- •Оглавление
- •Модели социальных систем. Основные принципы математического моделирования. Взаимосвязи понятий модель и моделирование.
- •Понятие системного анализа. Основные методы системного анализа
- •Основные понятия и принципы исследования операций. Однокритериальные и многокритериальные задачи исследования операций.
- •1. Однокритериальные (одноцелевые)
- •2. Многокритериальные Принятие решений в условиях неопределенностей. Стохастические, адаптивные и нестохастические задачи.
- •Статистическое моделирование случайных процессов (метод Монте-Карло)
- •5. Стат. Моделирование случайных процессов (метод Монте-Карло).
- •Предмет и задачи теории игр. Основные понятия и определения. Парные и множественные игры
- •Антагонистические матричные игры. Методы решения конечных игр.
- •Задачи теории массового обслуживания. Простейшие системы массового обслуживания и их характеристики.
- •Марковские процессы. Процессы с дискретным состоянием. Поток событий и его характеристики.
- •9. Марковские случайные процессы. Процессы с дискретным состоянием. Поток событий и его характеристики.
- •Методологические принципы изучения социальных сетей. Принцип дискретности. Атрибуты и взаимоотношения (связи). Достоинства и недостатки сетевого моделирования.
- •10. Методологические принципы изучения социальных сетей. Принцип дискретности. Атрибуты и взаимоотношения (связи). Достоинства и недостатки сетевого моделирования.
- •Основные определения теории графов (включая ориентированные графы).
- •Способы матричного представления графов, их сравнение.
- •Деревья. Построение минимального остовного дерева.
- •Концептуальные вопросы изучения социальных сетей. Сетевое проектирование. Уровни анализа. Границы сети. Сетевая выборка.
- •Показатели свойств сети. Сила связи. Размер сети. Сетевая плотность. Сетевой ранг.
- •Показатели свойств сети. Центральность и централизация. Способы расчета центральности акторов.
- •Показатели свойств сети. Эквивалентность
- •Нейронные сети. Принципиальная схема нейронных сетей, архитектура восприятия информации и распознавания образов
- •Задачи, решаемые с помощью инс. Обучение нейросетей: с учителем, без учителя, смешанное. Области применения инс.
- •Моделирование переходных процессов
- •Цикличность развития социальных систем. Фазы жизненного цикла цивилизации, этноса, общественных движений, организации, научной специальности, продукта, семьи, индивида.
- •Волны и жизненные циклы. Теория смены поколения. Недостатки моделей жизненного цикла.
- •Методология критических систем
- •Методология мягких систем
Нейронные сети. Принципиальная схема нейронных сетей, архитектура восприятия информации и распознавания образов
Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления.
Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости.
Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем.
Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга (Patterson, 1996). Основной областью исследований по искусственному интеллекту в 60-е - 80-е годы были экспертные системы. Такие системы основывались на высокоуровневом моделировании процесса мышления (в частности, на представлении, что процесс нашего мышления построен на манипуляциях с символами). Скоро стало ясно, что подобные системы, хотя и могут принести пользу в некоторых областях, не ухватывают некоторые ключевые аспекты человеческого интеллекта. Согласно одной из точек зрения, причина этого состоит в том, что они не в состоянии воспроизвести структуру мозга. Чтобы создать искусственных интеллект, необходимо построить систему с похожей архитектурой.
Нейроны - это специальная клетки, способные распространять электрохимические сигналы. Нейрон имеет разветвленную структуру ввода информации (дендриты), ядро и разветвляющийся выход (аксон). Аксоны клетки соединяются с дендритами других клеток с помощью синапсов. При активации нейрон посылает электрохимический сигнал по своему аксону. Через синапсы этот сигнал достигает других нейронов, которые могут в свою очередь активироваться. Нейрон активируется тогда, когда суммарный уровень сигналов, пришедших в его ядро из дендритов, превысит определенный уровень (порог активации).
Интенсивность сигнала, получаемого нейроном (а следовательно и возможность его активации), сильно зависит от активности синапсов. Каждый синапс имеет протяженность, и специальные химические вещества передают сигнал вдоль него. Один из самых авторитетных исследователей нейросистем, Дональд Хебб, высказал постулат, что обучение заключается в первую очередь в изменениях "силы" синаптических связей. Например, в классическом опыте Павлова, каждый раз непосредственно перед кормлением собаки звонил колокольчик, и собака быстро научилась связывать звонок колокольчика с пищей. Синаптические связи между участками коры головного мозга, ответственными за слух, и слюнными железами усилились, и при возбуждении коры звуком колокольчика у собаки начиналось слюноотделение.
Если сеть предполагается для чего-то использовать, то у нее должны быть входы (принимающие значения интересующих нас переменных из внешнего мира) и выходы (прогнозы или управляющие сигналы). Входы и выходы соответствуют сенсорным и двигательным нервам - например, соответственно, идущим от глаз и в руки. Кроме этого, однако, в сети может быть еще много промежуточных (скрытых) нейронов, выполняющих внутренние функции. Входные, скрытые и выходные нейроны должны быть связаны между собой.
Типичный пример сети с прямой передачей сигнала показан на рисунке.
Нейроны регулярным образом организованы в слои. Входной слой служит просто для ввода значений входных переменных. Каждый из скрытых и выходных нейронов соединен со всеми элементами предыдущего слоя.