Xreferat.com » Рефераты по информатике и программированию » Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров

нечетких правил). Для иерархической базы знаний (рис. 2.1), описывающую ту же зависимость, максимальное количество нечетких правил будет равным Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров. Причем, это "короие" правила с двумя - тремя входными переменными.

Особенностью нечеткого логического вывода по иерархической базе знаний является отсутствие процедур дефаззификации и фаззификаци для промежуточных переменных (y1 и y2 на рис. 2.1). Результат логического вывода в виде нечеткого множества напрямую передается в машину нечеткого логического вывода следующего уровня иерархии. Поэтому, для описания промежуточных переменных в иерархических нечетких базах знаний достаточно задать только терм-множества, без определения функций принадлежностей.

2.2. Задача разработки программных средств оценки критической зависимости гемодинамических показателей


2.2.1 Характеристики программной модели при обработке регрессионных измерений предрейсовых осмотров

Назначение программы: инструментальный элемент анализа нормы гемодинамических показателей участников предрейсового осмотра: пульс, систолическое и диастолическое давление, психофизические показатели. Компоненты моделирования – текущее состояние и прогноз нормы как распределения при определенной частоте измерений, которые представляет динамическая модель с решением параметров модифицированным МНК в условиях ограниченной стохастичности входных сигналов. Выход программы – текущее и прогнозированное состояние нормы, в которой исключено влияние аддитивных помех типа белый шум, что позволяет представлять распределение значений по норме более объективными, учитывая тенденции риска по норме и возможности прогноза патологии по динамике нормы.

Программа моделирует совокупность компонентов исследования как некоторую часть объекта, который называется «Динамическая норма гемодинамики». Объект моделирования – есть программная модель как источник анализируемой информации.

Цель применения программы: анализ текущей и прогнозируемой нормы гемодинамики работников локомотивных бригад при медицинском обеспечении безопасности на железнодорожном транспорте.

Задачи: программа предназначена для интеграции в комплекс АСПО без привлечения дополнительных средств ее адаптации и обучения персонала. Программа выполняет задачу адаптации к системе данных АСПО и повышает качество измеряемого и анализируемого сигнала. Определяет текущее и прогнозируемое во времени состояние компонентов исследования для диагностического заключения о состоянии объекта с использованием графических вариантов выхода модели.

Функционирование программного обеспечения происходит на персональных компьютерах типа IBM PC не ниже класса Pentium при поддержке операционных систем (ОС) Windows 98, 2000, NT, XP, Vista. Учитывая целесообразность совмещения базы данных ведения картотеки пациентов и проводимых исследований на основе расчетов пространственно-временной модели, в программном обеспечении реализована концепция некоторой системы управления этими данными и численными методами расчетов. Проектирование системы начинается с обработки отношений в базе данных типа «Картотека медицинских исследований». Далее система адаптируется к СУБД, управления данными, использует определенную в АСПО технологию хранения и считывания данных приборов измерения параметров гемодинамики.

В качестве инструмента выполнения проекта управляющей системы выбраны: интерактивное ANFIS, объектно-ориентированный язык Object Pascal со стандартной библиотекой визуальных компонент проектирования. Концепция объектно-ориентированного программирования, реализованная в интерактивном ANFIS, позволяет рассмотреть средства статистической обработки данных параметров гемодинамики, как систему родословных отношений объектов, прогрессирующую по мере совершенствования существующих и новых перспективных моделей сбора, анализа исходной информации. Доступ к данным картотеки пациентов и измерениям происходит по типу «Клиент-сервер», осуществляется через компонентный интерфейс Delphi с системой доступа к базам данных (БД) фирмы Borland (Borland Database Engine, или BDE). Это первая функциональная часть управляющей системы. Вторая - реализация численных методов, описанных входными языками математических пакетов (Mathcad, Matlab и т.п.). Управление расчетами происходит на основе OLE (Object linking and embedding) технологии.

В качестве такого ресурса моделирования использовались входной язык, модули программирования и графической визуализации математической системы Mathcad версии 11.0а.

