Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров (стр. 9 из 9)
Рисунок 2.10 Функции принадлежности переменной x2
Шаг 12. Зададим линейные зависимости между входами и выходом, приведенные в базе знаний. Для этого активизируем переменную y с помощью щелчка левой кнопки мыши на блоке y. В правом верхнем угле появилось обозначение трех функций принадлежности, каждая из которых соответствует одной линейной зависимости между входами и выходам. В базе знаний, приведенной в начале подраздела 2.2.6. указаны 5 различных зависимостей: y=50; y=4x1-x2; y=2x1+2x2+1; y=8x1+2x2+8; y=0. Поэтому добавим еще две зависимости путем выбора команды Add Mfs… меню Edit. В появившимся диалоговом окне в поле Number of MFs выбираем 2 и нажимаем кнопку OK.
Шаг 13. Зададим наименования и параметры линейных зависимостей. Для этого делаем один щелчок левой кнопкой мыши по наименованию первой зависимости mf1. Затем печатаем наименование зависимости, например 50, в поле Name, и устанавливаем тип зависимости – константа путем выбора опции Сonstant в меню Type. После этого вводим значение параметра – 50 в поле Params.
Аналогично для второй зависимости mf2 введем наименование зависимости, например 8+8x1+2x2. Затем укажем линейный тип зависимости путем выбора опции Linear в меню Type и введем параметры зависимости 8 2 8 в поле Params. Для линейной зависимости порядок параметров следующий: первый параметр – коэффициент при первой переменной, второй – при второй и т.д., и последний параметр – свободный член зависимости.
Аналогично для третьей зависимости mf3 введем наименование зависимости, например 1+2x1+2x2, укажем линейный тип зависимости и введем параметры зависимости 2 2 1.
Для четвертой зависимости mf4 введем наименование зависимости, например 4x1-x2, укажем линейный тип зависимости и введем параметры зависимости 4 -1 0.
Для пятой зависимости mf5 введем наименование зависимости, например 0, укажем тип зависимости - константа и введем параметр зависимости 0.
В результате получим графическое окно, изображенное на рис. 2.11.
Рисунок 2.11 Окно линейных зависимостей “входы-выход”
Шаг 14. Перейдем в редактор базы знаний RuleEditor. Для этого выберем в меню Edit команду Edit rules.... и введем правила базы знаний. Для ввода правила необходимо выбрать соответствующую комбинацию термов и зависимостей и нажать кнопку Add rule. На рис. 2.12. изображено окно редактора базы знаний после ввода всех шести правил.
На рис. 2.13. приведено окно визуализации нечеткого логического вывода. Это окно активизируется командой View rules... меню View. В поле Input указываются значения входных переменных, для которых выполняется логический вывод. Как видно из этого рисунка значение выходной переменной рассчитывается как среднее взвешенное значение результатов вывода по каждому правилу.
Рисунок 2.12 Нечеткая база знаний для системы типа Сугено
Рисунок 2.13 Визуализация нечеткого логического вывода для системы типа Сугено
На рис. 2.14. приведена поверхность “входы-выход”, соответствующая синтезированной нечеткой системе. Для вывода этого окна необходимо использовать команду View surface... меню View. Сравнивая поверхности на рис. 2.7. и на рис. 2.14. можно сделать вывод, что нечеткие правила достаточно хорошо описывают сложную нелинейную зависимость. При этом, модель типа Сугено более точная. Преимущество моделей типа Мамдани состоит в том, что правила базы знаний являются прозрачными и интуитивно понятными, тогда как для моделей типа Сугено не всегда ясно какие линейные зависимости “входы-выход” необходимо использовать.
Рисунок 2.14 Поверхность “входы-выход” для системы типа Сугено
2.2.7 Результаты проектирования нечеткого алгоритма предрейсовых медицинских осмотров на основе адаптивной сети нейро-нечеткого вывода
Для реализации в экспертной системе был выбран нечеткий логический вывод по Сугено: выходное нечеткое множество в этой схеме логического вывода является нечетким множеством первого порядка, то есть дискретным множеством, заданным на множестве четких чисел. Это позволяет избежать накопления нечеткости при его использовании в иерархических системах.
В отличие от результата вывода Мамдани, нечеткое множество является обычным нечетким множеством первого порядка. Оно задано на множестве четких чисел. Результирующее значение выхода
определяется как суперпозиция линейных зависимостей, выполняемых в данной точке 
n-мерного факторного пространства. Для этого дефаззифицируют нечеткое множество, находя взвешенное среднее или взвешенную сумму. 
