Содержание к диссертации
Введение
1. Системный анализ технологий проектирования систем управления слабоформализуемыми объектами 11
1.1. Анализ проблем управления при неполноте информации об объекте и его слабой формализации 12
1.2. Формирование интеллектуальной управляющей системы на основе нейросетевых технологий 15
1.3. Цель и задачи исследования 34
2. Оптимизация построения нейросетевых моделей управления слабоформализуемыми объектами 35
2.1. Синтез систем управления на основе многослойных нейронных сетей 36
2.2. Разработка технологии оптимальной настройки нейросетевой модели
на решение задач управления 42
2.3. Управление слабоформализуемыми объектами с применением многослойных нейронных сетей ; 53
Выводы второй главы 65
3. Алгоритмизация принятия управленческих решений с использованием нейросетевых систем управления 66
3.1. Диагностика развития осложнений у кардиохирургических больных в послеоперационный период на основе нейросетевых систем управления ... 67
3.2. Применение прогностических моделей течения атеросклеротического поражения различной локализации при выборе оптимальной стратегии лечения пациента 74
3.3. Проведение экспертного оценивания влияния организационной культуры предприятия на эффективность его функционирования 82
Выводы третей главы 91
4. Разработка системы интеллектуальной поддержки управления слабоформализуемыми объектами 92
4.1. Программная реализация нейрокомпьютерного эмулятора 92
4.2. Управление слабоформализуемыми объектами с применением нейрокомпьютерного эмулятора 103
4.3. Применение системы для моделирования течения атеросклеротического поражения при выборе оптимальной стратегии лечения пациента на базе Воронежской областной клинической больницы № 1 111
Выводы четвертой главы 115
Заключение 116
Список литературы 118
Приложения 133
- Анализ проблем управления при неполноте информации об объекте и его слабой формализации
- Синтез систем управления на основе многослойных нейронных сетей
- Диагностика развития осложнений у кардиохирургических больных в послеоперационный период на основе нейросетевых систем управления
- Управление слабоформализуемыми объектами с применением нейрокомпьютерного эмулятора
Введение к работе
Актуальность темы. Последние фундаментальные результаты общей теории самоорганизации показывают, что современная наука управления, как и другие науки, начинает переходить на путь естественности, т.е. на новые концептуальные основы. К такому новому направлению в современной науке управления относится теория нейросетевых самообучающихся систем.
На практике объективно существуют причины, вследствие которых классические подходы к достижению необходимых целей управления на основе обратной связи по измеряемым сигнальным переменным оказываются недостаточными из-за априорной и текущей неполноты информационного обеспечения систем управления.
Неполнота информации об управляемом объекте приводит, во-первых, к снижению качества работы системы и даже к потере ее устойчивости, т.е. работоспособности; во-вторых, к последующему увеличению затрат на расчет и реализацию более эффективной системы управления для сохранения требуемого качества ее функционирования; в-третьих, к снижению возможности эволюции аппаратно-программного обеспечения системы в процессе ее эксплуатации.
Потенциальные приложения искусственных нейронных сетей просматриваются в тех задачах, когда в силу неопределенности, например из-за недостатка информации, традиционные решения не эффективны, а обычные вычисления непомерно трудоемки или же не адекватны решаемой задаче. Искусственные нейронные сети применяются для решения множества задач обработки информации, диагностики болезней и состояния технических устройств, для прогнозирования событий.
Управление на основе многослойной нейронной сети позволяет решать трудно формализуемые задачи управления сложными социально экономическими объектами в тех нередких случаях, когда априорные "жесткие" модели и алгоритмы не адекватны реальному состоянию управляемого процесса.
Многослойные нейронные сети находят применение и как идентификаторы состояния нелинейных динамических объектов, успешно конкурируя с традиционными линейными и нелинейными идентификаторами. В силу упомянутых свойств такие сети служат универсальным средством построения моделей практически любых нелинейных структур, в том числе и нестационарных.
