В.М. Колешко, Е.А. Воробей, Н.В. Хмурович «ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА РАСПОЗНАВАНИЯ ИНТУИЦИИ» (С. 65-75)

В.М. Колешко*,Е.А. Воробей*, Н.В. Хмурович**

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА РАСПОЗНАВАНИЯ ИНТУИЦИИ

*Европейский свободный смарт университет удаленного доступа (EFSURA);

**Департамент фармацевтической промышленности Министерства здравоохранения Республики Беларусь, республиканское унитарное предприятие «Научно-практический центр ЛОТИОС», Минск, Республика Беларусь

 

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА РАСПОЗНАВАНИЯ ИНТУИЦИИ
В.М. Колешко,Е.А. Воробей, Н.В. Хмурович
Разработана интеллектуальная система полного разума для распознавания интуиции с быстрым самообучением и самоорганизацией. Показано практическое ее применение для определения и улучшения интуиции обучаемых студентов и лучшего понимания работы правого и левого полушарий головного мозга человека.
Ключевые слова:интеллектуальная система, полный разум, интуиция, распознавание, информационный образ
 
 
INTELLECTUAL IDENTIFICATION OF INTUITION
V.M. Koleshko, E.A. Vorobey, N.V. Hmurovich
A whole mind intelligent system is developed for the intuition recognition to be differed in fast self-learning and self-organisizing. Its practical application is shown for intuition detecting and one improving of educable students and for better understanding of functions of human right and left cerebral hemispheres.
Key words: intelligent system, whole mind, intuition, recognition, information pattern;

 

Введение.

Современный технический уровень развития связан с интеллектуальными системами – автоматическими или автоматизированными системами с внешним и внутренним «очувствлением», основанных на использовании искусственного интеллекта и обладающих следующими свойствами (Колешко В.М. и соавт., 2011; Колешко В.М. и соавт., 2012; Колешко В.М. и соавт., 2013; Koleshkoetal., 2012):

  • самообучением – способностью не только выполнять заложенные в ней и встроенные функции и программы, но также обладать способностью адаптировать их в соответствии с назначенными задачами;
  • самоорганизацией – способностью изменять свою структуру и архитектуру в соответствии с назначенными задачами или с целью улучшения в процессе самообучения, самодиагностики и самосохранения;
  • способностью решать проблемы, для которых не существует стандартных методов и / или алгоритмов решений или таковые не известны.

       Интеллектуальные приборы, машины и системы разных размеров, форм, функционального назначения имеют преимущества в портативности, неинвазивности, низкой стоимости, быстром принятии решений для поддержки управленческих действий, обладают способностью к обучению и расширяют возможности «осенсорирования» и «омоторивания» всех систем и техпроцессов во всех областях жизнедеятельности человека.

      Цель и задачи.

      Целью работы является представление интеллектуальной системы полного разума для распознавания интуиции, отличающейся динамическим самообучением и быстрой самоорганизацией для прогнозирования количественных и качественных характеристик информационного образа исследуемого объекта. Показаны практические результаты использования интеллектуальной системы полного разума для распознавания и улучшения интуиции обучаемых при оценке ими сложности вопросов на экзамене.

Материалы и методы.

Полный разум – это гипер-метаэвристическая многокомпонентная гиперсферная интеллектуальная нейронная сеть (МГИНС) с логическим и интуитивным ускоренным распознаванием сенсорных информационных образов, беспроводных сенсорных систем и сетей при классической метрологии. Сенсорный информационный образ – описание любого объекта в многомерном пространстве, включающем информацию от всех описывающих его сенсорных признаков.Метаэвристика – метод улучшенной оптимизации при принятии суб-и оптимальных решений отдельным алгоритмом эвристического поиска. Гиперэвристика – метод универсальной оптимизации при выборе оптимальных решений из нескольких различных алгоритмов метаэвристического поиска. Эвристика – знания, приобретаемые в процессе интуитивного принятия решений. Интуиция – способность интеллектуальной системы чувствовать уже имеющиеся логические цепочки связанной информации и моментально находить ответ на поставленный ей вопрос.

