CC BY
56
ДИСКРЕТНАЯ МОДЕЛЬ РОСТА ПОПУЛЯЦИИ МИКРООРГАНИЗМОВ НА ПЛОСКОСТИ © Д.В. Слетков, А.А. Арзамасцев
Изучение морфологических показателей роста колоний микроорганизмов позволяет получать дополнительную информацию о физиологических параметрах культуры, осуществлять идентификацию биологических объектов [1].
Целью работы является построение дискретной модели роста колонии микроорганизмов на плоскости, изучение морфологических и временных характеристик такого роста при различных начальных условиях, а также установление связи морфологических характеристик изображений с фрактальной размерностью, как фактора, обобщенно характеризующего их форму.
Допущениями при разработке модели являются следующие положения: область распространения микроорганизмов представляет ограниченную часть плоскости с нанесенной дискретной сеткой; единицей времени является одна итерация; питательное вещество в начальный момент времени распределено по ячейкам области распространения; микроорганизм потребляет питательное вещество, которое находится в его ячейке; диффузия питательного вещества в системе задается посредством массопереноса из соседних ячеек, который происходит на каждой итерации; количество питательного вещества в системе (ячейках) может быть восполнено извне; одна клетка занимает одну ячейку области распространения; изменение формы колонии происходит только за счет размножения клеток; максимальная продолжительность жизни клетки задается распределением вероятности; в начальный момент времени микроорганизмы засеваются в п ячеек области распространения, их положение может быть как случайным, так и задаваться координатами клеток, в кото-
рых они расположены; возраст микроорганизмов, находящихся в системе в начальный момент времени, задается соответствующим распределением.
В модели каждый микроорганизм колонии является самостоятельным объектом, наделенным присущим ему набором свойств. Такой подход позволяет глубже понять статистические закономерности кинетики роста всей популяции, так что обобщенные характеристики получаются путем моделирования поведения большого числа отдельных микроорганизмов.
В ходе моделирования показано, что форма колонии и кинетика роста популяции существенным образом зависят от положения микроорганизмов на сетке и их возраста в начальный момент времени. Показано также, что такая модель даже при одинаковых начальных условиях обеспечивает существенное различие в кинетике роста популяции и ее морфологических характеристиках, что реально наблюдается на практике. На начальном этапе развития, пока отдельные части колонии не взаимодействуют друг с другом, динамика роста практически одинакова. Однако при последующем взаимодействии отдельных частей колонии, динамика роста значительно изменяется и больше зависит от характера данного взаимодействия, чем от начальных условий развития популяции.
ЛИТЕРАТУРА
1. Арзамасцев А.А., Слетков Д.В., Исаева И.В. Связь морфологического параметра с основными характеристиками роста популяции микроорганизмов // Электронный журнал «Исследовано в России». 2003. Т. 6. С. 2150-2156. http://zhurnal.ape.relarn.ru/articles /2003/178.pdf
НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ В ПСИХОЛОГИЧЕСКИХ И СОЦИАЛЬНЫХ ИССЛЕДОВАНИЯХ
© Н.А. Зенкова
В настоящее время Министерством образования и науки РФ разработаны новые стандарты среднего образования, которые предполагают приобретение учащимися, начиная с 10-го класса, профессиональных навыков определенного профиля (профильное обучение). Однако не все учащиеся 9-х классов способны самостоятельно оценить свои возможности и выбрать соответствующий им в наилучшей степени профиль обучения.
Для проведения объективной работы по профессиональной ориентации школьников с учетом социального заказа, необходимо своевременно выявлять их профессиональный потенциал. Поэтому было бы желательно разработать компьютерный тест или программу, которая помогает учащимся осуществлять такое профилирование на основе оценки их личностных качеств.
■■КБ
Jff).
NNC v.3.01 - D:\Science\Aspirants\Cherenkova\Model\Irina JLevel._b0_.2
File Edit View Run Help
□Mm m№\ ifeje] ®N|e4|
Рис. 1. Совместное использование в модели при 60 %-ном уровне групповой активности линейной, параболической (2-й и 3-й степеней) и сигмоидальной активационных функций нейронов
Существующие в настоящее время системы профессионального тестирования не всегда обладают необходимыми качествами, т. к. они слабо адаптированы к конкретной аудитории (группе тестируемых).
В этих условиях является актуальной разработка модели профессиональной предрасположенности старшеклассников, имеющей реализацию на базе компьютерной технологии и позволяющей адекватно оценивать личностные качества и профессиональную предрасположенностьреспондентов.
Ранее нами было показано [1-6], что такая модель может быть реализована на основе аппарата искусственных нейронных сетей, который обладает свойством обучаемости по эмпирическим данным. При этом в нашем случае в качестве эмпирических данных можно использовать выборку, которая была получена в результате тестирования старшеклассников города Тамбова [7].
Разработка компьютерной нейросетевой модели осуществлялась в соответствии со следующими этапами.
Этап 1. Из всей совокупности факторов, значения которых получены в ходе анкетирования [7], выделяются те факторы, которые оказывают существенное влияние на профессиональные предпочтения школьников. Главным критерием значимости фактора, на наш взгляд, является консолидированное мнение группы при ответе на какой-либо вопрос анкеты.
Этап 2. Проводится ранжирование профилей профессий таким образом, чтобы каждому из них можно было поставить в соответствие определенное число (номер).
