Поддержка принятия решений при построении психологического портрета личности на основе нейросетевого распознавания почерка

• Автор: Юрьева, Наталия Евгеньевна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Москва
• Количество страниц: 171 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1. АНАЛИЗ ПРОБЛЕМЫ ПРИНЯТИЯ РЕШЕНИЙ ПО ПОЧЕРКУ
1Л. Исследование рукописного почерка в криминалистике, графологии и психологии
1.2. Анализ существующих программных средств, повышающих эффективность работы специалистов в области графологии и криминалистического почерковедения
Выводы
2. ПОСТРОЕНИЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ ОПРЕДЕЛЕНИЯ ПСИХОЛОГИЧЕСКИХ ХАРАКТЕРИСТИК НА ОСНОВЕ ПРИЗНАКОВ ПОЧЕРКА
2.1. Представление данных
2.2. Факторизация признаков
2.2.1. Исследование корреляции между признаками
2.2.2. Проверка гипотезы о наличии статистической связи в совместных распределениях признаков
2.3. Модифицированная вероятностная нейронная сеть
2.4. Оценка достоверности решения, принимаемого классификатором
2.5. Пороговая функция для оценки эффективности
2.6. Оценка эффективности классификации при исключении признаков..
2.7. Структура системы поддержки принятия решений
Выводы
3. ЭКСПЕРИМЕНТАЛЬНОЕ ПОДТВЕРЖДЕНИЕ ЭФФЕКТИВНОСТИ ПРЕДЛОЖЕННОГО СПОСОБА
3.1. Разработка «бланка почерка»

3.2. Выбор признаков почерка
3.3. Психологические тесты
3.4. Выборка испытуемых
3.5. Факторизация набора признаков
3.6. Сравнительный анализ эффективности нейронной сети со взвешиванием свидетельств и других известных подходов
3.6.1. Вероятностная нейронная сеть
3.6.2. Бинарная логистическая регрессия
3.6.3. Наивный Байесовский классификатор
3.6.4. Модифицированная вероятностная нейронная сеть
3.7. Построение интервальных оценок для предложенного способа
3.8. Численная оценка эффективности метода при исключении признаков
3.9. Экспериментальная оценка эффективности и выбор порога
Выводы
4. РАЗРАБОТКА ПРОГРАММНЫХ СРЕДСТВ ДЛЯ ЭФФЕКТИВНОГО ПРИНЯТИЯ РЕШЕНИЙ ПО СОСТАВЛЕНИЮ ПСИХОЛОГИЧЕСКОГО ПОРТРЕТА
4.1. Программное обеспечение для сбора данных
4.2. Построение нейросетей и оценка эффективности
4.3. Оценка психологических характеристик по признакам почерка..
Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
ПРИЛОЖЕНИЕ
ПРИЛОЖЕНИЕ
ПРИЛОЖЕНИЕ

ВВЕДЕНИЕ
Актуальность исследования
Современный уровень развития вычислительной техники открывает качественно новые возможности по анализу данных. Несколько областей, в которых перспективно применение таких возможностей — медицина, информационная безопасность, криминалистическое почерковедение, а так же психология, которые в данный момент выходят на новый технический уровень.
Для поддержки принятия решений на основе эффективного нейросетевого распознавания почерка практически отсутствуют методы и средства, основанные на системном анализе параметров (характеристик человека) и объективно наблюдаемых переменных, представленных признаками его рукописного почерка. Важными компонентами информационной технологии (ИТ) являются [23]: методы и программно-технические средства обеспечивающие обработку, создание, хранение, поиск и распространение информации. Данная диссертация посвящена методам, алгоритмам и средствам ИТ для определения психологических характеристик по признакам почерка.
Доля подобных исследований в данном направлении мала, в то же время есть значительная заинтересованность специалистов МВД России, кадровых агентств, медицинских и школьных учреждений в нахождении (установлении) связи между заданными характеристиками (параметрами) человека и его признаками почерка. В связи с этим, возникает необходимость в разработке новых средств (алгоритмов, методов, методик и программных комплексов), которые позволят только по признакам почерка человека принять решение о его параметрах. Возможные сферы применения, в которых анализ почерка может оказаться эффективнее обычных тестов — определение состояния, например, операторов сложных механизмов, водителей, больных и т.п. На практике применение тестов требует значительных затрат и их можно научиться обманывать, а признаки по-

чить, т.к. обычно наличие сильных статистических связей между переменными исследуемого вектора увеличивает ошибки классификации большинства традиционных методов. В частности, новый метод, предложенный автором [61, 63], основанный на возможностях самообучающихся структур, также обладает этим недостатком. Наличие же сильной корреляции «признак-шкала» открывает возможности для проведения исследования связи непосредственно между соответствующим признаком и шкалой, вместо использования для классификации возможностей обучаемых структур. В качестве инструмента исследования автор предлагает последовательное применение специальных коэффициентов корреляции и методов проверки статистических гипотез для номинальных переменных.
2.2.1. Исследование корреляции между признаками
При необходимости поиска взаимосвязи между номинальными переменными традиционным методом считается исследование таблиц сопряжённости признаков [19, 40], которые, по сути, являются средством представления совместного распределения двух (или более) переменных. Предлагается использовать показатель — коэффициент сопряжённости Хаманна [35] согг(А,В), который, в случае таблицы сопряжённости, представленной в табл. 2.2, может быть вычислен по следующей формуле [35]:
(а + ё)-(Ь- с)
согг(А,В) = ■
а + Ь + с + с
где а, Ь,с, (1 — числа из соответствующих ячеек табл. 2.2.