Разработка интеллектуальной системы

Разработка интеллектуальной системы

Оглавление

Введение

Глава 1. Интеллектуальные системы и их применение

.1 Понятие и технологии искусственного интеллекта

.2 Искусственный интеллект в медицине и психологии

.3 Определение предрасположенности к наркомании с помощью нейронных сетей

.3.1 Социальные факторы

.3.2 Психологические факторы

.3.3 Биологические факторы

.3.4 Сбор данных

Глава 2. Проектирование нейронной сети

.1 Выбор оптимальной структуры нейронной сети

.2 Анализ входных параметров

.3 Проектирование нейронной сети в «Нейросимулятор 5»

.4 Проектирование нейронной сети в «Statistica 10»

.5 Прогнозирование

Глава 3. Разработка интеллектуальной системы

.1 Подготовка нейронной сети

.2 Проектирование интерфейса

.3 Разработка

.4 Тестирование

Заключение

Библиографический список

Приложения

Введение

Перечень социально значимых заболеваний, утвержденный постановлением Правительства РФ от 1 декабря 2004 г. N 715, включает девять различных заболеваний: туберкулез, инфекции, передающиеся преимущественно половым путем, гепатит В и гепатит С, болезнь, вызванная вирусом иммунодефицита человека (ВИЧ), злокачественные новообразования, сахарный диабет, психические расстройства и расстройства поведения, а также болезни, характеризующиеся повышенным кровяным давлением. В данной работе рассмотрены психические расстройства, а именно зависимое поведение.

За последнее время число людей, у которых есть такая форма зависимого поведения как химическая зависимость (курение, токсикомания, наркозависимость, лекарственная зависимость, алкогольная зависимость) возросло. Объяснением причин, условий и факторов определяющих этого социального явления занимаются специалисты различных сфер. Зачастую род занятий исследователя влияет на результаты исследований, поэтому большинство исследований по определению причин и факторов аддиктивного поведения раскрывают только одну сторону проблемы, то есть рассматриваются только психологические факторы, биологические или социальные [1].

Математическая модель, учитывающая максимальное количество факторов, поможет выявить закономерности и определить причины, а также факторы развития химических зависимостей. Для создания математических моделей в плохо формализуемых предметных областях лучше всего подходят технологии искусственного интеллекта.

Существует два основных подхода для создания интеллектуальных систем: технологии экспертных систем и нейросетевые технологии. В ходе анализа предметной области, исследований по теме будет выбрана наиболее подходящая технология.

Целью настоящей работы является создание и исследование математической модели, определяющей предрасположенность к химическим зависимостям. Для достижение данной цели были поставлены следующие задачи: химический интеллектуальный зависимость предрасположенность

Анализ исследований на тему предрасположенности человека к химических зависимостям.

Создание опроса, на основе проанализированной литературы.

Анализ предметной области.

Анализ и выбор технологии для создания интеллектуальной системы.

Проектирование интеллектуальной системы.

Исследование полученной математической модели.

Проектирование интерфейса интеллектуальной системы.

Разработка приложения.

Таким образом, объектом исследования является диагностика и прогнозирование развития зависимого поведения с помощью технологий искусственного интеллекта. Предмет исследования: математическая модель для определения предрасположенности людей к химическим зависимостям.

В первой главе будет приведен обзор и анализ подходов для создания интеллектуальных системы, будет выбран оптимальный подход для предметной области исследования, а также будет приведен анализ исследований по теме и составлен перечень входных данных для дальнейшего создания интеллектуальной системы. Вторая глава будет включать описание проектирования интеллектуальной системы и результаты исследования получившейся математической модели. Третья глава будет содержать описание этапов разработки приложения, определяющего предрасположенность к наркотической аддикции.

Глава 1. Интеллектуальные системы и их применение

В данной главе проведен обзор существующих методов искусственного интеллекта. Был выбран оптимальный метод для анализируемой предметной области. Также рассмотрены основные причины наркомании с трех точек зрения: психология, социология и биология.

.1 Понятие и технологии искусственного интеллекта

Искусственный интеллект - это раздел информатики, посвященный моделированию интеллектуальной деятельности человека [2], например, выбор и принятие решения на основе ранее полученного опыта и анализа внешних факторов.

Выделяют два основных стратегических направления создания интеллектуальных систем:

. Технологии экспертных систем.

. Нейросетевые технологии.

Экспертная система (ЭС) - компьютерная программа, способная заменить специалиста-эксперта в решении проблемной ситуации или консультации менее квалифицированных пользователей. ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление.

Экспертная система работает в двух режимах: приобретение знаний и решение задач. В режиме приобретения знаний происходит формирование базы знаний. В режиме решения задач общение с экспертной системой осуществляет конечный пользователь.

Таким образом, идея использования технологии экспертных систем заключается в получении знаний от эксперта и их последующем использовании.

Нейронная сеть - это распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки. Название стратегии нейронных сетей обусловлено тем, что в ее основе лежит нейробиология человеческого мозга: человеческий мозг представляет достаточно сложную структуру, элементарной единицей этой структуры является нейрон [3]. Нейронные сети являются эффективным инструментом интеллектуального анализа данных, то есть они позволяют извлекать знания из данных.

Нейронные сети особенно хорошо зарекомендовали себя при решении задач классификации, прогнозирования, кодирования и декодирования информации и по сравнению с классическими математическими моделями имеют ряд преимуществ:

Универсальность. Нейронные сети не зависят от свойств входных данных и степени их формализации.

Простота. Использование нейронных сети не требует специальной подготовки, в отличие от статистических методов, требующих фундаментальных знаний из области теории вероятностей и математической статистики.

Способность обрабатывать большие объемы данных.

В данной работе интеллектуальная система создавалась методом нейронных сетей, т.к. одним из ее главных преимуществ является сравнительно низкая трудоемкость создания при высоких показателях прогнозирования и тестирования. В то время как для создания экспертной системы требуются годы работы коллектива узкопрофильных специалистов, эффективная нейронная сеть может быть сгенерирована и обучена с нескольких попыток пользователем нейропакета. Также к преимуществу можно отнести возможность выявления новых, еще неизвестных экспертам знаний и зависимостей.

1.2 Искусственный интеллект в медицине и психологии

Методы искусственного интеллекта позволили создать эффективные информационные интеллектуальные системы в областях деятельности, которые не доступны для формализации и алгоритмизации, таких как, медицина, психология, социология, бизнес, политология и экономика.

Любая зависимость, в том числе и наркотическая, является болезнью. Как известно, для продуктивного лечения любой болезни необходимо выяснить причины ее возникновения. Причины наркомании будут описаны в следующей главе, на данном этапе достаточной информацией является о том, что на появление и развитие наркотической зависимости влияет множество факторов. Более того, у людей с одинаковыми характеристиками предрасположенность к наркотической аддикции может кардинально отличаться.

Существует ряд признаков задач, при которых применение нейронных сетей в решении будет оправдано и уместно. Первым признаком является отсутствие алгоритма или принципа решения задачи, но накоплено достаточно примеров таких задач. Вторым признаком является большой объем входных данных (в данном случае - причин наркомании). Последний признак - это избыточность, неполнота, противоречивость или зашумлённость данных [5].

Сопоставив признаки задачи с проблемой выяснения причин наркомании, можно сделать вывод, что данная задача может быть решена методом нейронных сетей.

В психологии методы искусственного интеллекта широко применяются для психодиагностики и выяснения причин психических расстройств. В Германии разрабатывались системы, предназначенные для проведения диагностики при наборе новобранцев в армию. Примером такой является Expert System for the Support of Psychological Diagnostics for the Suitability Examination and Suitability Determination of Conscripts for Basic Military Service, разработанная для военного ведомства Германии [6]. Интеллектуальная система DYSLEXPERT, разработанная в США, выясняет причины, которые препятствуют успешной учебе в школе [7].

Примером успешного применения методов искусственного интеллекта для диагностики психических расстройств является система FEARDEX (Fear Diagnostic Expert System), предназначенная для диагностики фобий. По данным разработчиков системы, результаты, полученные с помощью системы FEARDEX, и диагнозы психологов различаются только в случае невыраженных и редких случаев, для более выраженных фобий результаты не разнятся [8].

На сайте Пермского отделения Научного совета РАН по методологии искусственного интеллекта [9] представлены программы, позволяющие выявлять способность людей к научной деятельности; предрасположенность человека к анорексии, суициду, наркозависимости, насилию и т.д. В основе всех программ лежат нейронные сети.