Полный разум разработанной интеллектуальной системы распознавания интуиции (РИИС) основан на работе головного мозга человека с левым и правым его полушариями, поэтому РИИС способна мыслить интуитивно и логически. Ряд электронных блоков выполняют функции левого полушария, т.е. самоорганизующегося гипер-метаэвристического распознавания информационных образов, и правого полушария: интуитивного прогнозирования на основе ранее полученных знаний (Рис.1).

Нами проведено исследование с участием 60 студентов 2 курса, которые сдавали экзамен в виде тестирования за компьютером в течение 20 минут. Студентам нужно было ответить на 20 вопросов с несколькими вариантами ответов и с различными уровнями сложности, которые были получены по результатам сдачи экзамена. Каждый вопрос студенты в процессе тестирования самостоятельно интуитивно оценивали уровнем сложности от 1 до 20 с точность до одной сотой. В процессе интуитивного принятия решений студентами каждые 0,002 с проводилась регистрация сенсорной информации от разработанного нами «электронного глаза» и последующее ее распознавание с определением диаметра и формы глазного зрачка. Была получена информация о среднем диаметре глазного зрачка экзаменуемого студента на каждый из вопросов тестирования. Сдача экзамена всегда является стрессом для организма студентов и изменяет их эмоциональное состояние, поскольку студент может быть взволнован, когда не знает ответ на вопрос, и, наоборот, спокоен, когда знает правильный ответ.

Koleshko_1_3_2015

Рис. 1. Модель обучения при распознавании интуиции.
блок 1 – входные количественные данные интуиции; блок 2 – смеситель {x1•w1,x2•w2, x3•w3,… xnwn}; блок 3 – сумматор x1•w1 + x2•w2 + x3•w3 ++ xnwn+ b0 с учетом общей величины задержки b0; блок 4 – нелинейный преобразователь; блок 5 – расчет ошибки на этапе обучения; блок 6 – расчет интуиции обучения; блок 7 – построение карт-знаний информационных образов; блок 8 – расчет ошибки самообучения; блок 9 – изменение весовых коэффициентов; блок 10 – сохранение информации; блок 11 – поступление новых данных; блоки 12, 13, 14 – распознавание информационных образов (умножитель, сумматор, нелинейный преобразователь), блок 15 – интуиция распознавания образов с вероятностной принадлежностью к одному из известных классов; блок 16 – построение карты-знаний       распознавания; блок 17 – построение карты-знаний МГИНС; блок 18 – расчет оптимального размещения центроидов в многомерном пространстве признаков; блок 19 – построение уравнений гиперсфер; блок 20 – построение уравнений гиперплоскостей.

С помощью МГИНС было проведено распознавание классов интуиции студентов, когда они испытывают сильный стресс (класс интуиции № 2) и слабый стресс (класс интуиции № 1). Диаметры глазного зрачка студента больше (меньше) рассчитанной оптимальной пороговой величины равной 1,8155 мм отражали состояние сильного (слабого) стресса. Обучившись на информационных образах интуитивных данных студентов в состоянии сильного (слабого) стресса при задании ими сложности номеров билетов на экзамене, МГИНС была способна по этим данным, только интуитивно заданных новыми неэкзаменуемыми студентами, интуитивно спрогнозировать, к какому классу интуиции экзаменуемых студентов его следует отнести. Это позволяет, например, получить предварительную информацию о интуиции студента, его уровне подготовки и в первом приближении установить взаимосвязь правого и левого полушарий головного мозга человека. Студенту же МГИНС при распознавании его интуиции позволяет как натренировать его интуицию и управлять своим эмоциональным состояниям, и дать рекомендацию, на усвоение какой информации требуется больше времени и внимания при подготовке к экзамену и эффективного запоминания. На рис. 2 представлены входные интуитивные данные студентов для распознавания МГИНС, а на рис. 3 отображены данные корреляций интуиций студентов. Высокие значения корреляции соответствуют студентам с близким интуитивным восприятием для каждого из распознаваемых классов интуиции.

