Проектування адаптивної мережі нейро-нечіткого виводу для контролю критичної залежності параметрів гемодинаміки за моделлю вимірювань передрейсових оглядів
COДЕРЖАНІЕ
СПИСОК СКОРОЧЕНЬ
ВСТУП
1. ПРОБЛЕМИ ВИЗНАЧЕННЯ НОРМИ В МЕДИЦИНІ. МЕТОДИ СТАТИСТИЧНОГО МОДЕЛЮВАННЯ НОРМИ
1.1 АСПО як предметна область моделі прогнозу медичної норми в
системі безпеки на залізничному транспорті
1.2 Стандартні функції АСПО
1.3 Медичні та психофізіологічні аспекти виділення групи підвищеного ризику
1.3.1 Оцінка параметрів професійної придатності
1.3.2 Критерії виділення В«групи ризику В»
1.3.3 Розширене психофізіологічне обстеження за даними АСПО
1.3.3.1 Психологічна діагностика
1.3.3.2 Функціональна діагностика
1.4 Проблеми надання норми в АСПО
2. Адаптивна НАСТРОЙКА СТАТИСТИЧНОГО РОЗПОДІЛУ ОЗНАК У СИСТЕМІ нейро-нечітких ВИВЕДЕННЯ
2.1 Основи принципу нечіткого виводу і ідентифікації
2.1.1 Нечітка логіка, лінгвістична оцінка медичних параметрів
2.1.2 Напрямки досліджень нечіткої логіки по відношенню до медичним діагностичним висновків
2.1.2.1 Символічна нечітка логіка і термінологія предметної області.
2.1.2.2 Теорія наближених обчислень і стохастичні вимірювання.
2.1.3 Ідентифікація за допомогою ієрархічної системи нечіткого логічного виведення
2.2 Завдання розробки програмних засобів оцінки критичної залежності гемодинамічних показників
2.2.1 Характеристики програмної моделі при обробці регресійних вимірювань передрейсових оглядів
2.2.2 Управління ієрархією нечіткого виведення інтерактивним пакетом ANFIS
2.2.3 Алгоритм діагностики
2.2.4 Удосконалений метод діагностики
2.2.5 Висновки та база знань
2.2.6 Проектування систем типу Сугено
2.2.7 Результати проектування нечіткого алгоритму передрейсових медичних оглядів на основі адаптивної мережі нейро-нечіткого виводу
Висновок
БІБЛІОГРАФІЧНИЙ СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ
Список скорочень
медичний огляд нейро нечіткий мережу
ANFIS - Adaptive NeuroFuzzy Inference System (адаптивна нейро-нечітка система виводу);
АСУ - автоматизована система управління;
АСПО - автоматизована система передрейсових оглядів;
БД - база даних;
БП - база правил;
ІТ-інформаційні технології;
МНК - метод найменших квадратів;
ННС - нейро-нечіткі системи;
НС - нейронна мережа;
НЛ - нечітка логіка;
ОС - операційна система;
ПК - персональний комп'ютер;
ПЗ - програмне забезпечення;
СУБД - система управління базами даних;
ЕОМ - електронна обчислювальна машина;
Введення
Система передрейсових оглядів актуальна в плані забезпечення безпеки транспортних перевезень крім того застосовуваний на даний момент принцип вимірювання та вибору медичних спостережуваних параметрів дозволяє удосконалити систему діагностики результату різними методами, починаючи регресійного і закінчуючи сучасними інтелектуальними технологіями. Але в цьому процесі має поєднуватися як експертне знання так і числова точність критеріальної оцінки стану спостережуваного суб'єкта. Відповідно тут популярні гібридні схеми в подібних оцінках. Експертні бази вимагають введення лінгвістичної невизначеності в алгоритми вирішення, а регресійний характер вимірювань вимагає попередньої оцінки їх параметрів і отримання статистичної моделі з виключенням адитивних завад в спостережуваному виході.