Результат: разработана программа управления системой ресурсов информационного обеспечения расчета параметров гемодинамики и имеющая расширение пространственно-временного анализа основных компонентов медицинской нормы, используются элементы графического вывода для целей интерпретации исходных данных и диагностического заключения.

Обмен административной оболочки пользователя с вычислительными ресурсами математических пакетов происходит по системной технологии OLE – вычислительные ресурсы методов идентификации и прогноза есть исходные данные COM сервера Mathcad для административной оболочки, выполненной по схеме многодокументного интерфейса.


2.2.2 Управление иерархией нечеткого вывода интерактивным пакетом ANFIS

ANFIS - это аббревиатура Adaptive-Network-Based Fuzzy Inference System - адаптивная сеть нечеткого вывода. Она была предложена Янгом (Jang) в начале девяностых. ANFIS является одним из первых вариантов гибридных нейро-нечетких сетей - нейронной сети прямого распространения сигнала особого типа. Архитектура нейро-нечеткой сети изоморфна нечеткой базе знаний. В нейро-нечетких сетях используются дифференцируемые реализации треугольных норм (умножение и вероятностное ИЛИ), а также гладкие функции принадлежности. Это позволяет применять для настройки нейро-нечетких сетей быстрые алгоритмы обучения нейронных сетей, основанные на методе обратного распространения ошибки. Ниже описываются архитектура и правила функционирования каждого слоя ANFIS-сети.

ANFIS реализует систему нечеткого вывода Сугено в виде пятислойной нейронной сети прямого распространения сигнала. Назначение слоев следующее: первый слой - термы входных переменных; второй слой - антецеденты (посылки) нечетких правил; третий слой - нормализация степеней выполнения правил; четвертый слой - заключения правил; пятый слой - агрегирование результата, полученного по различным правилам.

Входы сети в отдельный слой не выделяются. На рис. 2.2. изображена ANFIS-сеть с двумя входными переменными (x1 и x2) и четырьмя нечеткими правилами. Для лингвистической оценки входной переменной x1 используется 3 терма, для переменной x2 - 2 терма.


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров

Рисунок 2.2 – Пример ANFIS-сети


Введем следующие обозначения, необходимые для дальнейшего изложения:

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров - входы сети;

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров - выход сети;

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров - нечеткое правило с порядковым номером Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров;

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров - количество правил ,Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров;

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров - нечеткий терм с функцией принадлежности Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, применяемый для лингвистической оценки переменной Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров в r-ом правиле (Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров,Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров);

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров - действительные числа в заключении r-го правила (Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров,Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров).

ANFIS-сеть функционирует следующим образом.

Слой 1. Каждый узел первого слоя представляет один терм с колоколобразной функцией принадлежности. Входы сети Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров соединены только со своими термами. Количество узлов первого слоя равно сумме мощностей терм-множеств входных переменных. Выходом узла являются степень принадлежности значения входной переменной соответствующему нечеткому терму:


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, (2.1)


где a, b и c - настраиваемые параметры функции принадлежности.

Слой 2. Количество узлов второго слоя равно m. Каждый узел этого слоя соответствует одному нечеткому правилу. Узел второго слоя соединен с теми узлами первого слоя, которые формируют антецеденты соответствующего правила. Следовательно, каждый узел второго слоя может принимать от 1 до n входных сигналов. Выходом узла является степень выполнения правила, которая рассчитывается как произведение входных сигналов. Обозначим выходы узлов этого слоя через Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров,Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров.