.3 Определение предрасположенности к наркомании с помощью нейронных сетей

Наркомания - состояние хронической или периодической интоксикации синтетическими или природными веществами, которое характеризуется повышенной толерантностью, неудержимым влечением, психическими или физическими нарушениями [10].

Наркотические вещества могут вызвать как психологическую, так и физическую зависимости в разной степени. Употребление наркотиков пагубно сказывается на деятельности всех органов и систем человека, первую очередь таких жизненно необходимых как сердечно-сосудистая система, печень, почки, легкие, желудок. У наркозависимых людей стремительно падает уровень интеллекта, исчезают интересы и хобби, слабеет память. В состоянии опьянения наркоман может совершать действия опасные для себя и окружающих. Для того, чтобы достать наркотики, он способен совершить любое преступление. Нередки случаи, когда под воздействием наркотика совершаются самоубийства или от приема чрезмерной дозы наступает смерть. Борьба с наркоманией ведется во всем мире на различных уровнях: от профилактического до законодательного.

Наркомания является одной из сложнейших для лечения болезнью. Чтобы бороться и эффективно лечить данную болезнь, необходимо выяснить наркотической аддикции. Изучая и анализируя различные исследования о причинах наркомании, все факторы, условия и причины, влияющие на появление и развитие наркотической зависимости, можно условно разделить на три группы: социальные, психологические и биологические.

.3.1 Социальные факторы

Поскольку возраст большинства наркоманов от 13 до 25 [11], то семья и родители имеют огромное влияние на наркозависимых. Существует распространённое в обществе мнение, что подростки из неблагополучных семей, где о них не заботятся и не уделяют внимания, находятся в группе риска употребления наркотиков.

Анализ литературы подтвердил это, но только отчасти. Безусловно, такие социальные явления как «семейный дефицит», «социальный голод» и отсутствие гармонии в семье, подталкивают ребенка искать понимание и душевное тепло вне доме, в результате ребенок может оказаться не в «той» компании. Если родители не разговаривают с детьми, не знают об их интересах и хобби, не обеспечивают досуг, то ребенку станет не интересно дома, и он уходит из-под влияния семьи. Насилие как физическое так психологическое над детьми либо между родителями тоже является причиной ухода от семьи. Свеженцева Ю. А. пыталась определить характерные особенности детства и юности людей с наркотической зависимостью [12, 13]. Она выявила, что эффективный контроль со стороны родителей является важным фактором, препятствующим употреблению наркотиков.

В то время как гиперопека и сверхзабота также могут стать причиной отдаления от семьи. Ребенок, который является «кумиром семьи», и в обществе хочет чувствовать тоже самое, нередко для демонстрации своей уникальности, либо для привлечения внимания, подростки совершают шокирующие и эксцентричные поступки, какими вполне могут являться употребление алкоголя или наркотиков.

Комер Р. [11] утверждает, что степень религиозности семьи есть основа для этических и моральных ценностях. Немалое значение имеет авторитет родителей и старшего поколения, а также доверительные отношения с ними, поскольку даже если ребенку говорят о вреде и последствиях употребления наркотических средств, у него в сознании не сформируется антинаркотическая установка.

Из вышесказанного можно сделать вывод о том, что употребление наркотиков не всегда результат депрессивного состояния или глубокого переживания.

Помимо семьи на любого человека влияет и общество в целом. Нестабильная экономическая ситуация в стране, как следствие снижения уровня жизни и уменьшение деловой активности приводят к социальной депрессии и отсутствию чувства собственной значимости и перспективы .

Более того, средства массовой информации, киноиндустрия демонстрируют красивую и богатую жизнь, которая зачастую связана с употреблением таких наркотиков как ЛСД и экстази.

Специфическими причинами употребления наркотиков в России стали развал системы детский организаций и секций, резкое расслоение общества, а также влияние запада и пропаганда западного образа жизни.

.3.2 Психологические факторы

М.Е. Позднякова [14] считает основным мотивом употребления наркотиков стремление получить удовольствие, не предпринимая усилий в реализации жизненных потребностей. Действительно, к наркомании наиболее склонны люди, которые живут одним днем и стремятся только к удовольствию и развлечениям.

Депрессии, эмоциональные расстройства, личные переживания, а также потребность выровнять настроение присущи наркоманам. Наркозависимые часто чувствительны и асоциальны, то есть такие люди неуютно чувствуют себя в обществе других, а также тяжело переживают жизненные трудности. Однако, существует такой тип наркозависимых людей, которые объявляют протест обществу, часто сравнивая общество со стадом.

Бабаян Э.А. и Гонопольский М.Х. [15,16] составили психологический портрет наркомана:

Нравственная незрелость личности.

Отрицательное отношение к учебе и низкий уровень образования.

Отсутствие общественно-политической активности.

Узкий и неустойчивый круг интересов и увлечений.

Неопределенность в вопросах профессиональной деятельности.

Уход от ответственных ситуаций и серьёзных решений.

Утрата перспектив и целей.

.3.3 Биологические факторы

Люди разных рас и национальностей реагируют по-разному на наркотические вещества. Некоторые люди из-за низкого содержания эндорфинов постоянно испытывают чувства дискомфорта. Эти люди сильно подвержены депрессии и очень тяжело переносят разнообразные жизненные трудности. Алкогольные напитки, а также наркотические средства позволяют улучшить и выровнять состояние, но только на время приема наркотических средств, затем их эмоциональное состояние ухудшается в разы, что заставляет употреблять наркотики вновь. Предрасположенные к наркозависимости люди отличаются повышенной чувствительностью к боли, выраженной реакцией на боль с учащением сердцебиения.

Наследственность свойственна более 80 % наркоманам, у многих наркозависимых родители имели алкогольную зависимость. Большинство подростков из таких семей сознательно предпочитают наркотические вещества алкоголю, поскольку алкоголь вызывал отвращение или неприятные воспоминания о родителях.

Биологическую предрасположенность к наркомании изучал Врач психиатр-нарколог Яковлев А. Н [17], он выяснил, что дисфункция системы эмоционального подкрепления имеет прямую зависимость с предрасположенностью к наркомании.

Сбор данных

С учетом всех групп факторов были сформированы входные параметры для будущей интеллектуальной системы, на данном этапе нужно использовать максимальное количество пар метров, после анализа и исследования интеллектуальной системы менее значимые параметры будут удалены.

Для получения обучающего множества будущей интеллектуальной системы были использованы два метода: онлайн опрос и истории реальных людей с наркозависимостью. В опросе участвовали как здоровые люди, так и люди, страдающие наркотической аддикцией. Онлайн опрос создан с помощью сервиса Google Формы [18], были составлены следующие вопросы:

Пол: 1 - мужской; 2 - женский.

Возраст: 1 - от 13 до 25; 2 - другой.

Были ли в семье наркозависимые или алкозависимые: 1 - да; 2 - нет.

Достаточно ли «душевного тепла» вы получали от семьи? 1 - да; 2 - нет.

Применялось ли рукоприкладство: 1 - да; 2 - нет.

Давали ли ваши родители свободу выбора? 1 - да; 2 - нет.

У вас доверительные отношения с родителями? 1 - да; 2 - нет.

Организовывали ли ваши родители досуг? 1 - да; 2 - нет.

Рассказывали ли ваши родители о вреде наркотиков? 1 - да; 2 - нет.

Склонность к депрессии: 1 - да; 2 - нет.

Постоянные интересы и хобби: 1 - да; 2 - нет.

Определенность в профессии или образовании: 1 - да; 2 - нет.

Уютно в обществе незнакомых людей:1 - да; 2 - нет.

Наличие друзей-наркоманов: 1 -да; 2 -нет.

Интерес к культуре наркоманов (реп, рок, растоманство): 1 -да; 2 -нет.

Финансовое положение: 1 -высокий достаток; 2 -средний достаток; 3 - низкий достаток.

Религиозность: 1 - да; 2 - нет.

Легко принимаются решения:1 - да; 2 - нет.

Авторитет родителей: 1 - во всем; 2 - не всех вопросах; 3 - нет.

Частота употребления алкоголя: 1 - часто; 2 - редко; 3 - никогда.

Для получения историй реальных наркозависимых людей были использованы тематические форумы, где люди делятся своими историями и опытом с другими наркозависимыми, а также сборники историй пациентов различных центров помощи наркозависимым (см. приложение А) На таких порталах люди, сумевшие победить зависимость, делятся своей историей, начиная с детства и заканчивая лечением от наркотической зависимости. Во многих историях были найдены ответы на вопросы созданного для получения входных данных опроса. Таким образом, было получено множество, состоящее из 90 примеров (см. приложение Б), данная информация была разделена на обучающее и тестовое множества.