С позиций современной теории управления применение многослойных нейросетей как регуляторов объектов адекватно задачам, возникающим в тех нередких случаях, когда аналитический синтез системы управления становится весьма трудоемкой задачей из-за сложности или недостоверности используемой математической модели объекта. Такая ситуация неизбежна, если объект - многосвязный и содержит нелинейности, а его функционирование сопровождается неконтролируемыми изменениями во времени его динамических свойств.
В силу относительной новизны теоретическая проработка управления социально-экономическими объектами на основе нейросетевых технологий отечественными специалистами выглядит еще весьма скромно, а требуемое для интеллектуальной поддержки программное обеспечение практически отсутствует. В этой ситуации особую значимость приобретает исследование возможностей повышения эффективности управления слабоформализуемыми объектами (СФО) на основе нейросетевых технологий, а так же разработка специализированного программного комплекса интеллектуальной поддержки.
Таким образом, актуальность диссертации определяется необходимостью повышения эффективности управления СФО на основе выбора оптимальных управляющих воздействий с использованием современных нейросетевых технологий.
Диссертационная работа выполнена в рамках одного из основных направлений Воронежского государственного технического университета "Проблемно-ориентированные системы управления "
Цель и задачи исследования. Целью исследования является разработка моделей, алгоритмов и информационного комплекса, обеспечивающих повышение эффективности управления слабоформализуемыми объектами в социально-экономических системах на основе неиросетевых технологий, а также создание методологии выбора оптимальных управляющих воздействий.
Для достижения поставленной цели необходимо решить следующие задачи:
проанализировать пути повышения эффективности управления СФО в социально=экономических системах на основе неиросетевых технологий и определить основные требования к интеллектуальной системе управления состоянием объекта;
исследовать особенности проектирования и настройки неиросетевых моделей управления, оценить эффективность алгоритмов обучения, и определить методы проектирования оптимальной нейросетевой структуры;
разработать алгоритмическое обеспечение принятия управленческих решений в социально-экономических системах на основе неиросетевых технологий;
разработать методику проведения моделирования состояния СФО под воздействием управляющих воздействий на основе неиросетевых технологий.
разработать программно-методический комплекс интеллектуальной поддержки управления СФО в социально-экономических системах, обеспечивающий помощь проблемно-ориентированному специалисту при решении задач выбора наиболее эффективных воздействий;
внедрить результаты исследования в практику управления СФО с использованием компьютерной системы.
Методы исследования. При выполнении работы использованы основные положения системного анализа, методы нейросетевого моделирования, математической статистики, исследования операций и принятия решений, теории управления.
Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:
схема автоматизированного управления СФО, отличающаяся использованием многослойной нейронной сети прямого действия в качестве инструмента формирования функций управления, соответствующих целевым условиям;
алгоритм построения самообучающихся нейросетевых систем управления СФО, обеспечивающий оптимальный выбор топологии нейросетевой модели, и использующий на этапе обучения модификацию градиентного алгоритма обратного распространения ошибки, в котором величина шага на каждой итерации определяется инерционным соотношением в соответствии с предварительной оценкой характера связи;
многоэтапная схема оптимизации структуры нейросетевой модели отличающаяся последовательным упрощением нейронной сети за счет удаления наименее значимых синапсов и нейронов;
структура системы интеллектуальной поддержки управления СФО, позволяющая на основе программного нейроимитатора отрабатывать в автоматическом и интерактивном режимах предпочтительный вариант управляющих воздействий на планируемый период времени.
Практическая ценность работы и результаты внедрения. Разработано методическое обеспечение по проведению моделирования состояния СФО в социально-экономических системах под воздействием управляющих воздействий на основе нейросетевых технологий. Создан программно-методический комплекс интеллектуальной поддержки управления СФО, обеспечивающий помощь проблемно-ориентированному специалисту при решении задач выбора наиболее эффективных воздействий. На основе комплекса разработано методическое обеспечение диагностики влияния состояния организационной культуры компании на эффективность ее деятельности, создан программно-методической комплекс прогнозирования эффективности терапии атеросклероза различных локализаций.
