Разработка рекуррентных алгоритмов распознавания и применение их для вычисления диагностики острых кишечных инфекций

• Автор: Храпко, Владимир Николаевич
• Шифр специальности: 05.13.09
• Научная степень: Кандидатская
• Год защиты: 1984
• Место защиты: Симферополь
• Количество страниц: 218 c. : ил

СОДЕРЖАНИЕ
ВВЕДЕНИЕ.

ГЛАВА I. ОБЗОР ЛИТЕРАТУРЫ И ПОСТАНОВКА ЗАДАЧИ

1.1. Медицинская диагностика и методы распознавания образов

1.2. Методы преобразования пространства исходных признаков

1.3. Диалоговые системы распозначания образов

1.4. Постановка задачи.

ГЛАВА 2. ОБОБЩЕННАЯ ЗАДАЧА СТАТИСТИЧЕСКОГО РЕШЕНИЯ

2.1. Постановка задачи вычислительной медицинской диагностики.

2.2. Постановка классической задачи статистического решения

2.3. Обобщение задачи статистического решения

2.4. Примеры преобразований исходного пространства признаков.
2.5. Применение информационных характеристик распределений к отбору признаков
2.6. О двух подходах к минимизации байесовского риска.
2.7. Равномерная аппроксимация истинного
риска при помощи эмпирического риска
2.8. Минимизация риска прямыми релаксационными алгоритмами стохастического программирования.
2.9. Метод потенциальных функций и выбор вида потенциальной функции как функции расстояния
2 Выводы к главе 2
Стр.
ГЛАВА 3. РЕАЛИЗАЦИЯ ОБОБЩЕННОЙ ЗАДАЧИ СТАТИСТИЧЕСКОГО РЕШЕНИЯ В ВИДЕ ДИАЛОГОВОГО ПАКЕТА ПРИКЛАДНЫХ ПРОГРАММ
3.1. Общие сведения о пакете прикладных программ КЛОФОР.
3.2. Структура пакета прикладных программ
КЛОФОР.
3.3. Алгоритмы Байеса и фазового интервала
3.4. Алгоритмы потенциальных функций
3.5. Модифицированные релаксационные алгоритмы построения гиперплоскостей
3.6. Алгоритмы отбора и формирования признаков.
3.7. Общая структура программного обеспечения пакета КЛОФОР
3.8. Выводы к главе 3
ГЛАВА 4. ПРИМЕНЕНИЕ ПАКЕТА ПРИКЛАДНЫХ ПРОГРАММ КЛОФОР ДЛЯ ДИАГНОСТИКИ НЕКОТОРЫХ ЗАБОЛЕВАНИЙ
4.1. Общая характеристика клинического материала, использованного для вычислительной диагностики
4.2. Характеристика клинического материала, использованного для дифференциальной диагностики острой дизентерии и пищевой токсикоинфекции, вызванной бактериями
рода СсЬ го ЬасЬег. ПО
4.3. Результаты дифференциальной вычислительной диагностики острой дизентерии и пищевой токсикоинфекции, вызванной ВаСЬ. СИгоЬаег П
Стр.
4.4. Обсуждение результатов вычислительной дифференциальной диагностики острой дизентерии и пищевой токсикоинфекции, вызванной бактериями рода СИгоЬасег 1X
4.5. Характеристика клинического материала, использованного для вычислительной диагностики форм острой дизентерии.
4.6. Результаты вычислительной диагностики клинических форм острой дизентерии.
4.7. Обсуждение результатов диагностики форм тяжести острой дизентерии
4.8. Характеристика клинического материала, использованного для диагностики язвенной этиологии острых гастродуоденальных кровотечений
4.9. Результаты вычислительной диагностики этиологии острых гастродуоденальных кровотечений
4.Ю.0бсужение результатов дифференциальной диагностики этиологии острых гастродуоденальных кровотечений
4.II. Выводы к главе 4
В Ы В 0Д Д.
ЛИТЕРАТУРА


В зависимости от вида функции потерь Ь , ос получаются различные алгоритмические схемы и различные виды разделяющих поверхностей. В х годах в связи с распространением ЭВМ появились модели, описывающие зрительное восприятие на языке переключательных схем. Такие модели получили название персептронов , . В дальнейшем оказалось, что схема персептрона реализует линейную функцию классификации. Коэффициенты оптимальной разделяющей гиперплоскости можно найти, решая задачу 1. Методами решения такой задачи являются рекуррентные алгоритмы, основанные на схеме градиентного спуска и некоторых его модификациях . Кроме персептронной функции потерь для построения разделяющей гиперплоскости используется квадратичная функция и в качестве метода минимизации такой функции используется мотод стохастической аппроксимации . В рассмотрен метод обобщенного портрета, также строящий разделяющую гиперплоскость с помощью рекуррентного алгоритма минимизации метод сопряженных градиентов. В медицинской диагностике алгоритм обобщенного портрета применялся для дифференциальной диагностики злокачественных и доброкачественных опухолей пищевода . В использовался алгоритм построения гиперплоскости в пространстве более высокой размерности в случае линейно неразделимых классов, что позволило улучшить диагностику до правильных диагнозов . Для решения задачи минимизации 1. В 1. В практических задачах значение Рхв I. I неизвестно, но известна обучающая выборка , . Рх случайных величин. Схема 1. В том случае, если используются функции потерь более сложной структуры, чем вышеупомянутые, то следует пользоваться схемами из . В , доказано, что при определенных . Эти
условия следующие хка. Прямые методы стохастического программирования тесно связаны с методами стохастической аппроксимации, развитием которых является метод потенциальных функций, который также основан на рекуррентных соотношениях, близких 1. Этот метод обладает большой универсальностью, поэтому часто применяется для решения практических задач распознавания образов. Его суть состоит в следующем. Кх,у , зависящей от двух переменных, строится по рекуррентной формуле функция х . В случав разделимости классифицируемых классов она является уравнением разделяющей поверхности, в случае неразделимых классов ее можно интерпретировать как вероятность принадлежности объекта к своему классу. Рекуррентная схема напоминает схему 1. X, у . К X, у , равной
обозначено расстояние между точкой гг и точкой у . Однако, строгое обоснование использования такого вида потенциальной функции в литературе дается только такому случаю, когда объекты описываются бинарными признаками, т. О и I. В этом случае возникает вопрос о близости к . Как показано в достаточным условием, гарантирующим близость Гы 8ц к 8 при Л , является равномерная близость Гы 8 к . В этой же работе указаны необходимые и достаточные условия равномерной сходимости частот к вероятностям, т. Отметим, что для непрерывных функций потерь необходимые и достаточные условия равномерной сходимости в литературе не даны. I.1. II. Кроме разобранных выше способов минимизации функционала риска в качестве алгоритмов вычислительной диагностики используются и другие статистические методы. Так,например, в , описаны минимаксные алгоритсы классификации и приведены данные по сравнению между собой линейных итеративных алгоритмов. Минимаксные алгоритмы, по данным этих авторов, обучались быстрее и давали более высокий процент правильных диагнозов до , в то время, как алгоритмы персептронного типа дали только правильных диагнозов. Минимаксные алгоритмы были с успехом применены для диагностики черепномозговых травм 3 . В медицинской диагностике применяется и классический метод дискриминантного анализа 1 . В работе приведены результаты применения дискриминантного анализа для определения личностных особенностей при гипертонической болезни. Модифицированный дискриминантный анализ, примененный для дифференциальной диагностики инфаркта с болями в грудной клетке другой этиологии, дал до правильных диагнозов , . В практическом отношении такая задача весьма важна, так как позволяет решать задачу классификации более эффективно.