Глава 2. Проектирование нейронной сети

Нейронная сеть для определения предрасположенности к наркотической зависимости будет построена в двух программных продуктах: нейропакеты «Нейросимулятор 5» [19] и «Statistica 10».

Нейропакет «Нейросимулятор 5» позволяет создавать и применять нейронные сети персептронного типа. Архитектура нейронной сети в «Нейросимулятор 5» имеет слоистую структуру, т.е. нейроны расположены слоями и имеют однонаправленные связи между слоями. Нейропакет работает в четырех режимах: проектирование, обучение, проверка и прогноз. Данный программный продукт позволяет проводить обучение с применение различных алгоритмов: обратного распространения, упругого распространения, быстрого распространения, Левенберга-Маркваррдта, сопряженных градиентов и генетический. Программа «Нейросимулятор 5» будет использоваться для изучения технологии нейросетей и самостоятельного анализа данных.

«Statistica 10» позволяет создавать и применять нейронные сети: многослойный персептрон, радиальная базисная функция, вероятностная нейронная сеть, обобщенная регрессионная нейронная сеть, самоорганизующаяся карта Кохонена и линейная сеть. Преимуществом данного продукта является одновременное обучение и тестирование сразу нескольких сетей, тем самым сокращается время на поиски оптимальной сети. Используются аналогичные нейропакету «Нейросимулятор 5» алгоритмы обучения. Преимуществом является опциональная возможность генерации исходного кода на языках C, C++, C#, Java, PMML (Predictive Model Markup Language), который может быть легко интегрирован во внешнюю среду для создания собственных приложений. Данный программный продукт будет использоваться для сравнения результатов, полученных в нейропакете. «Нейросимулятор 5», с профессиональным пакетом.

.1 Выбор оптимальной структуры нейронной сети

Первым шагом в построении нейронной сети является выбор оптимальной структуры сети, поэтому необходимо определить количество скрытых слоев, а также количество нейронов на каждом из них. Существует несколько общепринятых рекомендаций при выборе структуры сети:

Сеть должна иметь один или два скрытых слоя.

Число нейронов в скрытых слоях обычно колеблется от Nx до 3Nx, где Nx - размерность входного сигнала [21].

Согласно теореме Арнольда - Колмогорова - Хехт-Нильсена, можно построить нейросеть, выполняющую преобразование, заданное любой обучающей выборкой различающихся между собой примеров, и установлено, что такой универсальной нейросетью является персептрон с одним или двумя скрытыми слоями, с конечным числом нейронов и сигмоидными передаточными функциями [21,22]. При этом число нейронов в скрытых слоях персептрона оценивается по формуле:

 ,

где  - размерность выходного сигнала; Q - число элементов обучающей выборки;  - необходимое число синаптических весов; Nx - размерность входного сигнала.

Тогда число нейронов в скрытых слоях.

Таким образом, с учетом этих правил, в данной работе была построена нейронная сеть со следующими параметрами: Nx=20, Ny=1, Q=90. Тогда , следовательно, . Получивший промежуток значения N достаточно большой, но необходимо проверить каждое значение из этого промежутка. Для этого нужно построить нейронную сеть и изменяя количество нейронов в скрытом слое, выяснить наименьшую погрешность обучений и обобщения.

Для нейронных сетей под обучением понимается процесс настройки синаптических весов для эффективного решения поставленной задачи. Обучение представляет собой итерационный процесс, который при реализации на персональных компьютерах требует значительного времени.

При проведении экспериментов выяснилось, что минимальная погрешность тестирования, равная приблизительно 1,3%, достигается при двух нейронах в скрытых слоях. Затем была построена нейронная сеть с одним скрытым слоем, в котором содержится 2 нейрона. Всего сеть имеет 23 нейрона, 42 связей (+ 3 смещения). Активационные функции входного и выходного слоя линейный, а скрытых слоев - сигмоида.

Обучение нейронной сети осуществляется на некой выборке, которая называется обучающим множеством. В предыдущей главе был описан процесс получения обучающего множества. В программном продукте «Нейросимулятор 5» обучение сети строится на базе выборки данных, которая загружается в нейропакет из файла в формате *.xls или *.xlsx, созданного в программе MS Excel, либо заполняется вручную.

Количество итераций, задаваемых в параметрах алгоритма обучения, позволяет регулировать качество обучения. Чем больше это количество, тем «опытнее» сеть. После завершения процесса обучения представляется зависимость ошибки обучения сети от числа итерации. Для обучения сети был выбран алгоритм упругого распространения ошибки, а количество итераций обучения - 1000. Нейропакет «Нейросимулятор 5» предоставляет возможность проводить процесс обучения параллельно с тестированием, данные процессы иллюстрируются графиками. График обучения и тестирования получившейся нейросети изображен на рисунке 2.1

Рисунок 2.1. График обучения и тестирования

.2 Анализ входных параметров

Необходимо понимать, что не все входные параметры проектируемой нейронной сети влияют на результат. Параметры, которые не оказывают влияния на выходной вектор, называют незначимыми для него. Незначимые параметры не следует включать в список параметров входного вектора. Также необходимо выяснить, нет ли среди входных параметров таких, которые определяют результат моделирования вне зависимости от значений других параметров.

Для того, чтобы определить значимость параметров в программном продукте «Нейросимулятор 5», каждый параметр был проверен на значимость путем удаления из сети. Сеть оставалась такой же, но на вход подавались 19 параметров, поочередно убирая каждый из входных параметров. Сеть снова обучалась и тестировалась, а на основе прогноза и исходных данных была вычислена погрешность обобщения. Если погрешность не реагирует или слабо реагирует на нехватку входного параметра, то этот параметр является незначимым. Описанный выше процесс выполняется в нейропакете «Нейросимулятор 5» автоматически. На рисунке 2.2 изображена диаграмма со значимостью каждого параметра.

Рисунок 2.2. Значимость параметров

Анализ значимости входных параметров выявил, что параметры № 4, № 5, №6, №7 и №8 являются наименее значимыми, поэтому данные параметры были удалены.

Для новой нейронной сети входными параметрами являются:

Пол: 1 - мужской; 2 - женский.

Возраст: 1 - от 13 до 25; 2 - другой.

Были ли в семье наркозависимые или алкозависимые: 1 - да; 2 - нет.

Применялось ли рукоприкладство: 1 - да; 2 - нет.

Склонность к депрессии: 1 - да; 2 - нет.

Постоянные интересы и хобби: 1 - да; 2 - нет.

Определенность в профессии или образовании: 1 - да; 2 - нет.

Уютно в обществе незнакомых людей:1 - да; 2 - нет.

Наличие друзей-наркоманов: 1 -да; 2 -нет.

Интерес к культуре наркоманов (реп, рок, растоманство): 1 -да; 2 -нет.

Финансовое положение: 1 -высокий достаток; 2 -средний достаток; 3 - низкий достаток.

Религиозность: 1 - да; 2 - нет.

Легко принимаются решения:1 - да; 2 - нет.

Авторитет родителей: 1 - во всем; 2 - не всех вопросах; 3 - нет.

Частота употребления алкоголя: 1 - часто; 2 - редко; 3 - никогда.

.3 Проектирование нейронной сети в «Нейросимулятор 5»

С учетом правил и теорем, описанных в главе 2.1, была построена нейронная сеть со следующими параметрами: Nx=15, Ny=1, Q=90. Тогда , следовательно, .

При проведении экспериментов выяснилось, что минимальная погрешность тестирования, равная приблизительно 1,15%, достигается при двух нейронах в скрытых слоях. Затем была построена нейронная сеть с одним скрытым слоем, в котором содержится 2 нейрона. Всего сеть сеть имеет 18 нейрона, 32 связей (+ 3 смещения). Активационные функции входного и выходного слоя линейный, а скрытых слоев - сигмоида. Структура сети изображена на рисунке 2.3

Рисунок 2.3. Структура сети

Обучение нейронной сети осуществляется на некой выборке, которая называется обучающим множеством. В предыдущей главе был описан процесс получения обучающего множества. В программном продукте «Нейросимулятор 5» обучение сети строится на базе выборки данных, которая загружается в нейропакет из файла в формате *.xls или *.xlsx, созданного в программе MS Excel, либо заполняется вручную.

