Материал: 582

охранительной системе во многом кроется как в проводимой в ее сфере политике, так и в сформировавшемся в том числе под ее влиянием в различных общественных институтах и сознании отдельных граждан представлении о ее работе. Огромное количество негативных фактов позиционировалось перед обществом в преддверии реформы, в них перемешались как откровенный вымысел и домыслы, так и имеющие место негативные события, получившие широкую огласку.

К другим не менее важным факторам, влияющим на общественное мнение, можно отнести и стремление к искусственному улучшению оценочных показателей [4, с. 43].

У значительной части населения ОВД воспринимается как орган, стремящийся обеспечить доказательствами исключительно только сторону обвинения, не принимающий во внимание все необходимые факты, события и не преследующий цель установления объективной истины по делу. Изложенное вызывает не только осуждение, но и страх у части людей, порождающий защитную реакцию в виде неодобрения, осуждения, противодействия как осознанного, так и бессознательного, т. е. в отсутствие всяких на то причин и основанного лишь на общих тенденциях восприятия окружающей действительности. Фактически такие лица, не имея представления о действительном положении дел и сути происходящего, лишены возможности прогнозировать и оценивать последствия своих действий, становятся заложниками ошибочных суждений. Очевидно, что это побуждает к отрицанию допустимого взаимодействия и сотрудничества с правоохранительной системой, исключает возможность ее восприятия как государственного органа, осуществляющего защиту и олицетворяющего справедливость, заставляет рассматривать его как карательный механизм, призванный служить не интересам общества и личности, а выполнять функции защиты определенных институтов власти в лице представителей ее отдельных групп, чьи мотивы и действия либо не ясны и не понятны, либо не соответствуют общему пониманию социальной справедливости, не отвечают по их мнению целям построения социального государства всеобщего благоденствия.

На сегодняшний день предпринят целый комплекс дифференцированных мер, реализуется ряд решений, направленных на устранение негативных тенденций, кардинально меняются подходы по вопросам оценки и позиционирования деятельности ОВД. Однако необходимо понимать, что для решения поставленных задач и получения ожидаемых результатов требуются значительные временные

61

Прогнозирование преступлений, связанных с легализацией преступных доходов с применением

нейронных сетей

В. Ю. Петрова,

доцент кафедры информационных технологий Академии управления МВД России, кандидат технических наук

Условия, в которых существует наше общество, отличается резкими изменениями криминогенной ситуации. Таким образом, мы имеем дело с процессами, для которых закономерности, сложившиеся в прошлом, не всегда могут быть спрогнозированы на основе интерполяционных процедур. Необходимость анализа множества факторов, таких как разбалансированность и нестабильность экономики, изменение социальной структуры общества влечет за собой все большее распространение аккумуляции мнения совокупности ученых и специалистов различных областей знаний, что позволяет повысить качество прогнозируемых явлений. В последние годы прогнозирование занимает прочные позиции в области теории управления и в то же время является самостоятельной научной дисциплиной, имеющей собственный методический, словарный и понятийный аппарат. Наряду с традиционно известными матема- тико-статистическими методами в прогнозировании все шире используются методы, принципы и приемы распознавания образов, имитационного моделирования, теории подобия, эвристического предсказания и др. Применение более сложного и эффективного аппарата в прогнозировании оправдано и обусловлено главным образом недостаточностью или отсутствием исходной информации об объекте прогнозирования и высоким уровнем неопределенности при разработке перспективных прогнозов. Современное состояние деятельности органов внутренних дел при постоянно возрастающем уровне сложности практических задач и ужесточении требований к качеству их решения обусловили появление концептуально новых технических средств, с помощью которых возможно их решение [4, с. 112]. Это интеллектуальные системы. Интеллектуальные системы на основе искусственных нейронных сетей (ИНС) позволяют решать проблемы идентификации и управления, прогнозирования, распознавания образов, оптимизации. Известны и более традицион-

63

ные подходы к решению этих проблем, однако они не обладают необходимой гибкостью и имеют существенные ограничения на среду функционирования.

