Параметрический метод обучения нейронной сети при решении задач прогнозирования

• Автор: Аюпов, Ильнур Рашидович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2015
• Место защиты: Москва
• Количество страниц: 93 с. : ил.

Оглавление
Введение

Г лава 1. Обзор методов прогнозирования

1.1. Анализ существующих систем прогнозирования в медицине

1.2. Номограммы и зарубежные системы прогнозирования

1.3. Важность проведения ранней диагностики

1.4. Выводы по главе

Глава 2. Выбор оптимальной модели системы прогнозирования.

Подготовка данных

2.1. Анализ методов построения базы знаний

2.2. Методы подготовки и структурирования данных

2.3. Создание специализированных вопросников
2.4. Создание пар сигналов
2.5. Обработка данных для обучения
2.6. Адаптивный метод на основе нейронных сетей
2.7. Обучение нейронной сети
2.8. Выбор объема сети
2.8.1. Удаление наименее полезных переменных
2.8.2. Выбор категорий выходных эталонов
2.8.3. Методы проектирования в пространство с меньшей
размерностью
2.9. Методы, улучшающие производительность алгоритма
обратного распространения
2.10. Критерий остановки
2.11. Выводы по главе
Глава 3. Параметризация прогностического алгоритма
3.1. Эксперименты Фогеля
3.2. Генетический алгоритм

3.3. Объединение адаптивного и генетического алгоритмов
3.4. Обучение нейронной сети при параметризации
3.5. Выводы по главе
Глава 4. Численные эксперименты и анализ результатов
прогнозирования
4.1. Программная реализация модели прогнозирования
4.2. Примеры рассмотренных историй болезни
4.3. Результаты исследования
4.4. Выводы по главе
Заключение
Приложение

Введение.
Актуальность работы. Одна из актуальных задач, встающих перед специалистами различных направлений исследования, состоит в нахождении зависимости между определенным набором параметров, описывающих объект и возможным его состоянием в будущем, спрогнозированное на основе этих характеристик или параметров.
Эту зависимость иногда можно вывести на основе теоретических данных, но чаще всего ее получают на основании экспериментальных исследований. При построении математической модели прогнозирования важно, чтобы сведения, собранные об исследуемом объекте, позволяли построить адекватное и достаточно точное описание объекта моделью.
В настоящее время математическое моделирование физиологических процессов в организме человека является одним из актуальных направлений в научных медицинских исследованиях. До последнего времени медицина представляла собой, в основном, экспериментальную науку, основанную на эмпирическом опыте воздействия на ход болезни различными средствами. Прогноз результатов лечения и течения болезни в значительной степени зависел от опыта и квалификации врача. Математическое моделирование этих процессов может служить ему эффективной поддержкой, как мощный инструмент дифференциальной диагностики, прогнозирования и мониторинга. Сегодня эти методы уже широко используются в различных разделах медицины - кардиологии, реаниматологии [1,2,3,4]. В Англии, например, они используются в четырех госпиталях для предупреждения инфаркта миокарда [5,6,7,8].
Представляемая диссертационная работа посвящена вопросу создания системы прогнозирования. В качестве предметной области выбрана онкоурология, где чрезвычайно важным является предсказание состояния здоровья пациента и определение оптимального вида лечения. Актуальность

Независимость разных входных переменных может быть оценена посредством вычисления ковариации для каждой пары переменных. Ковариация пары переменных х и у вычисляется по формуле
£<Л-х)Су,-
(7 =

и является мерой изменения одной переменной при изменении другой. Вычисления для каждой пары дают в результате матрицу пхп , ковариационную матрицу. Пары переменных с высокими значениями ковариации являются зависимыми, поэтому одна переменная из пары может быть исключена из входных данных.
Эффективный метод удаления переменных из модели состоит в построении нейронной сети с большим количеством входов и с малым количеством скрытых элементов. Если весовые коэффициенты сети инициализированы малыми случайными значениями, то весовые коэффициенты от малозначащих входных переменных в процессе тренировки сети не испытают значительных изменений по отношению к исходным значениям [85]. Следовательно, входные переменные, весовые коэффициенты при которых изменились в процессе тренировки незначительно, могут быть отброшены. Далее проводится тренировка этой, усеченной сети с новым набором данных (оставшиеся входы). К недостаткам этого метода следует отнести значительное время тренировки большой сети. К достоинствам метода следует отнести то, что имеется возможность сравнить качество работы уменьшенной сети с исходной сетью и сделать вывод о корректности произведенного понижения размерности входных данных.
2.8.2. Выбор категорий выходных эталонов
Количество значений выходного вектора можно уменьшить с использованием анализа, основанного на вычислении энтропии [86].