Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров (стр. 5 из 9)

Преимущество иерархических баз знаний заключается еще и в том, что они позволяют небольшим количество нечетких правил адекватного описать многомерные зависимости "входы - выход". Пусть, для лингвистической оценки переменных используется по пять термов. Тогда, максимальное количество правил для задания зависимости

с помощью одной базы знаний будет равным (конечно, для адекватного описания зависимости "входы - выход" необходимо значительно меньше нечетких правил). Для иерархической базы знаний (рис. 2.1), описывающую ту же зависимость, максимальное количество нечетких правил будет равным . 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 IBMPC 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 ObjectPascal 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 (BorlandDatabaseEngine, 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 (Objectlinkingandembedding) 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 пакетомANFIS

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.

Рисунок 2.2 – Пример ANFIS-сети

Введем следующие обозначения, необходимые для дальнейшего изложения:

- входы сети;

- выход сети;

- нечеткое правило с порядковым номером ;

- количество правил , ;

- нечеткий терм с функцией принадлежности , применяемый для лингвистической оценки переменной в r-ом правиле ( , );

- действительные числа в заключении r-го правила ( , ).

ANFIS-сеть функционирует следующим образом.

Слой 1. Каждый узел первого слоя представляет один терм с колоколобразной функцией принадлежности. Входы сети

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:

, (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

, .