Рисунок 2.15 Функции слоев при аппроксимации нормы.
В гибридной схеме (рис. 2.15) иерархия нейронной сети адаптивно настраивает функции принадлежности в условиях и заключениях правил. Совмещение экспертных знаний и оценок регрессионной среды, как коэффициентов вывода по Сугено, позволяет получать оптимальные аппроксиматоры функций. Для целевого отделения признаков в работе был модифицирован выход сети. Добавление активационной логистической функции позволяет отследить изменение центра распределения в сторону риска.
Рисунок 2.16 Схема классификатора.
Отклонения от центра распределения – это есть значение минимизируемого функционала, обеспечивающего оптимальность решения относительно параметров правил. Регрессионный характер медицинских измерений учитывается при грубой настройке коэффициентов Сугено методом МНК. Точная подстройка функций правил осуществляется градиентным методом, где значением градиента является изменение функционала нормы, а аргументами частных производных – параметры гемодинамики (см. рис. 2.16).
Рисунок 2.17 - Схема статистического разделения нейротехнологии
Сигмоидальный выход характеризует с дробной вероятностью разделение входных признаков (рисунок 2.17). Грубая предварительная настройка по МНК приводит к общей области гистограмм разделения признаков. Точная настройка правил по обучающей выборке оптимально по вероятности обеспечивает минимальное пересечение классов.
Рисунок 2.18 Гистограммы указателя цели.
Алгоритм был применен к двум входным признакам гемодинамического артериального давления с одним выходом логического заключения, «есть риск, т.е. цель или нет». Грубой настройкой была получена вероятностная граница цели и не цели (рис. 2.18 (А, Б)). Точная настойка обучением обеспечила почти наверное разделение, смещая вероятностную границу вправо, в сторону риска(рис. 2.18 (В, Д)). Этим обеспечивается минимальная возможность ошибки.
Заключение
Произведенная теоретическая и практическая часть (в виде компьютерного программирования) работы достигает цели, поставленной при дипломном проектировании.
Разработанная система расспроса и предварительной диагностики позволяет получить достоверные результаты диагностирования и приемлемую скорость обработки при вводе симптомов, соответствующих базе знаний. Она дает превосходные методы обработки нечеткостей, которые свойственны всем медицинским данным, с помощью функций выводов. Наблюдения числовых характеристик полученной модели позволяют составить достоверный прогноз индивидуальных показателей нормы здоровья водителей транспортного средства.А это, в свою очередь, приводит к достижению цели обеспечения безаварийности перевозочного процесса и продления стажа опытных работников за счет планирования профилактических мероприятий по данным прогноза.
Все это подтверждает достижение цели, определенной поставленными перед выпускной работой актуальными проблемами современных систем управления в условиях лингвистической неопределенности.
ЛИТЕРАТУРА
1. Тэрано Т., Асаи К., Сугено М Прикладные нечеткие системы перевод с японского канд. техн. наук Ю. Н. Чернышова - Москва «Мир» 1993 – 363 с.
2. Норвиг А.М., Турсон И.Б. Построение функций принадлежности // Нечеткие множества и теория возможностей. Последние достижения: пер. с англ./ под ред. Р.Р. Ягера. – М.: Радио и связь, 1986. – 408 с.
3. Рыжов А.П. Элементы теории нечетких множеств и измерения нечеткости.– М.: Диалог –МГУ, 1998.
4. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику.-http://www.matlab.ru/fuzzylogic/book1/index.asp
5. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. – М.: Финансы и статистика, 2004.
6. Круглов В. В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - М.: Радио и связь, 2000.
7. Катковник В. Я. Непараметрическая идентификация и сглаживание данных: метод локальной аппроксимации. - М.: Наука, 1985.
8. Заде Л. А., Понятие лингвистической переменной и его применение к принятию приближенных решений, Мир, М., 1976
9. Алексеев А.Н., Волков Н.И., Кочевский А.Н. Элементы нечёткой логики при программном контроле знаний // Открытое образование. 2004.Гроп Д. Методы идентификации. – М.: Наука, 1979.
10. Сейдж Э., Мелса Д. Индентификация систем управления. – М: Наука, 1974. – 247с.
11. Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. – М.: Горячая линия – Телеком, 2007.