Результаты работы внедрены в практику Воронежской областной клинической больницы №1. Это позволило при лечении больных с атеросклеротическими поражениями различной локализации повысить эффективность терапии и снизить потребность в дорогостоящих импортных лекарственных препаратах за счет выбора оптимальной стратегии лечения пациента.
Апробация работы. Результаты диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: Всероссийской конференции "Интеллектуальные информационные системы" (Воронеж, 2004), Всероссийской конференции "Интеллектуальные информационные системы" (Воронеж, 2000-2002), Международной конференции "Interactive systems: The problems of human- computer interaction" (Ульяновск, 1999).
Публикации. По теме диссертации опубликовано 17 печатных работ.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка используемой литературы, включающего 169 наименований, приложения. Основная часть работы изложена на 135 страницах, содержит 19 рисунков и 3 таблицы.
Во введении обосновывается актуальность работы, формируются цель и задачи исследования, основные научные результаты, выносимые на защиту, дается краткая характеристика работы.
В первой главе диссертации рассматриваются подходы к решению задачи управления сложными динамическими объектами в условиях неполноты априорной и текущей информации об их математических моделях. Рассматривается возможность применения нейросетевых моделей для повышения эффективности управления СФО. Анализируются преимущества применения нейросетевых систем управления. Формируется общая схема автоматизированного управления слабоформализуемыми объектами на основе методов нейросетевого моделирования
Вторая глава посвящена вопросу управления слабоформализуемыми объектами с применением многослойных нейронных сетей. Исследуется синтез систем управления на основе нейронных сетей, при этом многослойная нейронная сеть прямого действия интерпретируется как инструмент для формирования функций управления, соответствующих целевым условиям, моделям объектов и воздействий внешней среды. Рассматривается задача структурного синтеза динамических систем с нейросетями, обучаемыми в темпе поступления данных измерения. Формируется общая схема обучения нейросетевых моделей. Предлагается технология оптимальной настройки нейросетевой модели на решение задачи управления.
Третья глава посвящена алгоритмизации принятия управленческих решений с использованием нейросетевых систем управления. Использование нейросетевого моделирования обеспечивает большой эффект в задачах, решаемых традиционными методами статистического анализа: регрессионного, ковариационного, дискриминантного и т.д. В данной главе рассматривается диагностика развития осложнений у кардиохирургических больных в послеоперационный период на основе нейросетевых систем управления. Предлагается применять прогностические модели течения атеросклеротического поражения различной локализации при выборе оптимальной стратегии лечения пациента. Рассматривается разработка, на основе нейросетевых технологий и методов экспертного оценивания, инструмента для автоматизированной диагностики влияния состояния оргкультуры фирмы на эффективность ее деятельности.
В четвертой главе рассматривается реализация системы интеллектуальной поддержки управления слабоформализуемыми объектами и ее использование для прогнозирования эффективности терапии атеросклероза различных локализаций в Воронежской областной клинической больнице.
Аналитический подход к структурному синтезу нейросетевых систем управления целесообразно сочетать с компьютерным моделированием, поэтому первоначально был создан инструмент, который позволил использовать теоретические наработки в практике создания нейросетевых систем управления слабоформализуемыми объектами. Для решения задачи построения нейросетевых систем управления был разработан нейропакет, позволяющий разрабатывать нейромодели различной топологии, используя для их обучения самостоятельно разрабатываемые алгоритмы. Программный комплекс дает возможность использования нейросетевых методов как инструмента научных исследований, с помощью которого можно изучать объекты и явления.
С целью использования в практической деятельности врача нейросетевой модели прогнозирования развития атеросклероза была разработанная специальная программа, обеспечивающая интуитивно понятный интерфейс. Данная программа была использована для создания автоматизированного рабочего места врача в Воронежской областной клинической больнице №1.