Количество итераций, задаваемых в параметрах алгоритма обучения, позволяет регулировать качество обучения. Чем больше это количество, тем «опытнее» сеть. После завершения процесса обучения представляется зависимость ошибки обучения сети от числа итерации. Для обучения сети был выбран алгоритм упругого распространения ошибки, а количество итераций обучения - 1000. Нейропакет «Нейросимулятор 5» предоставляет возможность проводить процесс обучения параллельно с тестированием, данные процессы иллюстрируются графиками. График обучения и тестирования получившейся нейросети изображен на рисунке 2.4

Рисунок 2.4. График обучения и тестирования

Результаты тестирования показали, что сеть дала 9 правильных ответов из 9 с максимальным отклонением 0,0005 (см рисунок 2.5). Если прогноз сети близок к единице, то сеть утверждает, что человек с данными параметрами имеет предрасположенность к наркотической зависимости. При результате прогноза, близком к 0, сеть утверждает, что человек не склонен к наркотической аддикции

Рисунок 2.5. Результаты тестирования

2.4 Проектирование нейронной сети в «Statistica 10»

В программном продукте «Statistica 10» можно строить и обучать сразу несколько сетей с различными структурами и различными алгоритмами, поэтому были заданы параметры: количество нейронов на скрытом слое от 2 до 24, все активационные функции для скрытых и входных нейронов, а именно тождественная, логистическая, гиперболическая, экспонента и синусоида. В результате обучения и тестирования наибольшая производительность получилась при использовании структуры с один скрытым слоем с 2 нейронами. (см рисунок 2.6).

Рисунок 2.6. Нейронная сеть в Statistica

Продукт «Statistica 10» сам определяет тестовое и обучающее множество, ошибка при обучении составила 0, 034, контрольная ошибка - 0,006, тестовая ошибка - 0, 027. Функция активации скрытых нейронов - логистическая, а функция активации выходных нейронов - синусоида.

В результате были получены две нейронные сети, ошибки которых не превышают 3 %.

.5 Прогнозирование

Нейропакет «Нейросимулятор 5» позволяет делать прогнозы, которые дают возможность определить влияние каждого из параметров на результат моделирование каждого примера из тестового множества. Для выполнения прогнозов изменялись поочередно все параметры, кроме пола и возраста.

Для построение прогноза были выбраны 5 человек:

Первый прогноз. Мужчина, 23 года, в семье были алкоголики, также в семье применялось рукоприкладство, склонен к депрессии, не имеет постоянных интересов и хобби, но определился в выборе профессии, уютно чувствует себя в обществе незнакомых людей, есть друзья-наркоманы, интересуется американским репом, имеет низкий достаток, религиозен, легко принимает серьезные решения, авторитет родителей во всех вопросах, часто употребляет алкоголь, имеет наркотическую зависимость.

Второй прогноз. Женщина, 30 лет, в семье никто не страдал наркоманией или алкоголизмом, не применялось рукоприкладство, склонна к депрессии, есть постоянные интересы, есть определенность в трудовой деятельности, уютно чувствует себя в обществе, нет друзей с наркотической зависимостью, не интересуется культурой наркоманов, имеет средний достаток, не религиозна, не легко дается принятие серьезных решений, авторитет родителей не во всех вопросах, не пьет и не употребляет наркотики.

Третий Прогноз. Женщина, 21 года, в семье не было людей с наркотической или алкогольной зависимостями, в семье не было рукоприкладства, не склонна к депрессии, нет постоянных интересов, определилась в трудовой деятельности, уютно чувствует себя в обществе, есть друзья-наркоманы, нет интереса к культуре наркоманов, средний достаток, не религиозна, легко принимает решения, средний родительский авторитет, не употребляет алкоголь и наркотики.

Четвертый прогноз. Женщина, 21 года, в семье были люди с наркотической или алкогольной зависимостями, в семье не было рукоприкладства, не склонна к депрессии, нет постоянных интересов, определилась в трудовой деятельности, уютно чувствует себя в обществе, есть друзья-наркоманы, есть интерес к культуре наркоманов, низкий достаток, не религиозна, не легко принимает решения, средний родительский авторитет, редко употребляет алкоголь и употребляет наркотики. Мужчина, 31 года, в семье не было людей с наркотической или алкогольной зависимостями, в семье не было рукоприкладства, не склонен к депрессии, нет постоянных интересов, определился в трудовой деятельности, уютно чувствует себя в обществе, есть друзья-наркоманы, есть интерес к культуре наркоманов, низкий достаток, не религиозна, легко принимает решения, средний родительский авторитет, редко употребляет алкоголь и не употребляет наркотики.

Результаты прогнозирования предрасположенности к наркозависимости первого (см. рисунок 2.7) из исследуемых выявили следующие закономерности: при исчезновении интереса к культуре американского репа и растоманства, а также при отказе от алкоголя наркотическая зависимость снизится. Изменения в параметрах, касающихся интересов и трудовой деятельности повысили уровень предрасположенности к наркотической зависимости. Интересная закономерность возникла при изменении параметра, связанного с алкоголем, при полном отказе от алкоголя зависимость заметно снижается, однако при редком употреблением уровень предрасположенности увеличится.

Рисунок 2.7. Результаты прогноза №1

В таблице 2.1 представлена расшифровка изменений параметров, выполненных в прогнозе.

Таблица 2.1 - Параметры для первого прогноза

Результаты прогнозирования предрасположенности к наркозависимости второго исследуемого (см. рисунок 2.8) показали, что изменения ни в одном из параметров кардинально не изменят предрасположенность к наркозависимости. Лишь изменение в параметре «Интерес к культуре наркоманов» и смена параметра «Употребление алкоголя» на «часто» немного увеличат предрасположенность к наркозависимости. То есть если исследуемый человек начнет часто употреблять алкоголь и интересоваться творчеством наркозависимых людей и представителей растоманства, то его предрасположенность к наркомании вырастет на 0,0001 и 0,004 процента соответственно.

Рисунок 2.8. Результаты прогноза №2

В таблице 2.2 представлена расшифровка изменений параметров, выполненных в прогнозе.

Таблица 2.2 - Параметры для второго прогноза

Результаты прогнозирования предрасположенности к наркозависимости третьего (см. рисунок 2.9) из исследуемых выявили некоторые закономерности. При возникновении интереса к культуре американского репа и растоманства, а также при редком употреблении алкоголя появится незначительная предрасположенность к наркотической зависимости. Изменения в других параметрах не влияют на рост предрасположенности к наркомании.

Рисунок 2.9. Результаты прогноза №3

В таблице 2.3 представлена расшифровка изменений параметров, выполненных в прогнозе.

Таблица 2.3 - Параметры для третьего прогноза

Результаты прогнозирования предрасположенности к наркозависимости четвертого (см. рисунок 2.10) из исследуемых выявили, что при появлении склонности к депрессии наркотическая зависимость заметно повысится. Высокий финансовый достаток, определенность в трудовой деятельности, появление родительского авторитета, отсутствие наркоманов в семье, рукоприкладства в детстве, а также полный отказ от алкоголя снижают предрасположенность к наркомании. Также позитивную тенденцию в уменьшении предрасположенности является повышение финансового положения с низкого до среднего. Остальные параметры не меняют предрасположенности как в положительную, так и в отрицательную стороны.

Рисунок 2.10. Результаты прогноза №4

В таблице 2.4 представлена расшифровка изменений параметров, выполненных в прогнозе.

Таблица 2.4 - Параметры для четвертого прогноза

Результаты прогнозирования предрасположенности к наркозависимости пятого (рисунок 2.11) из исследуемых выявили следующие закономерности: если бы в семье исследуемого были люди с наркотической или алкогольной зависимостями, то его предрасположенность к наркомании оказалась бы положительной.

Аналогичное влияние на результат исследования имеет интерес к культуре и творчеству таких направлений, как американский репа и растоманство. При изменении значения параметра «Определенность в трудовой деятельности» на отрицательное предрасположенность к наркотической аддикции вырастет на 80%. Если изменить значение параметра «Авторитет родителей» на отрицательное значение, то результат моделирования вырастет на 25%. Остальные параметры не имеют влияния на результат моделирования данного примера.

Рисунок 2.11. Результаты прогноза №5

Таблица 2.5 - Параметры для пятого прогноза

Для прогнозирования в «Statistica 10» использовалось аналогичное тестовое множество.

Результаты прогнозирования первого примера в программном продукте «Statistica 10» (см. рисунок 2.12) показали, что для снижения предрасположенности к наркозависимости необходимо увеличить доход до высокого уровня, отказаться от алкоголя и принимать серьезные решения не легко и скоропалительно, а вдумчиво и с расстановкой. Остальные параметры не снижают предрасположенность, а в некоторых случаях незначительно ее повышают.

Рисунок 2.12. Первый прогноз в Statistica

В таблице 2.6 представлена расшифровка изменений параметров, выполненных в прогнозе.

