ "нет" для входного признака или победа правящей партии) и 1 (ответ"да"для входного признака или победа оппозиции).
Нейронные сети, обученные на этой таблице данных, уверенно предсказывали результаты вторых выборов Рейгана, победу Буша над Дукакисом, обе победы Клинтона.
Рассмотрим результаты построения по этой таблице логически прозрачных сетей и их вербализации. Оказывается, правильно предсказать результаты выборов можно на основании всего 5-ти признаков из 12-ти исходных.
Минимальная нейронная сеть содержит всего один сигмоидный нейрон, у которого на сумматор подаются значения признаков 4,6,8,9,12 (нумерация соответствует номеру признака в вышеприведенном списке) и постоянный единичный сигнал. Однако не все веса синапсов этой сети бинаризованы.
Можно построить однонейронные сети с бинаризованными весами синапсов, но для этого приходится оставлять 6 наиболее значимых признаков. Две такие сети приведены на рис. 2. Эти сети, как и ранее упомянутая однонейронная сеть с пятью входами, были получены из однослойной сети с 10-ю сигмоидныминейронами и дополнительным адаптивным сумматором, принимающим сигналы всех нейронов, с которого и снимался выходной сигнал сети.
Рис. 2. Однонейронные сети для предсказания результатов выборов президентов США
Рис. 3. Логически прозрачная нейронная сеть для предсказания
результатов выборов президентов США
Эти сети не являются логически прозрачными по одному из введенных ранее критериев – на нейрон приходит семь сигналов (6 значений признаков и одна константа). Однако уже сейчас видно, какие признаки способствуютпобеде правящей, а какие – победе оппозиционной партии.
Можно построить четырехнейронную логически прозрачную сеть, на каждый нейрон которой приходит три или два сигнала. Веса синапсов бинаризованы, используется пять входных сигналов. Она приведена на рис. 3. Эта сеть была получена из двухслойной сети с 10-ю нейронами в каждом слое и дополнительным выходным адаптивным сумматором.
На основе этих нейронных сетей можно строить наборы правил, помогающие как прогнозировать результаты выборов, так и менять предвыборную ситуацию таким образом, чтобы либо остаться у власти (для правящей партии), либо прийти к власти (для оппозиции). Так, для правящей партии плохо, если внутри ее существует конкуренция, если были социальные волнения, если активна третья партия или если отсутствует экономический рост. Для правящей партии хорошо, если президент зарекомендовал себя новатором (произвел существенные изменения в политике). Соответственно, для оппозиционной партии выигрышна прямо противоположная ситуация.