Модели и алгоритмы интеллектуальных систем поддержки принятия решения на основе каскадной нейро-нечеткой сети

• Автор: Безруков, Николай Сергеевич
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Комсомольск-на-Амуре
• Количество страниц: 151 с. : ил.

СОДЕРЖАНИЕ
Введение

Глава 1. ХАРАКТЕРИСТИКА ПРОБЛЕМЫ ПОСТРОЕНИЯ

ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ

1.1. Особенности принятия решений в условиях неопределенности

1.2. Способы оценки количества информации и энтропии в экспериментальных данных

1.3. Статистические методы в обработке экспериментальных данных

1.4. Гибридная система на основе нечеткой логики и нейротехнологии

1.5. Цели и задачи исследования

Глава 2. РАЗРАБОТКА АЛГОРИТМОВ ПОВЫШЕНИЯ

ИНФОРМАТИВНОСТИ ДАННЫХ

2.1. Алгоритм нормировки данных
2.2. Алгоритм выделения информативных признаков
2.3. Тестирование работы алгоритма выделения информа тивных признаков
2.4. Выводы Глава 3. РАЗРАБОТКА АЛГОРИТМОВ ПРИНЯТИЯ РЕШЕНИЯ НА
ОСНОВЕ НЕЙРОНЕЧЕТКОЙ СЕТИ
3.1. Алгоритм построения модели каскадной нейронечеткой сети
3.2. Алгоритм выделения контрольной и обучающей выборки
3.3. Тестирование работы предложенных алгоритмов при различных начальных настройках
3.4. Выводы
Глава 4. ПРОЕКТИРОВАНИЕ СИСТЕМ ОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ПРИМЕРЕ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ДИАП ЮСТИКИ ЗАБОЛЕВАНИЙ ЛЕГКИХ
4.1. Системы поддержки принятия решений
4.2. Построение интеллектуальной системы
4.3. Построение систем диагностики в медицине
4.4. Описания заболеваний легких
4.5. Способы исследования и схема диагностики заболеваний легких
4.6. Реализация автоматизированной системы диагностики заболеваний легких на базе Дальневосточного научного центра физиологии и патологии дыхания
4.7. Выводы
Заключение
Библиографический список
Приложение П. 1. Результат статистического анализа параметров ней
рофизиологического обследования Приложение Г1.2. Руководство пользователя программы Автомата 3 зированная система диагностики заболеваний легких
Приложение П.З. Результат проектирования подсистем диагностики в 9 АСДЗЛ
Приложение П.4. Акт внедрения программы для ЭВМ Программа 5 имитационного моделирования системы дифференциальной диагностики бронхиальной астмы и хронической обструктивной болезни легких по результатам пробы изокапиической гипервентиляции холодным воздухом
Приложение П.5. Акт о внедрении результатов диссертационной ра 6 боты
Приложение П.6. Патент на изобретение. Способ диагностики брон 7 хиальной астмы
Приложение П.7. Свидетельства об официальной регистрации про 8 грамм для ЭВМ
I
Введение
Актуальность


Автор выражает искреннюю благодарность за помощь в реализации практической части диссертационной работы сотрудникам лаборатории функциональных методов исследования дыхательной системы при РАМН СО ГУ Дальневосточный научный центр физиологии и патологии дыхания и ее руководителю доктору медицинских наук, профессору Ю. М. Перельману. Структура работы. Во введении обосновывается актуальность темы, характеризуются научная новизна и методы исследования, приводятся основные теоретические и практические результаты, формулируются выносящиеся на защиту положения, цели и задачи диссертационного исследования. Первая глава посвящена способам построения интеллектуальных систем поддержки принятия решений с помощью теории информации, математической статистики и адаптивных нейронечетких сетей. Сформулирована задача построения системы по функционалу информации. Изложены основные идеи статистического подхода, в рамках которого производится поиск значимых признаков, а также обсуждены вопросы использования адаптивных нейронечетких сетей. Во второй главе исследуется поэтапная предобработка данных с целью повысить информативность признаков посредством алгоритма нормировки данных и алгоритма выделения информативных признаков. В третьей главе разрабатываются принцип создания систем поддержкипринятия решений посредством двух алгоритмов алгоритма построения модели каскадной нейронечеткой сети и алгоритма деления данных на обучающую и проверочную выборки. В заключение формулируются основные результаты работы. В приложениях даны вспомогательные материалы диссертационной работы. Глава 1. Многие физические и математические модели, разработанные во второй половине. XX века, оказались настолько удачными, что их. От моделей, как и в технических задачах, ожидали абсолютной точности вычислений, которая обеспечивалась бы необходимым количеством данных с помощью достаточно мощных компьютеров . К сожалению, эти ожидания не всегда оправывались. Возникла проблема непригодности стандартных аналитических и математических методов, и необходимость в новых методах, а лучше в их комбинации со старыми , . Одним из направлений интеллектуальных систем, позволяющих решать разнообразные интеллектуальные проблемы при совместном использовании различных подходов имитации интеллектуальной деятельности человека и предназначенных для решения задач в условиях неясности и неопределенности, являются гибридные интеллектуальные системы , . Понятия неопределенности и неясности относятся к ситуациям, в которых рассматриваемые явления связаны с ограниченным количеством информации. Как известно численно неопределенность можно оценивать по энтропии, а определенность по количеству информации. Феномены неопределенности неясности представляются гранями более общего явления недетерминированности, т. Выделение гибридных интеллектуальных систем в отдельный класс обусловлено тем, что их архитектура направлена на решение прикладных задач различных областей человеческой деятельности, тогда как интеллектуальные системы способны решать, как правило, только типовые игровые задачи . Как было отмечено в , проектирование различных интеллектуальных систем на сегодня скорее искусство, чем обоснованная методология. В такие системы вводят различные методики такие как нейронные сети, нечеткая логика, адаптивные нейронечеткие сети, элементы статистики и генетические алгоритмы, каждый из которых имеет свои достоинства и недостатки. Главным критерием для применения того или иного метода является уменьшение недостатков и увеличение достоинств архитектуры в целом для решения имеющейся прикладной задачи. От архитектуры гибридной интеллектуальной системы требуют обоснования применяемых в ней методов и максимальной прозрачности ее работы. При разработке интеллектуальных систем по сведениям, полученным от экспертов, хорошо знающих данную предметную область, разработчики сталкиваются с одной весьма распространенной проблемой . При объединении баз знаний, сформированных различными экспертами, каждая из которых в отдельности довольно успешно решает тестовые задачи, возникает противоречивая база знаний. Явление это объясняется тем, что эксперты погружают свои профессиональные знания в некоторые концептуальные модели предметных областей, которые у разных экспертов могут не совпадать, т.