ИНС проявляют следующие свойства, которые необходимы для решения широкого круга технических задач: обучение (ИНС могут изменять свое поведение в зависимости от условий внешней среды, т. е. адаптироваться, самонастраиваться, чтобы обеспечить требуемую реакцию); обобщение (реакция сети после обучения может быть нечувствительна к небольшим изменениям входных сигналов, поэтому необходимо, чтобы нейронная сеть делала обобщения автоматически благодаря своей структуре, а не с помощью человеческого участия, представленного в форме специально написанных компьютерных программ); абстрагирование (ИНС обладают способностью извлекать сущность из входных сигналов, т. е. оперировать с данными, которые не возникли в процессе обучения).

Таким образом, указанные свойства нейронных сетей позволяют эффективно их использовать при решении таких задач, как аппроксимация функций / моделирование. Задача аппроксимации состоит в нахождении оценки неизвестной функции y = f(x), которая необходима при решении научной задачи моделирования; идентификация / прогнозирование (построение модели, прогнозирующей значения y(tn + 1) в момент времени tn + 1); управление.

В системах управления с эталонной моделью целью управления является расчет такого входного воздействия, при котором система следует по заданной траектории, которую диктует эталонная модель. В качестве модели выбирается нейронная сеть, а динамический процесс ее настройки представляет собой решение задачи управления [1, с. 120].

Опытным путем было установлено, что для решения поставленной задачи прогноза преступлений, связанных с легализацией преступных доходов1, наиболее адекватными являются многослойные нейронные сети (МНС) прямого действия или многослойные персептроны (МСП). Сигналы в сети распространяются от входа к выходу, связи между нейронами одного слоя и обратные связи отсутствуют. Реализация модели двухслойной нейронной сети прямого действия имеет следующее математическое представление:

1 В работе были использованы статистически данные ФГКУ «ГИАЦ МВД России» по количеству зарегистрированных преступлений, предусмотренных ст. 174, 174–1 УК РФ за 1997–2011гг.

64

где nφ – размерность вектора входов φ нейронной сети; nh – число нейронов в скрытом слое;

θ – вектор настраиваемых параметров нейронной сети, включающий весовые коэффициенты и нейронные смещения (wji, Wij);

fj(x) – активационная функция нейронов скрытого слоя; Fi(x) – активационная функция нейронов выходного слоя.

Преимущество нейронных сетей состоит в способности выделять общие принципы (обобщение) при представлении некоторого набора обучающих векторов с неполным набором данных (абстрагирование), ИНС получать желаемый выход в случае неполного или нечеткого набора данных, что приводит к ошибочным результатам в случае использования традиционных компьютерных алгоритмов и программ. Задача идентификации состоит в построении оптимальной в силу некоторого критерия модели (формализованного описания) по результатам наблюдений над входными и выходными переменными системы [6, с. 201]. Основными моментами на этапе планирования являются рациональный выбор частоты дискретизации; синтез входного (тестового) сигнала; фильтрация, удаление из экспериментальных данных нежелательных эффектов (трендов, случайных (необоснованных) «всплесков» сигнала); тестирование на нелинейность.

Для нейронных сетей важную роль играет выбор не только регрессора, но и задание внутренней структуры НС – числа скрытых слоев и количества нейронов в каждом скрытом слое. Традиционной стратегией оценки модели являются результаты оценки одношагового прогнозирования в силу критерия среднеквадратичной ошибки [10, с. 134]. Построенная модель должна быть адекватна реальной системе и условиям, в которых ее предполагается использовать. Если полученная модель не удовлетворяет какому-либо критерию, то повторяются предыдущие этапы процедуры идентификации.

Реальная система S может быть представлена следующим образом:

S : y(t )= g0 (ϕ(t ))+e0 (t ),

где g0 (ϕ(t )) – некоторое нелинейное отображение, реализуемое системой;

φ(t) – регрессионный вектор;

e0(t) – сигнал типа «белый шум», не зависящий от входов системы.

65