3.3 Анализ реализации и проектирование динамических нейронных сетей

В соответствии с двумя поставленными задачами: ''анализ творческого обучения" и ''моделирование творческого обучения", должны быть разработаны две программы. Первая программа (здесь называется анализ) проанализировала временные зависимости профилей обучения в аспекте сходства. Это было сделано с помощью DyCoN модели, в которой профили подаются в качестве модели и которые затем были признаны членами кластеров, соответственно типам обучения поведению (см. рис. 3.8, процесс вверху).

Вторая программа моделирует учебный процесс с использованием модели DyCoNG с оригинальной деятельностью/оценкой данных в качестве входных данных и профилей обучения в качестве вывода. Как объясняется выше, идея состояла в том, что оригинальность действия может быть описана качеством соответствующего нейрона: высокая оригинальность сочетается с низкой частотой и высокими показателями качества нейрона, и наоборот. Отмеченный нейрон высокого качества представляет действие с высоким показателем оригинальности. Результаты обучения профилей по модели DyCoNG сравнили с результатами оценщика (адекватность поведения), а также с типами обучения, полученными из профилей изучения (анализа исследования) детей (см. рисунок 3.7, процесс внизу).

Рисунок 3.7 - Проверка DyCoNG моделирования с использованием DyCoN как основы анализа: вверху процесс номинального ввода данных образует обучающие профили, из которых DyCoN генерирует ссылки. Внизу процесс оценки определяет классы данных как входные данные, которые необходимы DyCoNG для обучения и таким образом имитирует обучение профилей, с одной стороны эти профили моделирования сравнивают с соответствующими по рейтингу классами по классу конкретного отделения. С другой стороны, профили моделирования сравнивают с типами DyCoN относительно сходства и классификации способностей.

Можно продемонстрировать, что нейронная сеть может быть полезна для классификации типов творческого обучения, которое может поддерживать более индивидуальную адаптации учебных программ для спортсменов. Первые предварительные результаты изучения процесса анализа были подтверждены (Мэммерт и Перл, 2005, 2006). Кроме того, был сделан первый шаг в направлении моделирования обучения поведению с помощью нейронных сетей, которые могут быть полезны для оптимизации отдельных процессов обучения. Больше работы необходимо для того, чтобы анализировать больше данных и усовершенствовать методы моделирования. На рисунке 3.8 продемонстрирован пример динамически управляемого нейронного газа, с законченной топологией и выделенными кластерами на ней.

Рисунок 3.8 – Обученная нейронная сеть с выраженным кластерами нейронов, представляющих типичные профили: профили математически аппроксимируются из наборов соответствующих оригинальных временных рядов и встроенных максимальных и минимальных профилей.

4 Техніко-економічне обгрунтвання розробки

Метою роботи було завдання «Розробка динамічної нейронної мережі з елементами самоаналізу». Результатом роботи є документ, який описує методологію проектування та впровадження динамічних нейронних мереж для широкого колу задач.