Этап 3. Из всего массива данных выделяется выборка для обучения ИНС, такая, чтобы в качестве вектора независимых координат в нее входили значимые
факторы, а в качестве моделируемого фактора - тот или иной профессиональный профиль, представленный числом (этап 2).
Этап 4. Формирование ИНС-модели. На этом этапе выбирается структура ИНС, производится ее обучение и, при необходимости, осуществляется коррекция структуры сети в соответствии с ранее разработанной технологией [1-4, 6]. Учитывая предыдущий опыт [1, 2, 6], в качестве такой оболочки выбрана программа NNC - Neural Network Constructor (NNC), version 3.01, 2001, разработка ВЦ РАН (адрес http://vkrepets.chat.ru/ NNC.exe). Для случая 60 %-ной групповой активности наилучшие результаты (наименьшую погрешность) дала ИНС-модель, показанная на рис. 1.
Этап 5. Производится проверка адекватности полученной ИНС-модели профессиональной предрасположенности по имеющимся эмпирическим данным и валидности тестирующей компьютерной технологии при определении профессиональных профилей школьников старших классов.
Адекватность модели проверили путем сравнения расчетных значений с результатами анкетирования профессиональных предпочтений школьников. В 72 % случаев ИНС-модель показала верные профессиональные профили; в оставшихся 28 % случаев был показан близкий профиль. Полученные результаты, на наш взгляд, следует считать приемлемыми для использования модели в профессиональной ориентации школьников.
ЛИТЕРАТУРА
1. Арзамасцев А.А., Зенкова Н.А. Моделирование в психологии на основе искусственных нейронных сетей: Моногр. Тамбов: Изд-во ТГУ им. Г.Р. Державина, 2003. 106 с.
2. Зенкова Н.А. Психологическая модель готовности студентов первого курса к обучению в вузе: Дис. ... канд. психол. наук. Тамбов, 2003.
3. Арзамасцев А.А., Зенкова Н.А. Система психологического тестирования на основе аппарата искусственных нейронных сетей // Искусственный интеллект. 2004. № 2. С. 237-242.
4. Зенкова Н.А., Арзамасцев А.А., Коваль Н.А. Использование аппарата искусственных нейронных сетей для идентификации свойств личности в учебном процессе // Успехи современного естествознания. 2004. № 5. С. 89-91.
5. Арзамасцев А.А., Зенкова Н.А. Изучение основ искусственного
интеллекта студентами психологических специальностей // Информатика и образование. 2004. № 7. С. 83-86.
6. Зенкова Н.А., Арзамасцев А.А. Модель готовности индивидов к познавательной деятельности на основе аппарата искусственных нейронных сетей // Вестн. ТГУ. Сер. Естеств. и технич. науки. IX Державинские чтения: Матер, науч. конф. преподавателей и аспирантов. Тамбов, 2004. Т. 9. Вып. 1. С. 156-157.
7. Арзамасцев А.А., Безрученко И.Е., Зенкова Н.А. Личностные качества и профессиональная предрасположенность школьников старших классов города Тамбова. Тамбов: ИМФИ ТГУ им. Г.Р. Державина, 2004. 103 с.
ПРОГРАММИРОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ С ЖЕСТКИМ ЯДРОМ © В.В. Максимушкин
Самым доступным способом проверить работу искусственных нейронных сетей (ИНС) является их компьютерное моделирование. Следует отметить, что число публикаций, рассматривающих программную реализацию ИНС, мало по сравнению с общим числом работ на тему нейронных сетей. Это тем более удивляет, если учесть, что универсальных программных средств для моделирования нейронных сетей крайне мало, и стоимость их также достаточно велика. В результате большинство исследователей предпочитают создавать собственные программные средства.
Существуют два подхода к программированию ИНС: матричный и объектно-ориентированный (ОО).
Первый подход может показаться более приемлемым. Из теории нейронных сетей известно, что процесс обучения ИНС может быть записан в терминах и с применением операций матричной алгебры. Судя по всему, такой подход обеспечит более быструю и компактную реализацию ИНС, нежели ее воплощение на базе концепций объектно-ориентированного программирования.
Однако в последнее время преобладает именно ОО подход, причем зачастую разрабатываются специальные объектно-ориентированные языки для программирования ИНС. Хотя, с моей точки зрения, универсальные ОО языки, например С++ и Равса!, были созданы
как раз для того, чтобы исключить необходимость разработки каких-либо других ОО языков, в какой бы области их не собирались применять.
Программирование искусственных нейронных сетей с применением ОО подхода имеет свои плюсы.
Во-первых, оно позволяет создать гибкую, легко перестраиваемую иерархию моделей ИНС.
Во-вторых, такая реализация наиболее прозрачна для программиста, и позволяет конструировать нейронные сети даже непрограммистам.
В-третьих, уровень абстрактности программирования, присущий объектно-ориентированным языкам, в будущем будет, по-видимому, расти, и реализация ИНС с ОО подходом позволит расширить их возможности.
Так же стоит отметить, что при матричном подходе реализация ИСН с жестким ядром оказывается весьма проблематичной. Так как в этом случае сеть представляется в виде матриц, а указывать программе какие элементы матрицы можно использовать для вычислений, а какие нет - задача довольно трудоемкая.
Объектно-ориентированный подход позволяет очень просто реализовать нейронные сети с жестким ядром. Для этого потребуется всего лишь ввести в класс, реализующий нейрон, новое свойство - так называемую свободу нейрона и добавить в алгоритм обучения проверку этого условия.