Слой 3. Количество узлов третьего слоя также равно m. Каждый узел этого слоя рассчитывает относительную степень выполнения нечеткого правила:

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров. (2.2)


Слой 4. Количество узлов четвертого слоя также равно m. Каждый узел соединен с одним узлом третьего слоя а также со всеми входами сети (на рис. 2.1. связи с входами не показаны). Узел четвертого слоя рассчитывает вклад одного нечеткого правила в выход сети:


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров. (2.3)


Слой 5. Единственный узел этого слоя суммирует вклады всех правил:


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров. (2.4)


Типовые процедуры обучения нейронных сетей могут быть применены для настройки ANFIS-сети так как, в ней использует только дифференцируемые функции. Обычно применяется комбинация градиентного спуска в виде алгоритма обратного распространения ошибки и метода наименьших квадратов. Алгоритм обратного распространения ошибки настраивает параметры антецедентов правил, т.е. функций принадлежности. Методом наименьших квадратов оцениваются коэффициенты заключений правил, так как они линейно связаны с выходом сети. Каждая итерация процедуры настройки выполняется в два этапа. На первом этапе на входы подается обучающая выборка, и по невязке между желаемым и действительным поведением сети итерационным методом наименьших квадратов находятся оптимальные параметры узлов четвертого слоя. На втором этапе остаточная невязка передается с выхода сети на входы, и методом обратного распространения ошибки модифицируются параметры узлов первого слоя. При этом найденные на первом этапе коэффициенты заключений правил не изменяются. Итерационная процедура настройки продолжается пока невязка превышает заранее установленное значение. Для настройки функций принадлежностей кроме метода обратного распространения ошибки могут использоваться и другие алгоритмы оптимизации, например, метод Левенберга-Марквардта.


2.2.3 Алгоритм диагностики

Информация, полученная от врача и больного, включает нечеткость, выраженную ЛЗИ. Для вычислений необходимо преобразовать эти значения в числовые значения истинности (ЧЗИ). Для их количественной оценки использованы функции принадлежности. В данной системе такие понятия, как «немного», «очень» для симптомов и «часто», «вероятно» и др. для взаимосвязи между болезнями и симптомами, представлены ЛЗИ (семь уровней). При этом необходимо установить, каким образом выбирать по функции принадлежности каждого ЛЗИ значения принадлежности. Такие значения назовем а-сечением, а значение, выбранное для Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, обозначим Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров. Обычно Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров имеет одно значение, но в целях сохранения нечеткости в словах более естественно использовать интервал значений, например для ЛЗИ "UN" (неизвестное) введем интервал [О, 1]. Таким образом будем задавать интервал значений принадлежности для всех ЛЗИ, т.е.


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров. (2.5)


Связь между ЛЗИ, а-сечением и значениями принадлежности показана на рис. 2.3. В системе существует база данных, в которой все функции принадлежности и а-сечение являются координатами, константами и другими параметрами.

Алгоритм выводов следует из формул (2.6) и (2.7).

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, (2.6)

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров (2.7).

При этом предполагается, что Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров-нечеткие подмножества множества V ЛЗИ, т. е. очень правдивые и выпуклые подмножества. Если применить к формулам (2.6) и (2.7) нечеткие правила «модус поненс» и «модус толлекс», то получатся следующие взаимосвязи между болезнями и симптомами:

для Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров (2.8)

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, (2.9)


где Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров означает отрицание в нечеткой логике, L указывает нижнюю границу (см. дополнение об операциях в нечеткой логике). Зададим наблюдаемые симптомы Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров,- и знания Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров,


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров

Рисунок 2.3 Связь между ЛЗИ, а и значениями принадлежности


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, и обнаружим все болезни {Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров}. Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров можно получить, найдя общее решение формул (2.8) и (2.9). При этом достоверности знаний Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров,Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров,Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров можно определить через интервал их значений ([нижнее значение, верхнее значение]) следующим образом:


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров (2.10)


Кроме того, определим расстояние между симптомом и знаниями следующим образом:


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, (2.11)

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров. (1.12)


Введем следующие множества интервалов значений для знаний и расстояний: для любых i, j


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров. (2.13)


Записи Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров обозначают, что для любых i, j

Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров. (2.14)


Обратная задача для D.6) сводится к нахождению следующего вектора


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, (2.15)


где а-вектор, элементами которого являются множества интервалов значений. Используя алгоритм для обратной задачи, основанный на нечетких неравенствах, получаем решение


Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров, Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.
Подробнее

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: