Нечеткие нейросетевые модели с динамической структурой в интеллектуальных системах анализа данных на многомерных шкалах

• Автор: Красковский, Антон Борисович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Курск
• Количество страниц: 154 с. : ил.

СОДЕРЖАНИЕ

Список обозначений сокращений

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ МЕТОДОВ И СРЕДСТВ АНАЛИЗА НА МНОГОМЕРНЫХ СУБЪЕКТИВНЫХ ШКАЛАХ

1.1. Многомерное шкалирование

1.2. Модели прогнозировании, базирующиеся на шкалах, полученных на основе личностных опросников

1.3. Формирование многомерных субъективных шкал системой

1.4. Системы искусственного интеллекта для классификации объектов и принятия решений

1.4.1. Общие подходы к проск провнцю интеллектуальных систем

1.4.2. Продукционная .модель знаний п ее использование в интеллектуальных системах

1.4.3. Реализации интеллектуальных систем на базе логической модели знаний н нечетких нсйросстсвых структур
1.5. Цели н задачи исследования
ГЛАВА 2. МОДЕЛИ И АЛГОРИТМЫ АНАЛИЗА ДАННЫХ НА МНОГОМЕРНЫХ СУБЪЕКТИВНЫХ ШКАЛАХ
2.1. Нсйросетсвыс модели многомерных шкал для интеллектуальных систем анализа данных
2.2. Нечеткие нспросстсвые решающие модули для интеллектуальных систем обработки данных па многомерных шкалах
2.3. Формирование блока сокращении пространства признаков на примере .многомерных шкал, полученных на основе нндивндуалыютппологпчсского опросника
2.4. Выводы второй главы
ГЛАВА 3. ИНТЕЛЕКТУАЛЬНАЯ СИСТЕМА АНАЛИЗА ДАННЫХ ДЛЯ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ НА МНОГОМЕРНЫХ СУБЪЕКТИВНЫХ ШКАЛАХ
3.1. Разработка и исследование интеллектуальной системы анализа данных на .многомерных н субъективных шкалах
3.2. Исследование п разработка СУБД для интеллектуальном системы анализа данных па многомерных шкалах
3.3. Основные элементы интерфейса АРМ пользователя
3.4. Выводы третьей главы
ГЛАВА 4. ЭКСПЕРЕМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ И СРАВНИТЕЛЬНАЯ ОЦЕНКА ПОКАЗАТЕЛЕЙ КАЧЕСТВА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ АНАЛИЗА МНОГОМЕРНЫХ ДАННЫХ НА СУБЪЕКТИВНЫХ ШКАЛАХ
4.1. Методические подходы к формированию многомерных шкал на примере прогнозировании психосоматических заболеваний
4.2. Экспериментальные исследования решающих модулей, построенных на основе методов дискриминантного анализа на примере прогнозирования ИБС
4.3. Экспериментальные исследования решающих модулей на основе нечетких нейронных сетей
4.4. Выводы четвертой главы ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК ПРИЛОЖЕНИЕ 1 ПРИЛОЖЕНИЕ
Список обозначений сокращений
АГ артериальная гипертензия
АД артериальное давление
АКС ассоциированное клиническое состояние
АПФ ангиотензин превращающий фермент
АС аортальный стеноз
гД гидростатическое давление
ГДАД генотипическое диастолическое артериальное давление
ГИ гиперинсулинемия
ГИМТ генотипический индекс массы тела
ГЛП гиперлипопротеинемия
ГОТ генотипическое значение окружности талии
ГСАД генотипическое систолическое артериальное давление
ГУ гииеруриемия
ДЭ диагностическая эффективность
ДС диагностическая специфичность
ДЧ диагностическая чувствительность
ИБС ишемическая болезнь сердца
ИЛ интерлейкин
ИМ инфаркт миокарда
ИНС искусственная нейронная сеть
ИО истина отрицательна
ИП истина положительна
ИР инсулинорезистентность
ло ложь отрицательна
ЛП ложь положительна
ЛПНП липопротеины низкой плотности
ЛПР лицо, принимающее решение
МРТ магнитнорезонансная томография
МС метаболический синдром
МСЖТ мультиспиральной КТ
НО наследственная отягощснность
НС нейронная сеть
НТГ нарушенная толерантность к глюкозе
ОЗУ Оперативное запоминающее устройство
ОХС общий холестерин
ПОМ поражение органов мишеней
ПР профиль риска
ПЭН психоэмоциональная напряженность
ПЭТ позитронноэмиссионная томография
СД сахарный диабет
СРБ с реактивный белок
СРПВ скорость распространения пульсовой волны
ССЗ сердечнососудистые заболевания
ССО сердечнососудистые осложнения
ССС сердечнососудистая система
УЗДГ ультразвуковая доплерография
ФИО фактор некроза опухоли
ФР фактор риска
ХСЛПВП холестерин липопротеидов высокой плотности
ХСЛПНП холестерин липопротеидов низкой плотности
ЧСС частота сердечных сокращений
ЭКГ электрокардиограмма
ЭЛТ электроннолучевая томография
ЭХОКГ Эхокардиография
ВВЕДЕНИЕ
Актуальность