Koleshko_2_3_2015

Рис. 2. Интуитивные данные студентов для обучения МГИНС

 Koleshko_3_3_2015

Рис. 3. Корреляционная карта интуиций студентов для обучения МГИНС

МГИНС выполняет следующие задачи (Колешко В.М. и соавт., 2012):

Задача 1. Формирование функционального информационного образа (блок 1) по результатам количественных и качественных сенсорных измерений, нормирования полученных данных для обеспечения равноценности вкладов сенсорных признаков, последующего проведениясингулярного разложения для получения собственных векторов с наибольшими собственными значениями, соответствующих максимальной дисперсии исходной выборки (главные компоненты) и отображение информационных образов в виде карт-знаний в многокомпонентном пространстве для визуального отслеживания их функциональности и динамики поведения (блок 10).

Для получения количественных значений сенсорных информационных образов автоматически осуществляют линейные ортогональные преобразования нормированных входных сенсорных данных с расчетом собственных векторов с наибольшими собственными значениями (Aйвазян С.А., 1989):

                Koleshko_4_3_2015_form(4)

где {ГКv} – новая система координат, полученная ортонормированными линейными комбинациями исходного пространства {tj} сенсорных признаков j (j>1), ti – значение признакаi после предобработки, w – cобственные векторы ковариационной матрицы K=T∙T с входными нормированными сенсорными данными T, где T’ – транспонированная матрица.

Расчет собственных векторов и собственных значений матрицы Kосуществляется путем ее сингулярного разложения на множители в виде:

K=N∙D∙N,                                                (5)

Y=T∙ N,                                                    (6)

где D – диагональная матрица с упорядоченными по диагонали по убыванию собственными числами – значения дисперсий главных компонент, N – ортогональная матрица собственных векторов матрицы K, которая позволяет перейти к главным компонентам, Y – образы исходных данных в пространстве новых компонент {ГКv}.

         Полученные результаты обучения МГИНС на информационных образах интутивных решений студентов представлены на рис. 4.

Koleshko_4_3_2015

Рис. 4. Информационные образы интуиций студентов
— класс интуиции № 1 студентов (при слабом стрессе), — класс интуиции № 2 студентов (при сильном стрессе), уравнение разделяющей гиперплоскости: ГП­1,2С : 0,64779∙ГК1С-         -0,10167∙ГК2С-0,026741∙ГК3С-0,44=0, объясненная дисперсия ГК1С – 78,8553 %, ГК2С –          2,8104 %, ГК3С – 2,2927 %

 

Задача 2. Обучение на информационных сенсорных образахпутем построения уравнений гиперплоскостей и гиперсфер (блок 2) с расчетом псевдообратных матриц и использования метода обратного распространения ошибки (блоки 3,4,5,8,9) для каждой пары сочетаний выходных классов информационных образов.

Сущность обучения, например, первого слоя интеллектуальной нейронной сети заключается в построении разделяющей гиперплоскости ГПn,kв ограниченном многокомпонентном пространстве ГКN (N – количество отобранных главных компонент, k и n – номера распознаваемых выходных классов), эффективно разделяющей n-й и k-й классы информационных образов среды. Проекция данной гиперплоскости в пространстве компонент ГК1 и ГК2 имеет вид ГПk,n: b0+ГК1∙w1+ГК2∙w2=0. Весовые коэффициенты wi(i=0,1,2) для всех N∙(N-1)/2 сочетаний главных компонент задаются в первом слое интеллектуальной нейронной сети. Для сочетания главных компонент ГК1 и ГК2 набор весовых коэффициентов будет представлен в виде [b0 w1 w2] и рассчитывается как:

W=XпY,                                                  (10)

где Y – вектор решений целевой функции [-1 1], W=[b0;w1; w2] весовые коэффициенты для расчета, причем для вычисления b0 необходимо, чтобы первый столбец матрицы X состоял из единиц, Xп – псевдообратная матрица для двух признаков сенсорных данных.

Задача 3. Самоорганизация и интуиция обучения для каждого исследуемого объектас автоматическим определением оптимальной динамической техноструктуры нейронной сети (блоки 18, 19, 20) с эффективным подбором количества скрытых технослоев и технонейронов (т-нейроны) в каждом технослое, техносинаптических связей,функции активации т-нейронов, расчетомвесовых коэффициентов индивидуальной значимости т-нейронов за счет минимизации внутрикластерной суммы расстояний объектов кластера до его образа центроида с максимизацией отношения среднего межкластерного расстояния к среднему внутрикластерному расстоянию информационных образов, запоминанием новых информационных сенсорных образов при обучении и расчетом интуиции обучения (блок 6).