Таблица 2.6 - Первый прогноз в Statistica

Результаты моделирования второго прогноза.(см. рисунок 2.13) в программном продукте «Statistica 10» не выявили значительных изменений в предрасположенности к наркомании при изменении каждого параметра. Полученный результат говорит о том, что спроектированная нейронная сеть является комплексной математической моделью, на результат моделирования которой влияет не один параметр, а их совокупность.

Рисунок 2.13. Второй прогноз в Statistica

В таблице 2.7 представлена расшифровка изменений параметров, выполненных в прогнозе.

Таблица 2.7 - Второй прогноз в Statistica

Анализ результатов третьего прогноза (см. рисунок 2.14) выявил параметры, которые влияют как на снижение предрасположенности к наркомании, так и на ее рост. Частое употребление алкоголя, неопределенность в трудовой и профессиональной деятельности, а также отсутствие родительского авторитета в семье значительно повышают предрасположенность к наркотической зависимости (более чем на 25%). А такие характеристики как высокий достаток, абсолютный родительский авторитет и наличие интересов снижают уровень предрасположенности к этой болезни.

Рисунок 2.14. Третий прогноз в Statistica

В таблице 2.8 представлена расшифровка изменений параметров, выполненных в прогнозе.

Таблица 2.8 - Третий прогноз в Statistica

Результат прогнозирования четвертого исследуемого .(см. рисунок 2.15) выявил прямую зависимость между частым употреблением алкоголя, отсутствием родительского авторитета, склонностью к депрессии, интересом к культуре наркоманов и ростом предрасположенности к наркомании. В то время как отказ от алкоголя и абсолютный родительский авторитет в семье снижает уровень предрасположенности к наркомании. Определённость в трудовой деятельности и высокий достаток также снижают предрасположенность к наркотической аддикции.

Рисунок 2.15. Четвертый прогноз в Statistica

В таблице 2.9 представлена расшифровка изменений параметров, выполненных в прогнозе.

Таблица 2.9 - Четвертый прогноз в Statistica

На результат прогнозирования пятого примера (см. рисунок 2.16) влияли характеристики, связанные с профессией, родительским авторитетом и употреблением алкоголя. Отсутствие определенности в профессиональной и трудовой деятельности повышает предрасположенности к наркомании на 50%, частое употребление алкоголя и отсутствие родительского авторитета в семье влияют на рост предрасположенности примерно на 20%.

Рисунок 2.16. Пятый прогноз в Statistica

В таблице 2.10 представлена расшифровка изменений параметров, выполненных в прогнозе.

Таблица 2.10 - Пятый прогноз в Statistica

На основе прогнозов можно сделать следующие выводы:

Интерес к творчеству таких направлений как американский рэп, регги и растафарианство имеет прямую зависимость с предрасположенностью к наркотической зависимости, то есть человек, имеющий предрасположенность к данной аддикции, интересуется таким направлением творчества.

Частое употребление алкоголя также влияет на степень предрасположенности к наркомании, результаты прогнозов доказали это. Поэтому при лечении от наркотической зависимости сеть рекомендует исключить алкоголь.

В ряде случаев укрепление финансового положения снижает предрасположенность к наркотической зависимости.

Наследственность влияет на наличие предрасположенности к наркомании, данный факт доказан не только в данной работе, но и во многих других исследованиях [10,11].

Наличие профессии или постоянных интересов имеет весомую значимость, в ряде случаев изменение значений данных параметров на отрицательные кардинально меняло результат моделирования.

Родительский авторитет имеет прямую зависимость с предрасположенностью к наркомании, то есть в семьях, где родители влияют на решения своих детей, вероятность появления наркозависимых меньше. О данной закономерности писала Свеженцева Ю. А [12].

Склонность к депрессии имеет влияние на предрасположенность к наркотической зависимости только при присутствии других значимых факторах.

Способ принятия сложных решений в ряде случаев влиял на предрасположенность. Была определена прямая зависимость между легкостью принятия решений и предрасположенностью к наркомании.

Наличие друзей с наркотической зависимостью ни в одном из проведенных прогнозов не стало определяющим фактором.

Остальные параметры влияют на результат лишь в совокупности, однако не стоит делать вывод о том, что они не являются малозначимыми.

Глава 3. Разработка интеллектуальной системы

Приложение для работы с полученной нейронной сетью разработано в среде Microsoft Visual Studio 2015 на языке программирования C# с использованием технологии Windows Forms. Данное приложение позволяет пользователю вводить данные о себе, а на выходе генерирует число, обозначающее степень предрасположенность к наркомании: 0 - нет предрасположенности к наркотической зависимости, 1 - есть предрасположенность к наркомании. Также существует возможность прогноза развития предрасположенности к наркомании, где каждое введенное значение заменяется на противоположное, и вычисляется предрасположенность с новым значением каждого параметра. Техническое задание находится в приложении В.

Функциональные требования к системе:

Возможность ввода значений параметров.

Возможность вывода результата о степени предрасположенности к наркотической зависимость.

Возможность прогнозирования развития наркотической зависимости путем изменения изначальных значений входных параметров на противоположные.

Исходя из требований, на этапе анализа будет составлена диаграмма прецедентов со следующими прецедентами (см. рисунок 3.1):

Ввод данных.

Запрос на определение предрасположенности к наркотической зависимости.

Запрос на прогнозирование развития предрасположенности к наркотической зависимости.

Рисунок 3.1. Диаграмма прецедентов

Описательные спецификации прецедентов приведены в таблицах 3.1 - 3.3.

Таблица 3.1 - Прецедент «Ввод данных»

Таблица 3.2 - Прецедент «Запрос на определение предрасположенности»

Таблица 3.3 - Прецедент «Запрос на прогнозирование»

.1 Подготовка нейронной сети

В «Statistica 10» существует возможность автоматической генерации исходного кода на язык C#, однако код содержит ошибку. Попытки исправить ошибку приводили к другим, так как понять логику и последовательность автоматически сгенерированного программного кода достаточно сложно. Поэтому для реализации интеллектуальной системы было решено использовать формулу, моделирующую нейронную сеть. Данная функция была получена из нейропакета «Нейросимулятор 5».

Таким образом, была получена следующая формула:

Где

Где X1, X2, X3, X4, X5, X6, X7, X8, X9, X10, X11, X12, X13, X14 и X15 - входные параметры, а Y - выходной параметр.

.2 Проектирование интерфейса

Разрабатываемое приложение состоит из одной формы (см. рисунок 3.2), данная форма позволяет вводить значения параметров, а также позволяет определить предрасположенность к наркомании на основе введенных данных.

Рисунок 3.2. Главная форма

При успешном моделировании приложение позволит провести прогнозирование и выдает результаты прогнозирования для каждого параметра (см. рисунок 3.3).

Рисунок 3.3. Успешное моделирование

.3 Разработка

Определение предрасположенности к наркотической аддикции вычисляется по формуле, моделирующей спроектированную нейронную сеть. Прежде всего необходимо преобразовать данную формулу.

Обозначим (2*x1-3) = NX1, аналогично обозначим другие параметры. Таким образом, получим 15 новых переменных: Nx1, Nx2, Nx3, Nx4, Nx5, Nx6, Nx7, Nx8, Nx9, Nx10, Nx11, Nx12, Nx13, Nx14, Nx15.

Получим:

,

Где st= 2,05835128149691*- 18,3786981955558 * Nx1 - 18,7097761699539 * Nx2 -32,1528043590148* Nx3 + 42,3729553135529 * Nx4 - 2,56073158846758 * Nx5 + 5,18832388491044 * Nx6 + 22,9341418877981 * Nx7 + 13,4601225737303 * Nx8 - 10,794201766401 * Nx9 -46,7603017193941 * Nx10 + 11,8648992185296 * Nx11 - 12,3849067222936 * Nx12 - 9,43323118441784 * Nx13 +66,6407871030653 * Nx14-37,1466276605897 * Nx15 - 0,448338935289046 - 0,05796277181833 * - 26004,9678929676 * Nx1 - 19561,2494123982 * Nx2 - 15544,5238760068 * Nx3 + 19058,1142299386 * Nx4 - 2968,24680774502 * Nx5 + 2015,84648291544 * Nx6 + 7277,45622852983 * Nx7 + 18180,8337712351 * Nx8 - 20463,4243816811 * Nx9 - 14748,1744719309 * Nx10 + 11196,3001266541 * Nx11 - 9079,22526022669 * Nx12 + 242,849293887163 * Nx13 + 26839,5103234728 * Nx14 - 22505,5891925622 * Nx15 - 1,94014743145084 - 1,00016452412135.