СанктПетербург, на Всероссийской научнотехнической конференции с международным участием Медицинские информационные системы Таганрог, на XXVI Международной научнотехнической конференции Математические методы и информационные технологии в экономике, социологии и образовании Пенза, на научнотехнических семинарах кафедры биомедицинской инженерии ЮЗГУ Курск, , , ,. Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано печатных работ. В том числе 4 работы из списка ВАК и одно свидетельство на регистрацию программы. Личный вклад автора. Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 1 отечественных и зарубежных наименований. Работа изложена на 2 страницах машинописного текста, содержит рисунка и таблицы. Краткое содержание работы. В первой главе представлен обзор и анализ современных проблем в области создания интеллектуальных информационных технологий, расширяющих возможности компьютерных систем при решении сложных прикладных задач. Перечисленные особенности не позволяют использовать для решения таких задач строгие алгоритмические методы и модели. Эти особенности требуют либо применения неклассических логик, либо разработки новых подходов, имитирующих человеческие способности при поиске и выборе решений. К таким способностям относятся возможность обработки неполной и противоречивой информации обучение и адаптация к новой информации интеграция всех имеющихся данных и знаний для поиска и выбора решений. Для реализации этих подходов в системах искусственного интеллекта в диссертации предложено использовать нейросетевые и гибридные технологии,. Вторая глава посвящена разработке моделей и алгоритмов анализа данных на многомерных и субъективных шкалах. При решении значительного числа задач классификации сложных. В связи с этим разработай метод синтеза многомерного фуззификатора, согласно которому вместо экспертного оценивания используется нейросетевое моделирование, в результате которого получаем нейросетевую модель фуззификатора для многомерной шкалы. В большинстве интеллектуальных систем анализируется множество многомерных шкал. По каждой шкале принимается частное решение. Решающие правила получают либо на основе экспертной оценки, либо в процессе обучения нечеткой нейронной сети. При работе с многомерными шкалами экспертная оценка является весьма трудной задачей, поэтому используем обучение функционального узла, выполняющего функции агрегирования частных решений. Факторы, используемые для образования многомерной шкалы, являются плохо изученными, поэтому их релевантность неизвестна. Кроме того, они могут быть линейно зависимыми, что приводит к некорректным вычислениям параметров модели. Поэтому многомерные шкалы формируются в модифициррованном пространстве, структура которого настраивается на класс решаемой задачи. Следовательно, структура решающего модуля должна меняться в зависимости от того, какие признаки используются и какие классы распознаются, то есть быть динамической. Для реализации нечеткого решающего модуля с динамической структурой разработан метод управления структурой нечеткого решающего модуля, заключающийся в формировании динамической структуры агрегатора посредством двухуровневой схемы агрегирования. На первом уровне объединяются только те фуззификагоры, выходы которых имеют высокую корреляцию. На втором уровне агрегируются все выходы агрегаторов второго уровня и неагрегированные на втором уровне выходы фуззи фи кагоров. Так как структура решающего модуля зависит от обучающей выборки, то назовем модель такого решающего модуля моделью с динамической структурой. Глава 3 посвящена вопросам проектирования интеллектуальной системы анализа данных на многомерных субъективных шкалах. Разработанная система включает двухуровневую базу данных и два автономных рабочих места для эксперта и для респондента. Кроме того, в системе предусмотрен модуль интерфейсных окон, который осуществляет интерактивную связь между конечным пользователем и базами данных. В четвертой главе приведены примеры формирования многомерных субъективных шкал при оценке психосоматического риска.