Интуиция обучения МГИНС основана на принадлежности новых образов к ранее известным или неизвестным классам и, например, для двух классов имеет вид:

У1=(П1+П2)/(П1+П2+Н1+Н2),                               (11)

где У1 – уверенность распознавания образов, П1 (TP) – количество образов 1-го класса, которые отнесены к классу 1, П2 (TN) – количество образов 2-го класса, которые отнесены к классу 2, Н1 (FP) – количество образов 1-го класса, которые отнесены к классу 2, Н2 (FN) – количество образов 2-го класса, которые отнесены к классу 1. Интуиция МГИНС характеризуется чувствительностью TPR=П1/(П1+Н2), SPC=П2/(П2+Н1), FPR=H1/(П2+H1), FNR=H2/(П1+Н2),уверенностью PPV=П1/(П1+Н1), NPV=П2/(П2+Н2) и предсказанием FDR1=Н1/(H1+П1), FDR2=Н2/(H2+П2).

Для каждого изN сочетаний, например, класса 1 интуиция обучения МГИНС:

P1=(П11 / (П11+H11+П21+H21) +…+ П1n / (П1n+H1n+П2n+H2n))/N.                 (12)

Интуиция обучения МГИНС при распознавании интуиций студентов при задании сложности экзаменационных билетов показана в табл. 1 при обучении на двухъядерной вычислительной системы (процессор IntelCore 2 DuoT8300 2,4 ГГц, 4 Гб ОЗУ, Windows 7, 15,17 Гфлопс, 32-хразрядная операционная система).

Таблица 1. Результаты обучения МГИНС на интуиции студентов.
Методы распознавания Точность обучения, % Времяобучения, с
класс интуиции № 1 класс интуиции № 2
Однослойная нейронная сеть 80 0,002306
75 100
Вероятностные нейронные сети 84,61538 0,051138
90 66,667
Радиально-базисные нейронные сети 69,23077 0,095306
70 66,667
Нейронные сети с сингулярным разложением 66,66667 0,009617
70 50

Задача 4. Интуитивное распознавание новых информационных сенсорных образов (блоки 11,12,13,14,15) с расчетом ошибок первого и второго рода при отнесении каждого нового информационного образа к ранее известным при обучении интеллектуальной нейронной сети выходным классамотдельно для каждой пары их сочетаний.

Например, после обучения МГИНС на k-м и n-м выходных классах возможно установить, насколько близки новые и неизвестные ей информационные образы s класса к выходным классам, на которых она обучилась. Для этого входные данные новой среды, полученные по результатам измерений, например, сенсорами нормируются и преобразовываются в информационные образы, расположенные в пространстве информационных образов k-го и n-го выходных классов для обучения. При сравнении близости информационных образов s-классак известным образам k-го и n-го классов в первом слое интеллектуальной нейронной сети определяется положение новых информационных образов относительно разделяющей гиперплоскости ГПn,k в многокомпонентном пространстве ГКN­­­. В результате рассчитывается вероятность отнесения информационных образов s-го класса среды к k-му классу (Pk) и к n-му классу (Pn). Результаты распознавания интуиций новых неэкзаменуемых студентов при оценке ими сложности экзаменационных билетов представлены в табл. 2 и табл. 3.

Таблица 2. Результаты распознавания интуиций десяти неэкзаменуемых студентов
Методы распознавания, на которых обучена МГИНС Точность распознавания новых информационных образов интуиций, % Время распознавания новых информационных образов интуиций, с
Однослойная нейронная сеть 80 0,073552
Вероятностные нейронные сети 0,116095
Радиально-базисные нейронные сети 0,015333
Нейронные сети с сингулярным разложением 50 0,011932
 
Таблица 3. Интуиции распознавания для интуиций десяти неэкзаменуемых студентов
Методы распознавания, на которых обучена МГИНС
Средняя ошибка интуиции распознавания при правильной классификации, %
класс интуиции № 1
класс интуиции № 2
Однослойная нейронная сеть
2,42415
16,06145
Вероятностные нейронные сети
0
0
Радиально-базисные нейронные сети
7,849114
39,2898
Нейронные сети с сингулярным разложением
20,26766
26,5491

Задача 5. Интуитивное прогнозирование количественных значений свойств и статистических данных (блок 16) объекта неизвестного интеллектуальной системе на основании только информации, представленной для обучения с известными количественными данными, и построенных на основе статистических данных для известных классов регрессионных зависимостей свойств, измеренных с использованием существующих длительных, трудозатратных, сложных и дорогостоящих методов.