Гібридні нейрон-нечіткі системи (Далі просто гібридні ANFIS системи) знайшли найбільшу сферу застосування серед усіх можливих методів синтезу нечітких множин і нейронних мереж. Пов'язано це з тим, що саме вони дозволяють найбільш повно використовувати сильні боку нечітких систем та НС. Характерною рисою гібридних систем є те, що вони завжди можуть бути розглянуті як системи нечітких правил, при цьому настройка функцій належностей в передумовах і подзаключеніях правил на основі навчальної множини проводиться за допомогою НС. Існують архітектури гібридних систем, прогресуючі від ієрархічної системи нечіткого виходу і від методу отримання подзаключеній по Сугено, що враховують регресійних характер вихідних вимірювань. Ця схема виведення здатна поєднати попередню настройку до стохастичною середовищі одержуваних даних методом регресійного аналізу і точну настройку до аппроксимируемой об'єкту за властивостями експертного думки. Крім того, потрібно врахувати на користь даного методу, що регресійна частина виконується матричним способом вирішення лінійних рівнянь і це складає незначну лінійну складність для алгоритму.
Проблема медичної норми, з точки зору просторового розділення ознак, полягає в тому, що прийняте до уваги середньоквадратичне відхилення нормального розподілу по традиційною методикою відноситься до одного медичному параметру, а центр розподілу лінійно пов'язаний з його середнім значенням. Якщо ознак декілька, то лінійне геометричне розділення по осях ознак складає найпростішу область для ідеально нормального суб'єкта, що в реальності практично не досяжно і, крім того, несумісне з експертною думкою, яке здатне визначати деякі допуски до тих чи інших параметрах. Та ж проблема багатоканального поділу ознак і в існуючому АСПО, так як вимірювання багатомірні - для оцінки готовності до рейсу враховуються 7-14 параметрів. У свою чергу виникає і експертна складність інтелектуального узагальнення багатовимірних показників в норму. Тому для вирішення цієї актуальної проблеми належність об'єкта до цільових класам норми або ненорми найоптимальнішим буде нелінійне поділ даних класів в просторі ознак, яке ідеально моделює формула НС.
Нейро-нечіткі системи суміщають експертні знання та оцінки регресійної середовища як оптимальні аппроксіматори цільових функцій, але для поділу за ознаками ще потрібно обговорити деякі особливості ННС. Тобто, слід визначити специфіку ННС у вирішенні проблем діагностики норми досліджуваних суб'єктів спільно з регресійним аналізом медичних параметрів. Отже, треба врахувати, що ННС-аппроксіматори утворюють полносвязанную структуру без зворотних зв'язків. На виході останнього шару немає активаційної функції, а формула квадратичної різниці виходу і повчального сигналу є функціоналом, який залежить від параметрів функцій належності експертної бази і параметрів вихідного шару висновку за Сугено. Величина зміни при налаштуванні кожного параметра обчислюється як приватна похідна градієнта функціоналу на виході ННС, виконуючи критерій його мінімізації. Але досліджувана проблема вимагає відповіді класифікатора на просторі ознак - належить досліджуваний суб'єкт до цільової групи ризику чи ні. При цьому підході визначається простір ознак розмірності по числу параметрів, надаються з системою передрейсових оглядів для діагностичного укладення. Подібні вимірювання вже є в наявності у баз даних систем передрейсових оглядів, в цьому плані також відпрацьована технологія вимірювань. Але в цій системі експертні уявлення фактично домінують з існуючими методами автоматизованої оцінки норма/ненорма, так як досліджувані об'єкти в сутності є складними фізіологічними системами з важко формалізуються математичними ознаками цільового стану у виконанні професійних дій. У цьому випадку ННС оптимально підходить для аналізу ознак з урахуванням експертних думок, але традиційний вихід системи вимагає відповідної модифікації, де необхідно забезпечити: аппроксимируемой бе...
