Методы и средства прогнозирования и ранней диагностики профессиональных заболеваний работников агропромышленного комплекса на основе нечеткой логики принятия решений

Методы и средства прогнозирования и ранней диагностики профессиональных заболеваний работников агропромышленного комплекса на основе нечеткой логики принятия решений

Автор: Коптева, Наталья Алексеевна

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2008

Место защиты: Курск

Количество страниц: 170 с. ил.

Артикул: 4223409

Автор: Коптева, Наталья Алексеевна

Стоимость: 250 руб.

Методы и средства прогнозирования и ранней диагностики профессиональных заболеваний работников агропромышленного комплекса на основе нечеткой логики принятия решений  Методы и средства прогнозирования и ранней диагностики профессиональных заболеваний работников агропромышленного комплекса на основе нечеткой логики принятия решений 

ВВЕДЕНИЕ
Глава I. Аналитический обзор н постановка задач исследования
1.1. Математические методы диагностики и прогнозирования заболеваний.
1.2. Использование методов рефлексодиагностики для
прогнозирования и ранней диагностики заболеваний.
1.3. Применение экстерных систем для прогнозирования, диагностики и управления лечебнооздоровительными мероприятиями.
1.4. Цель и задачи исследования.
Глава П. Методы нечеткого прогнозирования и ранней диагностики профессиональных заболеваний работников агропромышленного комплекса.
2.1. Объект, методы и средства исследования.
2.2. Способ оценки риска профессиональных заболеваний в зависимости от степени хронического физического утомления.
2.3. Метод синтеза нечетких решающих правил для прогнозирования и ранней диагностики профессиональных заболеваний работников агропромышленного комплекса.
2.4. Выводы второй главы.
Глава III. Разработка основных элементов автоматизированной системы поддержки принятия решений для прогнозирования и ранней диагностики профессиональных заболеваний работников
агропромышленного комплекса.
3.1. Синтез решающих правил для прогнозирования и ранней диагностики профессиональных заболеваний работников
агропромышленного комплекса.
3.2. Алгоритм управления процессами принятия решений в автоматизированной системе оценки состояния здоровья работников агропромышленного комплекса.
3.3. Разработка программного обеспечения системы поддержки принятия решений по прогнозированию и диагностике профессиональных
заболеваний работников агропромышленного комплекса.
3.4. Выводы третьей главы.
Глава IV. Результаты экспериментальных исследований.
4.1. Проверка качества прогнозирования по выбранным классам заболеваний работников агропромышленного комплекса.
4.2. Проверка качества работы решающих правил донозологической диагностики. I
4.3. Выводы четвертой главы.
Заключение.
Библиографический список.
ВВЕДЕНИЕ
Актуальность


Такая ситуация характерна в основном для описательных наук к которым в основном относятся медицинские науки, в которых для получения результата используются обычно не вычисления, а последовательность рассуждений. Результат при этом представляется в виде некоторого суждения устанавливающего принадлежность объекта к соответствующему классу. В результате обычно строится иерархическая древовидная структура, корнем которой является наименование нозологической формы, а конечными элементами признаки болезни, значения которых выявляются при обследовании пациента различными способами, опрос, осмотр, лабораторные исследования и т. Разделение классов осуществляется с помощью полученных на этапе обучения разделяющих гиперповерхностей ,,. При обучении решающие правила могут строится по фиксированным данным не описывающимся в вероятностных категориях. Такие распознающие системы относятся к классу детерменистских систем. В ситуации, когда используется вероятностное задание признаков и классов, решается вопрос о возможности или целесообразности построения наилучших правил на основе детального анализа признакового пространства путем построения функций плотности вероятности и получения надежных оценок априорных вероятностей. Классифицируемый объект считается принадлежащим к тому образу, плотность объектов которого наивысшая в данной точке пространства описания. ТЭД ограниченного объекта обучающие выборки с известной классификацией. По обучающим выборкам могут быть восстановлены или оценены функции плотностей вероятностей, по которым и строятся соответствующие решающие правила. При обработке ТЭД с целью распознавания образов могут использоваться различные алгоритмы, число которых в современном арсенале достаточно велико. Однако, как показывают многообразные исследования, для решения широкого круга медицинских задач проблема выбора типа решающих правил и их обучения для решения конкретной задачи распознавания и, в частности, для решения задач медицинской диагностики не является тривиальной и зависит от совокупности разных факторов от типа и характера измерительных шкал, геометрической структуры многомерных данных, объема обучающего материала, возможности иметь точные указания учителя для обучающей выборки и т. Таким образом, прежде чем начинать решение задачи распознавания образов целесообразно изучить особенности решаемой задачи. Анализ литературных данных и результаты собственных исследований позволяют сделать вывод о том, что в этих условиях предпочтение следует отдавать двум подходам принятым в теории принятий решений на основе аппарата обеспечивающего изучение структуры классов с выдвижением гипотез о наилучших классификаторах в ходе вычислительного эксперимента диалоговые системы распознавания образов на основе теории нечеткой логики принятия решений с сетевыми структурами. В диалоговых системах распознавания ДСР понятие диалог несколько отличается от традиционного . Здесь режим диалога ориентирован, прежде всего на изучение структуры многомерных классов с подбором соответствующих методов и алгоритмов обработки данных, наиболее подходящих к искомой структуре данных этап качественного решения задачи анализа данных. На этапе количественного описания данных производится поиск параметров выбранных пользователем моделей и, методом проб и оценок, делается окончательный выбор конкретной чаще всего одной решающей модели 4,5,4,9,4,5. Одной из самых сложных и плохоформализуемых задач является задача изучения структуры классов, которая решается путем отображения многомерных данных в одно, двух или трехмерные пространства, в которых человек имеет возможность увидеть структурные особенности исследуемых классов, сделать определенные предположения, выдвинуть гипотезы, определить дальнейшую стратегию решения задачи распознавания и др. Естественно, при этом, что способы отображения должны мало искажать исходную структуру данных. Обычно при отображениях, как правило, обеспечивается сохранение близости объектов, определенной в исходном пространстве признаков, при этом наибольшее распространение получили три основных подхода.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.249, запросов: 244