К вопросу о применении нейронных сетей для решения задачи кластеризации социума

Автор: Кетова Каролина Вячеславовна, Русяк Иван Григорьевич, Вавилова Дайана Дамировна

Журнал: Бюллетень науки и практики @bulletennauki

Рубрика: Физико-математические науки

Статья в выпуске: 8 т.6, 2020 года.

Бесплатный доступ

Изучаемая в рамках настоящей работы задача кластеризации социума - одна из важных подзадач, решение которой является составной частью анализа и прогноза социально-экономических процессов. Осуществлен анализ и систематизация знаний в области применения нейросетевого моделирования к решению задачи кластеризации социума региональной системы. Показано, что в современном мире главным фактором экономического роста является человеческий капитал, включающий в себя количественную и качественную составляющие. Основной элемент количественной составляющей - численное воспроизводство населения способствует устойчивости развития человеческого капитала. Качественная составляющая имеет многоаспектный характер; среди аспектов выделяют здравоохранение, культуру, образование и науку. Для оценки структуры человеческого капитала проводят разделение населения на социальные кластеры по этим аспектам. Показано, что, поскольку социальный кластер является атрибутом социогенеза, то и сами процессы социальной кластеризации являются результатом социальных действий людей. Социальный кластер - специфическое состояние социальной общности, включающее описание не только объектов самой общности, но и процессов ее формирования, структурирования и взаимодействия с социальной средой. В ходе исследования сделан вывод, что для проведения кластерного анализа применительно к социуму подходит такой инструментарий математического моделирования как нейронные сети. Отмечается результативность нейронных сетей при решении плохо формализованных задач; устойчивость к частым изменениям среды; эффективность при работе с большим объемом противоречивой или неполной информации. В процессе изучения вопроса сделан вывод, что структурно-статические характеристики социальных кластеров отражают объединение их элементов. Структура социального кластера есть характеристика, представляющая собой совокупность устойчивых связей, которые обеспечивают его целостность. При различных внешних и внутренних изменениях основные свойства социальных кластеров сохраняются. Построена градация демографических элементов социума по признакам состояния здоровья, уровня культуры и образования, в соответствии с которой осуществляется сбор статистической информации для решения задачи кластеризации.

Еще

Кластер, нейронная сеть, социум, здоровье, культура, образование

Короткий адрес: https://sciup.org/14117839

IDR: 14117839   |   DOI: 10.33619/2414-2948/57/02

Список литературы К вопросу о применении нейронных сетей для решения задачи кластеризации социума