Задача 6. Построение карт-знаний обучения и распознавания сенсорных информационных образов, и интеллектуальной системы для отображения разума МГИНС с интуицией (блоки 7, 16, 17).

Проведена оптимизация интуиции экзаменуемых студентов для улучшения их интуиции по точности распознавания и среднеквадратической ошибке (СКО) и с определением количества билетов и их номеров для эффективной оценки знаний на экзамене (табл. 4). 

 

Таблица 4. Результаты улучшения интуитивной оценки экзаменуемых студентов
Методы оптимизационного обучения МГИНС Время оптими-зации, с Используемые номера билетов для экзамена Точность распознавания классов интуиций, % Интуиция распозна-вания, %
Нейронная сеть обратного распространения ошибки с методом декрементного учета аргументов 14,96467 19, 20 91,776(СКО: 0,44701) 90 (класс интуиции № 1)100 (класс интуиции № 2)

Нейронная сеть обратного распространения ошибки с методом инкрементного учета аргументов
7,670394 
1, 2, 4, 6, 9, 10,12,14,18 
100(СКО:0,160305 для10 оптимизаций)
100 (класс интуиции № 1)100 (класс интуиции № 2)
Нейронная сеть обратного распространения ошибки с улучшенным методом инкрементного учета аргументов
15,82489
1, 4, 12, 14, 15, 19, 20
100(СКО:0,38536 для3 оптимизаций)

 

Выводы.

       По результатам распознавания интуиции обучаемых студентов можно в первом приближении установить взаимосвязь левого и правого полушарий головного мозга человека. По качеству прогнозирования МГИНС в 5–10 раз и до 650 раз по производительности эффективнее известных методов классификации и распознавания образов с использованием вероятностных нейронных сетей и нейронных сетей с обратным распространением ошибки. МГИНС рекомендуется использовать в портативных мобильных устройствах, в том числе в смартфонах, коммуникаторах, айподах и др.

       

Список литературы
  1. Айвазян, С.А. Прикладная статистика: Классификации и снижение размерности / С.А. Айвазян. – М.: Финансы и статистика, 1989. – 608 с.
  2. Колешко В.М., Воробей Е.А., Хмурович Н.А. Интеллектуальная система распознавания и классификации интуиции / Франшиза-патент Международной академии интеллектуальной собственности с удаленным доступом (МАИС)              № 0070613. – Приоритет: 07.06.2013.
  3. Колешко, В.М. Мобильные телефоны, смартфоны и старение организма/           В.М. Колешко, Е.А. Воробей, Н.А. Хмурович; под общ. ред. В.М. Колешко. – Минск: Техническая литература, 2011. – 327 с. [Электронный ресурс]. – Режим доступа: https://www.youtube.com/watch?v=0ErZDTZzTNw.
  4. Колешко, В.М. Интеллектуальная система распознавания информационных образов наноматериалов / В.М. Колешко, Е.А. Воробей,        Е.Л. Прудникова // Нано- и микросистемная техника. – М., 2013. – № 1 (150). –          C. 9-14 [Электронный ресурс]. – Режим доступа: http://elibrary.ru/item.asp?id=18442880.
  5. Способ и интеллектуальная система с интуицией: пат. Респ. Беларусь / В.М. Колешко, Е.А. Воробей. – № а 20120653; заявл. 25.04.2012.
  6. Koleshko, V.M. Intelligent systems / V.M. Koleshko. – InTech, 2012. – 366 p. [Electronic resource]. – Mode of access: http://www.intechopen.com/books/intelligent-systems

           Информация о авторе: Профессор В.М. Колешко E-mail: efsura@gmail.com            http://www.intechopen.com/profiles/114576/vladimir-m-koleshko

Комментарии и пинги к записи запрещены.

Комментарии закрыты.

Дизайн: Polepin