Личностный потенциал. Структура и диагностика
Шрифт:
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
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 Xиспользуется 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.
В последнее время в связи с возрастанием интереса к исследованиям нелинейных процессов, появились работы, предлагающие для реализации нелинейных моделей использовать не только соответствующие активационные функции, но и вычислять взвешенную сумму входов нейрона по нелинейным зависимостям, например:
Пример использования нейросетей для предсказания итогов президентских выборов в США стал уже хрестоматийным ( Круглов, Борисов, 2001). На основе таблицы данных с результатами 31 предвыборной ситуации президента США (с 1860 по 1980 г.), содержащей данные по 12-ти бинарным признакам (да/нет) и результатами выборов (победе правящей или оппозиционной партии) была построена сеть, «предсказавшая» результаты вторых выборов Рейгана, победу Буша
Алгоритмы нейронных сетей позволяют анализировать тексты, политические ситуации, разрабатывать типологию ментальности, политических, религиозных, экономических установок, проводить исследования возможности прогнозирования индивидуального и массового поведения.
Нелинейные идеи в многомерной статистике
Нелинейная методология получает все большее распространение даже в таких традиционно линейных областях, как многомерная статистика. К достаточно широко распространенным нелинейным регрессионным моделям добавляется нелинейный факторный анализ, использование нелинейных пространств в многомерном шкалировании.
Структурное моделирование – методология, которой удалось органично совместить мощь факторного, регрессионного анализа с необходимой строгостью, присущей более простым статистическим методам. Она позволяет определить не только силу связей, но и зависимость этой силы от других показателей. В некоторых ситуациях при более низком уровне личностного развития связи между переменными носят больше жесткий, детерминистический характер, а на высоком уровне развития одни выступают по отношению к другим лишь как предпосылки, не предопределяя их однозначно. Моделирование траекторий латентных изменений позволяет выявить факторы, влияющие на показатели, определяющие характер функций, задающих динамику того или иного показателя на разных этапах развития индивида как носителя сознания. Например, и в детском, и в более зрелом возрасте показатель, связанный с жизненным опытом, мудростью растет со временем. Но на начальном этапе личностного развития скорость роста этого показателя в большей степени детерминирована характеристиками семейного окружения и родительского отношения; с подросткового возраста скорость роста в большей степени зависит от личностных характеристик человека. Имея накопленные лонгитюдные данные, можно не только показать, что различные категориальные структуры сознания в разные возрастные периоды по-разному обусловливаются различными предикторами, но и количественно оценить эту разницу, выявить критические точки, в которых, несмотря на непрерывность динамики, могут меняться параметры, детерминирующие латентные переменные, обусловливающие эту динамику, а также сам характер этой динамики.
Еще одна перспективная методология – иерархическое многоуровневое моделирование, позволяющее реализовать идеи зависимости управляющих параметров в подсистемах более низкого уровня от характеристик подсистем более высокого уровня. В результате исследователь имеет возможность использовать одни и те же уравнения для описания различных моделей. Различия реализуются на основе определения самих коэффициентов как функций
В заключение отметим, что, несмотря на достаточно широкий спектр приведенных нелинейных методов и подходов, используемых для построения моделей и методов исследования личности, не все оказались упомянутыми, в силу того, что не являются еще слишком часто используемыми и надежно себя зарекомендовавшими. Однако можно с уверенностью утверждать, что сферы применения нелинейных методов анализа многообразны. Идет определенное сближение новаторского неклассического моделирования и развитого статистического аппарата, что открывает хорошие перспективы для использования математических методов в исследовании личности.
Нелинейные методы эффективны в исследованиях личностной структуры, ментальности, ценностно-идеолого-религиозных представлений, жизненных сценариев, рефлексии жизненного пути, динамики изменения человека и его картины мира и в ходе психотерапии.
Поскольку практическая ценность той или иной модели напрямую зависит от ее прогностических возможностей, проблема прогнозирования на основе предлагаемых моделей стала общей для многих направлений современной науки и нуждается в дополнительном осмыслении. Какое суждение можно называть прогнозом? Если путь (траектория) развития системы проходит через странный аттрактор или перемешивающий слой, в качестве прогноза указывается ограниченное в фазовом пространстве финальное множество, описывается его структура и говорится о том, что система может принимать одно из возможных состояний из этого множества или переключаться в рамках набора состояний. Установив хаотичность системы, мы доказываем, что невозможность точного точечного прогнозирования объясняется не плохим знанием исследуемой области, а объективными причинами, аналогично тому как, например, в настоящее время научно доказана невозможность долгосрочных метеорологических прогнозов.