Обработка введенных значений параметров происходит аналогично друг другу. К индексу выбранного значения прибавляется 1, так как в обучающем множестве минимальное значение равно 1, а нумерация индексов в Combobox начинается с 0. Листинг разработанного приложения находится в приложении Г.

После ввода значений параметров и нажатия на кнопку «Определить предрасположенность» происходит проверка на пустоту (см. рисунок 3.4), если всем параметрам заданы значения, то выдается результат моделирования.

Рисунок 3.4. Проверка на пустоту

При успешном выводе результата появляется кнопка «Прогноз», при нажатии на которую выводятся результаты моделирования при изменении значений каждого параметра на противоположные.

Ниже приведен результат выполнения прогноза (см. рисунок 3.5).

Рисунок 3.5. Прогнозирование

.4 Тестирование

Разработанное приложение тестировалось методом сравнения результатов, полученных в программном продукте «Нейросимулятор 5» и результатов, полученных в разработанном приложении. Для этого были выбраны десять разных наборов данных (см. таблицу 3.4).

Таблица 3.4 - «Наборы данных»

Результаты тестирования в программном продукте «Нейросимулятор 5» изображены на рисунке 3.6.

Рисунок 3.6. Результаты в нейропакете

На рисунке ниже изображен результат для первого набора параметров (см. рисунок 3.7). Предрасположенность, вычисленная разработанным приложением, равна предрасположенности, вычисленной с помощью нейронной сети.

Рисунок 3.7. Первый тест

На рисунке ниже изображен результат для второго набора параметров (см. рисунок 3.8). Предрасположенность, вычисленная разработанным приложением, равна предрасположенности, вычисленной с помощью нейронной сети.

Рисунок 3.8. Второй тест

На рисунке ниже изображен результат для третьего набора параметров (см. рисунок 3.9). Предрасположенность, вычисленная разработанным приложением, равна предрасположенности, вычисленной с помощью нейронной сети.

Рисунок 3.9. Третий тест

На рисунке ниже изображен результат для четвертого набора параметров (см. рисунок 3.10). Предрасположенность, вычисленная разработанным приложением, равна предрасположенности, вычисленной с помощью нейронной сети.

Рисунок 3.10. Четвертый тест

На рисунке ниже изображен результат для пятого набора параметров (см. рисунок 3.11). Предрасположенность, вычисленная разработанным приложением, равна предрасположенности, вычисленной с помощью нейронной сети.

Рисунок 3.11. Пятый тест

На рисунке ниже изображен результат для шестой набора параметров (см. рисунок 3.12). Предрасположенность, вычисленная разработанным приложением, равна предрасположенности, вычисленной с помощью нейронной сети.

Рисунок 3.12. Шестой тест

На рисунке ниже изображен результат для седьмой набора параметров (см. рисунок 3.13). Предрасположенность, вычисленная разработанным приложением, равна предрасположенности, вычисленной с помощью нейронной сети.

Рисунок 3.13. Седьмой тест

На рисунке ниже изображен результат для восьмого набора параметров (см. рисунок 3.14). Предрасположенность, вычисленная разработанным приложением, равна предрасположенности, вычисленной с помощью нейронной сети.

Рисунок 3.14. Восьмой тест

На рисунке ниже изображен результат для девятого набора параметров (см. рисунок 3.15). Предрасположенность, вычисленная разработанным приложением, равна предрасположенности, вычисленной с помощью нейронной сети.

Рисунок 3.15. Девятый тест

На рисунке ниже изображен результат для десятого набора параметров (см. рисунок 3.16). Предрасположенность, вычисленная разработанным приложением, равна предрасположенности, вычисленной с помощью нейронной сети.

Рисунок 3.16. Десятый тест

Результаты тестирования показали, что разработанное приложение верно вычисляет предрасположенность к наркотической зависимости.

Заключение

В ходе выполнения данной работы была проанализирована предметная область, были выделены причины наркомании с учетом социальных, биологических и психологических факторов. Также был проведен обзор и анализ технологий искусственного интеллекта.

Итогом практической части курсовой работы является нейронная сеть, которая определяет предрасположенность к наркомании с минимальной погрешностью. Данная нейронная сеть была протестирована, а также были проведены прогнозы, которые выявили закономерности и зависимости предрасположенности к наркотической аддикции.

Полученная нейронная сеть стала основой для разработанного приложения, определяющего предрасположенность к наркомании и наиболее значимые факторы, влияющие на ее развитие.

Все задачи, которые были поставлены перед началом проектирования интеллектуальной системы, выполнены.

Библиографический список

1.      Ясницкий Л.Н., Грацилев В.И., Куляшова Ю.С., Черепанов Ф.М. Возможности моделирования предрасположенности к наркозависимости методами искусственного интеллекта. Вестник Пермского университета. Серия: Философия. Психология. Социология. 2015. № 1(21). С.61-71.

.        Ясницкий Л.Н. Введение в искусственный интеллект. М.: Издательский центр «Академия», 2005. 176 с.

.        Золин А.Г., Силаева А.Ю. Применение нейронных сетей в медицине // В сборнике «Актуальные проблемы науки, экономики и образования XXI века». - 2012 - с. 264-271. олин А.Г., Силаева А.Ю. Применение нейронных сетей в медицине // В сборнике «Актуальные проблемы науки, экономики и образования XXI века». - 2012 - с. 264-271.

.        E. Fehrman, A.K. Muhammad, E.M. Mirkes, V. Egan, A.N. Gorban , The Five Factor Model of personality and evaluation of drug consumption risk, arXiv:1506.06297 [stat.AP], 2015.

.        Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных / Под редакцией В. П. Боровикова. - 2-е изд., перераб. и доп. - М.: Горячая линия - Телеком, 2008. - 392 с

.        Sands, W.A., & Wiskoff, M.F. (1996). Expert System Planning: German Federal Armed Forces Psychological Service // http://www.ijoa.org/imta96/paper36.html

.        Blonk, A. M., Bercken, J. H. L. van den, & De Bruyn, E. E. J. (1996). Evaluation of DYSLEXPERT: A comparison of a knowledge-based system with experienced clinicians in the diagnosis of dyslexia // Computers in Human Be- havior, 12 (4), 567-586.

.        Amosig, J.M., Escara, E.J., Martinez, R. & Paculanang, E. (2008). Feardex: Fear Diagnostic Expert System //http://www.shvoong.com

.        Пермское отделение Научного Совета РАН по методологии искусственного интеллекта [Электронный ресурс]. Режим доступа: http://www.permai.ru.

.        Алонкина, Л.И. Наркомания и социальная устойчивость развития России / Л.И. Алонкина, В.Р Цаплин // Труд и социальные отношения. - 2009.- №. 4. - С. 111-115.

.        Комер, Р. Причины приема наркотических средств в школе / Р. Комер // Эксперимент и инновации в школе. - 2011. - №6. - С. 17 - 24.

.        Свеженцева Ю.А. Социокультурные аспекты приобщения к наркотикам: качественный анализ проблемы // Молодёжь и наркотики (социология наркотизма) / Под ред. В. А. Соболева, И. П. Рущенко. Харьков: Торсинг, 2000. С. 84-129.

.        Свеженцева Ю.А., Головченко Д.А. Роль семьи в профилактике наркомании, реальная и потенциальная // Профилактика наркомании: организационные и методические аспекты. Итоговые материалы международного проекта / Сост. И. П. Рущенко. Харьков: Финарт, 2002. С. 123-137.

.        Девиантное поведение в современной России: алкоголь, наркотики, молодежный экстремизм (концепции и исследования) / Т. А. Хагуров, М. Е. Позднякова, В.Н. Ракачев, Л. Н. Рыбакова, Т.В. Чекинева, А.П. Резник, С.Ю. Любин, Е.А. Войнова, Н.В. Мелешко, Н.Е. Хагурова. - М.: Институт социологии РАН, 2014. - 200 с.

.        Бабаян Э.А., Гонопольский М.Х. Учебное пособие по наркологии. М., 1981. 304 с.

.        Бабаян Э.А., Гонопольский М.Х. Наркология. М., 1987. 336 с.

.        Яковлев А.Н. Биологическая предрасположенность к наркотизации. URL http://vita-clinica.ru/index.php?article=35 (дата обращения 18.02.2017).