  • Кетова К. В., Русяк И. Г., Романовский Ю. М. Математическое моделирование человеческого капитала // Компьютерные исследования и моделирование. 2019. Т. 11. №2. С. 329-342. DOI: 10.20537/2076-7633-2019-11-2-329-342
  • Сценарии роста Российской экономики с учетом вклада человеческого капитала // Доклад НИУ ВШЭ. 2019. М. https://clck.ru/Q7zCv
  • Кетова К. В., Касаткина Е. В., Насридинова Д. Д. Прогнозирование динамики инвестиционных процессов // Вестник Ижевского государственного технического университета. 2013. №3. С. 150-154.
  • Кетова К. В. Анализ, моделирование и прогнозирование возрастных показателей региональной экономической системы // Modern Science. 2020. №5-3. С. 84-96.
  • Программа "Цифровая экономика Российской Федерации", утвержденная распоряжением Правительства РФ от 28.07.2017 г. №1632-р. https://clck.ru/CZAAa
  • Старостин Б. А. Значение "Философии ботаники" Карла Линнея с точки зрения методологии и истории науки // Самарская Лука: проблемы региональной и глобальной экологии. 2011. Т. 20. №3. С. 17-38.
  • Павлинов И. Я., Любарский Г. Ю. Биологическая систематика: эволюция идей // Сборник трудов Зоологического музея МГУ. 2018. Т. 51.
  • Розенберг Г. С. Карл Линней и экология // Междисциплинарный научный и прикладной журнал "Биосфера". 2010. Т. 2. №2. С. 257-275.
  • De Candolle A. P., Sprengel K. Elements of the Philosophy of Plants: Containing the Principles of Scientific Botany; Nomenclature, Theory of Classification, Phythography; Anatomy, Chemistry, Physiology, Geography, and Diseases of Plants. Cambridge University Press, 2011.
  • DOI: 10.1017/CBO9781139096089.015
  • Czekanowski J. Objektive Kriterien in der Ethnologie. F. Vieweg, 1911.
  • Tryon R.C. Cluster analysis. London: Ann Arbor Edwards Bros, 1939. 139 p.
  • Бетин В. О., Иода Е. В., Иода Ю. В., Колончин К. В., Коренчук А. А., Краснова Л. В., Передков В. М., Смагина В. В., Смолина Е. Э., Худеева В. В., Чванова М. С., Бетин О. И., Юрьев В. М. Региональный кластер: теория и практика строительства. - Тамбов, 2007. - 156 с.
  • Sokal R., Sneat P. Principles of Numerical Taxonomy. San Francisco: W. H. Freeman, 1963. 359 p.
  • Rosenblatt F. Principles of Neurodynamics: perceptrons and the theory of brain mechanisms. Washington: D. C. Spartan book, 1962. 480 p.
  • McCulloch W. S., Pitts W. A logical calculus of the ideas immanent in nervous activity // The bulletin of mathematical biophysics. 1943. V. 5. №4. P. 115-133.
  • DOI: 10.1007/BF02478259
  • Hebb D. O. The organization of behavior: a neuropsychological theory. J. Wiley, Chapman & Hall, 1949.
  • Kohonen T. Self-organizing maps: ophmization approaches // Artificial neural networks. North-Holland, 1991. P. 981-990.
  • DOI: 10.1016/B978-0-444-89178-5.50003-8
  • Grossberg S. Competitive learning: From interactive activation to adaptive resonance // Cognitive science. 1987. V. 11. №1. P. 23-63.
  • DOI: 10.1016/S0364-0213(87)80025-3
  • Werbos P. J. Beyond regression: New tools for prediction and analysis in the behavioral sciences. Ph.D. thesis. Cambridge: Harvard University, 1974.
  • Minsky M., Papert S. Perceptrons: An Introduction to Computational Geometry. Cambridge: The M.I.T. Press, 1969.
  • Hopfield J. J., Tank D. W. "Neural" computation of decisions in optimization problems // Biological cybernetics. 1985. V. 52. №3. P. 141-152.
  • DOI: 10.1007/BF00339943
  • Haykin S. Neural networks: a comprehensive foundation. Prentice-Hall, Inc., 2007.
  • Hecht-Nielsen R. Confabulation theory: the mechanism of thought. Heidelberg: Springer, 2007. P. IX. P. 1-245.
  • DOI: 10.1007/978-3-540-49605-2
  • Mitinskaya A. N., Matych M. A. Investigation of the problem of forecasting using neural networks // Актуальные направления научных исследований XXI века: теория и практика. 2015. Т. 3. №7-2. С. 30-31.
  • Cavarretta F., Naldi G. Mathematical study of a nonlinear neuron model with active dendrites // Aims mathematics. 2019. V. 4. №3. P. 831-846.
  • DOI: 10.3934/math.2019.3.831
  • Тененев В. А., Паклин Н. Б. Гибридный генетический алгоритм с дополнительным обучением лидера // Интеллектуальные системы в производстве. 2003. №2. С. 181-206.
  • Schmidhuber J. Deep learning in Neural networks: An overview // Neural network. 2015. V. 61. P. 85-117.
  • DOI: 10.1016/j.neunet.2014.09.003
  • Nguyen G., Dlugolinsky S., Bobák M., Tran V., García Á. L., Heredia I.,.. Hluchý L Machine Learning and Deep Learning frameworks and libraries for large-scale data mining: a survey // Artificial Intelligence Review. 2019. V. 52. №1. P. 77-124.
  • DOI: 10.1007/s10462-018-09679-z
  • Тененев В. А., Тененева А. В. Обучение нечетких нейронных сетей генетическим алгоритмом // Интеллектуальные системы в производстве. 2010. №1 (15). С. 76-85.
  • Vavilova D. D., Ketova K. V., Kasatkina E. V Application of Genetic Algorithm for Adjusting the Structure of Multilayered Neural Network for Prediction of Investment Processes // Технические университеты: интеграция с европейскими и мировыми системами образования: мат. VIII Международной конференции. 2019. Т. 1. С. 223-233.
  • Ghanbarzadeh M., Aminghafari M. A novel wavelet artificial neural networks method to predict non-stationary time series // Communications in Statistics-Theory and Methods. 2020. V. 49. №4. P. 864-878.
  • DOI: 10.1080/03610926.2018.1549259
  • Мандель И. Д. Кластерный анализ. М.: Финансы и статистика, 1988. 176 с.
  • Краснова Л. В. Социальная кластеризация как поле групповой сопричастности // Вестник Тамбовского университета. Серия: Гуманитарные Науки. 2006. Т. 43. №3-1. С. 229-234.
  • Русяк И. Г., Кетова К. В. К вопросу о выводе уравнения динамики возрастного состава // Вестник ИжГТУ. 2004. №2. С. 49-52.
  • Русяк И. Г. Анализ исследований в области демографического прогноза. Моделирование демографической динамики // Анализ, Моделирование, Управление, Развитие социально-экономических систем (АМУР-2019) XIII Всероссийская с международным участием школа-симпозиум: сб. науч. тр. 2019. С. 335-342.
  • Ketova К. V., Rusyak I. G., Saburova E. A., Vavilova D. D. Regional socio-economic parameters modeling and system analysis by means of programming and computing suite // IOP Conference Series: Materials Science and Engineering. 2020. V. 862.
  • DOI: 10.1088/1757-899X/862/5/052044
Еще
Статья обзорная