Метод главного эксперта в задачах диагностики и прогнозирования

• Автор: Демьянова, Вероника Владимировна
• Шифр специальности: 01.01.09
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Санкт-Петербург
• Количество страниц: 156 с. : ил.

Содержание

Список обозначений
ВВЕДЕНИЕ
§0.1. Общая характеристика работы
§0.2. Содержание работы
Глава 1. ОДНОМЕРНАЯ ИДЕНТИФИКАЦИЯ И РАНЖИРОВАНИЕ
§1.1. Постановка задачи идентификации
§1.2. Задача одномерной идентификации. Идентификация
методом разделения
1.2.1. Постановка задачи
1.2.2. Необходимые и достаточные условия оптимальности
1.2.3. Численный метод для минимизации т{х)
1.2.4. Квазивыпуклыс функции
§1.3. Одномерная идентификация методом изоляции
1.3.1. Идентификация методом изоляции
1.3.2. Метод покоординатного спуска для минимизации т(г)
1.3.3. Метод сопряженных направлений для минимизации т{г)
§1.4. Ранжирование параметров
1.4.1. Ранжирование с помощью одномерной идентификации
Глава 2. МЕТОД ГЛАВНОГО ЭКСПЕРТА
В ЗАДАЧАХ ИДЕНТИФИКАЦИИ
§2.1. Постановка задачи идентификации
§2.2. Метод главного эксперта
§2.3. "Выборочные" вероятности правильной и неверной
идентификации методом главного эксперта

§2.4. Параметрическая оптимизация
§2.5. Примеры
Глава 3. ЗАДАЧА ПРОГНОЗИРОВАНИЯ И МЕТОД ГЛАВНОГО ЭКСПЕРТА
§3.1. Введение
§3.2. Задача прогнозирования
§3.3. Исследование множеств Ц и П2 методом главного эксперта
Глава 4. ПРОГНОЗИРОВАНИЕ ЭФФЕКТИВНОСТИ ХИМИОТЕРАПИИ ПРИ ЛЕЧЕНИИ ОНКОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ
§4.1. Введение и постановка задачи
§4.2. Разделение баз СТ-140 и ¥СТ
4.2.1. Разделяющие гиперплоскости
4.2.2. Разделение базы СТ
4.2.3. Разделение базы 1СТ
§4.3. Перекрестное исследование баз VCT-113 и СТ
4.3.1. Исследование базы ¥СТ-113 с помощью плоскости Ь
4.3.2. Исследование базы СТ-140 с помощью плоскости Т2
§4.4. Заключение и рекомендации
Глава 5. ПРОГНОЗИРОВАНИЕ ЭФФЕКТИВНОСТИ ХИМИО- И ГОРМОНАЛЬНОЙ ТЕРАПИИ ПРИ ЛЕЧЕНИИ ОНКОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ
§5.1. Задача прогнозирования
§5.2. Разбиение базы СНЕМО-253 на подбазы
§5.3. Разделение баз I—IV с помощью параметров 30 и
5.3.1. Разделение базы ¥СТ
5.3.2. Разделение базы СТ

5.3.3. Разделение базы НТ
5.3.4. Разделение базы СНТ
5.3.5. Перекрестное исследование баз I—IV с помощью
прямых Ь~
§5.4. Разделение баз НУ с помощью параметров 30, 33 и
5.4.1. Разделение базы УСТ
5.4.2. Разделение базы СТ
5.4.3. Разделение базы НТ
5.4.4. Разделение базы СНТ
5.4.5. Перекрестное исследование баз I—IV с помощью плоскостей Ь — 1*4
§5.5. Оценка эффективности прогнозирования различными экспертами
Заключение
Публикации по теме диссертации
Литература
Приложения
Приложение 1. База данных "СНЕМО-253"
Приложение 2. Корреляционная матрица базы "СНЕМО-253"
Приложение 3. Достоверность различий и ранжирование параметров
статистическим и оптимизационным методами
Приложение 4. Разделение множеств с помошыо плоскостей
Приложение 5. Персональные рекомендации
Приложение 6. Сравнение персональных рекомендаций

Если т{х(к+1)1, ж№+1)2) = т(х(к)1, х{к)2), то точка (ж(А:)1, х(к)2) неулучшаема (с помощью используемого метода покоординатного спуска), и процесс прекращается.
В противном случае (если т{х(к+1)1,х(к+1)2) < тга(ж(*)1, (*02)) полагаем %к+1 = ((А:+1)1> *(/5+1)2) (СМ. РиС. 2).
Далее продолжаем аналогично. В результате построим последовательность {гк} = {(щ, х/й)}- Функция т(г) является разрывной и целочисленной, строго убывает на каждом шаге и не превосходит значения тах{А1, Л}- Поэтому последовательность {г*,} конечна (т. е., описанный метод сходится в конечное число шагов). Последняя полученная точка является по крайней мере точкой локального минимума.
1.3.3. Метод сопряженных направлений для минимизации т(г).
В гладком случае весьма эффективным методом минимизации является метод сопряженных направлений (см. [30]). Опишем некоторый аналог этого метода для разрывных функций. Можно надеяться, что (как и в гладком случае) этот метод позволит ускорить сходимость метода покоординатного спуска.
Выберем произвольное 2о = (хо,хо2) € М2. Пусть уже построена точка