.        Нейросеть для определения предрасположенности к наркомании [сайт]// Google Формы. URL: https://goo.gl/forms/Z66SsioEhko8O3Uf1 (дата обращения 02.03.2017)

.        Черепанов Ф.М., Ясницкий Л.Н. Нейросимулятор 5.0 // Свидетельство о государственной регистрации программы для ЭВМ № 2014618208. Заявка» Роспатент № 2014614649. Зарегистрировано в Реестре программ для ЭВМ 12 августа 2014г.

.        Ясницкий Л.Н. Нейронные сети - инструмент для получения новых знаний: успехи, проблемы, перспективы // Нейрокомпьютеры: разработка, применение. 2015. № 5. С. 48-56.

.        Ясницкий Л.Н. Интеллектуальные системы. - М.: Лаборатория знаний, 2016. - 221 с.

.        Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. - М.: Мир, 1965. 480 с.

.        Халафян, А.А. STATISTICA 6. Статистический анализ данных. 3-е изд. учеб. / А.А. Халафян. - М.: Бином-Пресс, 2007. - 512с.

Приложение А

Таблица А.1 - Список источников

Приложение Б

Таблица Б.1 - Обучающее множество

Приложение В

Техническое задание

. Общие сведения

.1. Полное наименование системы

Полное наименование системы: «Интеллектуальная система диагностики и прогнозирования развития наркотической зависимости».

.2. Область применения

Интеллектуальная система позволяет оценивать влияние изменения параметров, характеризующих человека, на его предрасположенность к наркозависимости, а также подбирать оптимальные сочетания этих параметров для каждого конкретного человека и, таким образом, получать индивидуальные рекомендации по снижению наркозависимости.

.3. Наименование заказчика и исполнителя и их реквизиты

Заказчик: Ясницкий Леонид Нахимович.

Исполнитель: Сайфутдинова Валерия Маратовна.

.4. Плановые сроки начала и окончания работ

Начало выполнения работы: 01.12.2016.

Окончание выполнения работ: 15.05.2017.

.5. Порядок оформления и сдачи работ

Результатом работы являются программное приложение и письменный отчет. Письменный отчет оформляется согласно правилам оформления выпускных квалификационных работ НИУ ВШЭ-Пермь.

По результатам приема работы заказчиком и рецензентом составляется отзыв на работу.

.6. Основание для разработки системы

Основанием для разработки системы является Положение о курсовой и выпускной квалификационной работе студентов, обучающихся по программам бакалавриата, специалитета и магистратуры в НИУ ВШЭ (приложение) с 01.09.2015.

. Назначения, цели и основные задачи

Интеллектуальная система определяет предрасположенность к наркотической аддикции и выводит числовой результат (0 или 1), значения которых высчитываются на основе заполнения пользователем определенных вопросов в тесте.

Целью создания системы является компьютерная диагностика предрасположенности к наркотической аддикции.

При создании системы должны быть решены следующие задачи:

Проектирование, обучение и тестирование нейронной сети.

Проектирование интерфейса.

Реализация интеллектуальной системы.

. Характеристика объекта автоматизации

Объектом автоматизации является прогнозирование предрасположенности человека к наркотической аддикции на основе математической модели нейронной сети.

. Требования к системе

.1. Требования к структуре

Система должна состоять из пользовательского приложения.

.2. Требования к функциональности

Система должна обладать следующими функциями:

Иметь возможность вводить необходимые параметры.

Рассчитывать результат на основе введенных параметров.

Изменять введенные параметры на противоположные и рассчитывать результат с измененными значениями.

. Состав и содержание работ по разработке

.1. Первый этап

Первый этап разработки включает в себя:

Изучение факторов, влияющих на появление наркотической аддикиции.

Выбор входных параметров.

Сбор данных.

.2. Второй этап

Второй этап разработки включает в себя:

Построение нейронной сети предметной области в программе «Нейросимулятор 5».

Обучение нейронной сети.

Анализ значимости параметров.

Тестирование нейронной сети.

Исследование зависимостей входных параметров.

Построение сети в программе «Statistica 10».

.3. Третий этап

Третий этап состоит из следующих работ:

Проектирование системы.

Проектирование пользовательского интерфейса.

Реализация интеллектуальной системы.

Оформление отчета о выполненной работе.

. Порядок контроля и приемки системы

Работу контролирует научный руководитель (заказчик) системы. По окончании выполнения работы руководителем составляется отзыв. Приемкой заказа занимается государственная экзаменационная комиссия, сформированная из членов факультета экономики, менеджмента и бизнес-информатики НИУ ВШЭ-Пермь.

. Требования к документированию

Отчет о выполнении выпускной квалификационной работы.

Приложение Г

Листинг разработанного приложенияSystem;System.Collections.Generic;System.ComponentModel;System.Data;System.Drawing;System.Linq;System.Text;System.Threading.Tasks;System.Windows.Forms;Narkomania

{partial class Form1 : Form

{Form1()

{();

}void button1_Click(object sender, EventArgs e)

{x1= sex.SelectedIndex + 1;x2= age.SelectedIndex + 1;x3= family.SelectedIndex + 1;x4= rukoprik.SelectedIndex + 1;x5= depres.SelectedIndex + 1;x6= hobby.SelectedIndex + 1;x7= job.SelectedIndex + 1;x8= people.SelectedIndex + 1;x9=friends.SelectedIndex + 1;x10= culture.SelectedIndex + 1;x11= money.SelectedIndex + 1;x12= religia.SelectedIndex + 1;x13= reshenie.SelectedIndex + 1;x14= parents.SelectedIndex + 1;x15= alchocol.SelectedIndex + 1;(sex.SelectedIndex > -1 && age.SelectedIndex>-1 && family.SelectedIndex>-1 && rukoprik.SelectedIndex>-1 &&.SelectedIndex>-1 && hobby.SelectedIndex>-1 && job.SelectedIndex>-1 && people.SelectedIndex>-1 &&.SelectedIndex>-1 && culture.SelectedIndex>-1 && money.SelectedIndex>-1 && religia.SelectedIndex>-1 &&.SelectedIndex>-1 && parents.SelectedIndex>-1 && alchocol.SelectedIndex>-1)

{

// здесь преобразование формулыNx1 = 2 * x1 - 3;Nx2 = 2 * x2 - 3;Nx3 = 2 * x3 - 3;Nx4 = 2 * x4 - 3;Nx5 = 2 * x5 - 3;Nx6 = 2 * x6 - 3;Nx7 = 2 * x7 - 3;Nx8 = 2 * x8 - 3;Nx9 = 2 * x9 - 3;Nx10 = 2 * x10 - 3;Nx11 = x11 - 2;Nx12 = 2 * x12 - 3;Nx13 = 2 * x13 - 3;Nx14 = x14 - 2;Nx15 = x15 - 2;st = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * st;r = Math.Exp(st);= 1 + r;= 1 / r;= 1 + r;rez = r / 2;= Math.Round(rez);.Visible = true;.Visible = true;.Visible = true;.Text = rez.ToString();

}MessageBox.Show("Заполните все поля");

}void prognoz_Click(object sender, EventArgs e)

{.Visible = true;x1 = sex.SelectedIndex + 1;x2 = age.SelectedIndex + 1;x3 = family.SelectedIndex + 1;x4 = rukoprik.SelectedIndex + 1;x5 = depres.SelectedIndex + 1;x6 = hobby.SelectedIndex + 1;x7 = job.SelectedIndex + 1;x8 = people.SelectedIndex + 1;x9 = friends.SelectedIndex + 1;x10 = culture.SelectedIndex + 1;x11 = money.SelectedIndex + 1;x12 = religia.SelectedIndex + 1;x13 = reshenie.SelectedIndex + 1;x14 = parents.SelectedIndex + 1;x15 = alchocol.SelectedIndex + 1;Nx1 = 2 * x1 - 3;Nx2 = 2 * x2 - 3;Nx3 = 2 * x3 - 3;Nx4 = 2 * x4 - 3;Nx5 = 2 * x5 - 3;Nx6 = 2 * x6 - 3;Nx7 = 2 * x7 - 3;Nx8 = 2 * x8 - 3;Nx9 = 2 * x9 - 3;Nx10 = 2 * x10 - 3;Nx11 = x11 - 2;Nx12 = 2 * x12 - 3;Nx13 = 2 * x13 - 3;Nx14 = x14 - 2;Nx15 = x15 - 2;newx3;newx4;newx5;newx6;newx7;newx8;newx9;newx10;newx11;new1x11;newx12;newx13;newx14;new1x14;newx15;new1x15;.Width = 1020;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;.Visible = true;(family.SelectedIndex == 0)//изменение параметра наркозависимые в семье

{= family.SelectedIndex + 2;

}{ newx3 = family.SelectedIndex; }Nx3N = 2 * newx3 - 3;newst3 = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3N + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3N + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst3;r3 = Math.Exp(newst3);= 1 + r3;= 1 / r3;= 1 + r3;rez3 = r3 / 2;= Math.Round(rez3);.Text = rez3.ToString();(rukoprik.SelectedIndex == 0)//изменение параметра рукоприкладство в семье

{= rukoprik.SelectedIndex + 2;

}{ newx4 = rukoprik.SelectedIndex; }Nx4N = 2 * newx4 - 3;newst4 = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4N - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4N - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst4;r4 = Math.Exp(newst4);= 1 + r4;= 1 / r4;= 1 + r4;rez4 = r4 / 2;= Math.Round(rez4);.Text = rez4.ToString();(depres.SelectedIndex == 0)//изменение параметра склонность к депрессии

{= depres.SelectedIndex + 2;

}{ newx5 = depres.SelectedIndex; }Nx5N = 2 * newx5 - 3;newst5 = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5N + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5N + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst5;r5 = Math.Exp(newst5);= 1 + r5;= 1 / r5;= 1 + r5;rez5 = r5 / 2;= Math.Round(rez5);.Text = rez5.ToString();(hobby.SelectedIndex == 0)//изменение параметра постоянные хобби

{= hobby.SelectedIndex + 2;

}{ newx6 = hobby.SelectedIndex; }Nx6N = 2 * newx6 - 3;newst6 = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6N + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6N + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst6;r6 = Math.Exp(newst6);= 1 + r6;= 1 / r6;= 1 + r6;rez6 = r6 / 2;= Math.Round(rez6);.Text = rez6.ToString();(job.SelectedIndex == 0)// изменение параметра работа

{= job.SelectedIndex + 2;

}{ newx7 = job.SelectedIndex; }Nx7N = 2 * newx7 - 3;newst7 = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7N + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7N + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst7;r7 = Math.Exp(newst7);= 1 + r7;= 1 / r7;= 1 + r7;rez7 = r7 / 2;= Math.Round(rez7);.Text = rez7.ToString();(people.SelectedIndex == 0)//изменение параметра положение в обществе

{= people.SelectedIndex + 2;

}{ newx8 = people.SelectedIndex; }Nx8N = 2 * newx8 - 3;newst8 = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8N - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8N - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst8;r8 = Math.Exp(newst8);= 1 + r8;= 1 / r8;= 1 + r8;rez8 = r8 / 2;= Math.Round(rez8);.Text = rez8.ToString();(friends.SelectedIndex == 0)//изменение параметра друзья-наркоманы

{= friends.SelectedIndex + 2;

}{ newx9 = friends.SelectedIndex; }Nx9N = 2 * newx9 - 3;newst9 = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9N - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9N - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst9;r9 = Math.Exp(newst9);= 1 + r9;= 1 / r9;= 1 + r9;rez9 = r9 / 2;= Math.Round(rez9);.Text = rez9.ToString();(culture.SelectedIndex == 0)//изменение параметра культура н

{= culture.SelectedIndex + 2;

}{ newx10 = culture.SelectedIndex; }Nx10N = 2 * newx10 - 3;newst10 = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10N + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10N + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst10;r10 = Math.Exp(newst10);= 1 + r10;= 1 / r10;= 1 + r10;rez10 = r10 / 2;= Math.Round(rez10);.Text = rez10.ToString();(religia.SelectedIndex == 0)// изменение параметра религия

{= religia.SelectedIndex + 2;

}{ newx12 = religia.SelectedIndex; }Nx12N = 2 * newx12 - 3;newst12 = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12N - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12N + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst12;r12 = Math.Exp(newst12);= 1 + r12;= 1 / r12;= 1 + r12;rez12 = r12 / 2;= Math.Round(rez12);.Text = rez12.ToString();(reshenie.SelectedIndex == 0)//изменение параметра решительность

{= reshenie.SelectedIndex + 2;

}{ newx13 = reshenie.SelectedIndex; }Nx13N = 2 * newx13 - 3;newst13 = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13N + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13N + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst13;r13 = Math.Exp(newst13);= 1 + r13;= 1 / r13;= 1 + r13;rez13 = r13 / 2;= Math.Round(rez13);.Text = rez13.ToString();(alchocol.SelectedIndex == 0)//изменение парметра употребление алкоголя

{= 2;.Text = "Редко употреблять алкоголь:";x15 = 3;.Text = "Не употреблять алкоголь:";

}{(alchocol.SelectedIndex == 1)

{= 1;.Text = "Часто употреблять алкоголь:";x15 = 3;.Text = "Не употреблять алкоголь:";

}

{= 1;.Text = "Часто употреблять алкоголь:";x15 = 2;.Text = "Редко употреблять алкоголь:";

}

}Nx15N = newx15 - 2;newst15 = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15N - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15N - 1.94014743145084 - 1.00016452412135;= -1 * newst15;r15 = Math.Exp(newst15);= 1 + r15;= 1 / r15;= 1 + r15;rez15 = r15 / 2;= Math.Round(rez15);.Text = rez15.ToString();N = new1x15 - 2;= 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15N - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15N - 1.94014743145084 - 1.00016452412135;= -1 * newst15;= Math.Exp(newst15);= 1 + r15;= 1 / r15;= 1 + r15;= r15 / 2;= Math.Round(rez15);.Text = rez15.ToString();(money.SelectedIndex == 0)// изменение парметра финансовое положение

{= 2;.Text = "Средний достаток:";x11 = 3;.Text = "Низкий достаток:";

}

{(money.SelectedIndex == 1)

{= 1;.Text = "Высокий достаток:";x11 = 3;.Text = "Низкий достаток:";

}

{= 1;.Text = "Высокий достаток:";x11 = 2;.Text = "Средний достаток:";

}

}Nx11N = newx11 - 2;newst11 = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11N - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11N - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst11;r11 = Math.Exp(newst11);= 1 + r11;= 1 / r11;= 1 + r11;rez11 = r11 / 2;= Math.Round(rez11);.Text = rez11.ToString();N = new1x11 - 2;= 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11N - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14 - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11N - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14 - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst11;= Math.Exp(newst11);= 1 + r11;= 1 / r11;= 1 + r11;= r11 / 2;= Math.Round(rez11);.Text = rez11.ToString();(parents.SelectedIndex == 0)//изменение парметра авторитет родителй

{= 2;.Text = "Авторитет родителей не во всех вопросах:";x14 = 3;.Text = "Нет родительского авторитета:";

}

{(parents.SelectedIndex == 1)

{= 1;.Text = "Абсолютный авторитет родителей:";x14 = 3;.Text = "Нет родительского авторитета:";

}

{= 1;.Text = "Абсолютный авторитет родителей:";x14 = 2;.Text = "Авторитет родителей не во всех вопросах:";

}

}Nx14N = newx14 - 2;newst14 = 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14N - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14N - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst14;r14 = Math.Exp(newst14);= 1 + r14;= 1 / r14;= 1 + r14;rez14 = r14 / 2;= Math.Round(rez14);.Text = rez14.ToString();N = new1x14 - 2;= 2.05835128149691 * -18.3786981955558 * Nx1 - 18.7097761699539 * Nx2 - 32.1528043590148 * Nx3 + 42.3729553135529 * Nx4 - 2.56073158846758 * Nx5 + 5.18832388491044 * Nx6 + 22.9341418877981 * Nx7 + 13.4601225737303 * Nx8 - 10.794201766401 * Nx9 - 46.7603017193941 * Nx10 + 11.8648992185296 * Nx11 - 12.3849067222936 * Nx12 - 9.43323118441784 * Nx13 + 66.6407871030653 * Nx14N - 37.1466276605897 * Nx15 - 0.448338935289046 - 0.05796277181833 * -26004.9678929676 * Nx1 - 19561.2494123982 * Nx2 - 15544.5238760068 * Nx3 + 19058.1142299386 * Nx4 - 2968.24680774502 * Nx5 + 2015.84648291544 * Nx6 + 7277.45622852983 * Nx7 + 18180.8337712351 * Nx8 - 20463.4243816811 * Nx9 - 14748.1744719309 * Nx10 + 11196.3001266541 * Nx11 - 9079.22526022669 * Nx12 + 242.849293887163 * Nx13 + 26839.5103234728 * Nx14N - 22505.5891925622 * Nx15 - 1.94014743145084 - 1.00016452412135;= -1 * newst14;= Math.Exp(newst14);= 1 + r14;= 1 / r14;= 1 + r14;= r14 / 2;= Math.Round(rez14);.Text = rez14.ToString();

}