В заключении приведены основные результаты работы.
Анализ проблем управления при неполноте информации об объекте и его слабой формализации
Окружающая нас среда жизнедеятельности - это мир разнообразных систем - экологических, биологических, технических, экономических и социальных, находящихся во взаимодействии друг с другом. Образуя весьма сложную и подвижную техносферу, эти системы ставят человека перед необходимостью оперативного решения разнообразных задач управления. Сферой управления охватываются все области человеческой деятельности -материальное производство, экономика, наука, социальные отношения, экология. Наука об управлении является неотъемлемой и одной из основных составляющих научной революции нашего времени, она возникла в результате осмысления и обобщения многих других наук. К управляемым процессам относятся, как правило, и биологические в отличие от явлений неживой природы. Такое свойство обеспечивает живым организмам высокую адаптивность (приспособляемость). Для живых систем одна из главных целей управления состоит в максимальном сохранении (гомеостазисе) при действии различных возмущений со стороны внешней среды.
Теория управления отражает современный взгляд на науку как некоторое конструктивное начало, а не только как на пассивное наблюдение за природными процессами и явлениями- Вплоть до последнего времени наука уделяла основное внимание изучению естественно - энергетической организации природных систем, оставляя несколько в стороне такую важную их особенность, как управление с целью самосохранения, причем в максимально возможной степени. В настоящее время возникла настоятельная необходимость выявления механизмов управления, действующих в природных системах и лежащих в основе их функционирования и развития. Здесь уместно остановиться на понятии "естественное движение" в динамических системах. В классической механике под этим понятием подразумевается движение тела в соответствии с объективными законами механики, т.е. без заранее поставленной цели. Известно, что уравнения систем классической (гамильтоновой) механики обратимы, фазовый объем при их движении остается постоянным и поэтому в них нет места диссипативным структурам вдали от положения равновесия. Открытие же общего явления самоорганизации систем любой (физической, биологической, социальной) природы существенно изменило содержание понятия "естественное движение", придав ему смысл естественного самоуправления. Такое самоуправление приобретает свою цель — попадание на желаемую структуру: аттрактор. Именно аттракторы и отражают внутренний смысл и содержание данной системы. Это своего рода внутренний план действий с целью "выпадения" на аттрактор, т.е. самодостраивания структуры нелинейной системы. Самодостраивание, самодвижение — замечательное свойство природных систем, согласно которому даже в результате случайного попадания в область притяжения аттрактора движение само собой организуется. Другими словами, в результате действия механизмов самоорганизации и самоуправления в системе возникает направленность на возникающее целое, она выбирает свой путь эволюции.
Классическая теория управления успешно освоила методы довольно жесткого централизованного внешнего воздействия на различные объекты и процессы. Однако уже наступило время пересмотра силовых подходов в задачах управления и перехода на современные идеи самоорганизации. Возникла насущная потребность поиска путей целевого воздействия на процессы самоорганизации в нелинейных системах. Другими словами, возникла необходимость создания способов формирования и возбуждения внутренних сил взаимодействия, которые могли бы породить в фазовом пространстве систем устойчивые диссипативные структуры, адекватные физической (биологической, социальной) сущности соответствующей системы. Последние фундаментальные результаты общей теории самоорганизации показывают, что современная наука управления, как и другие науки, начинает переходить на путь естественности, т.е. на новые концептуальные основы. В свойстве самоуправляемости и направленной самоорганизации нелинейных систем проявляется новый взгляд на проблему управления, видна тенденция перехода от классических методов централизованного управления кибернетики к современным методам синергетики и теории самоуправления.
К такому новому направлению в современной науке управления относится развиваемая в работе теория нейросетевых самообучающихся систем. Эта теория опирается на применение нейронных сетей, включающих аналоги биологических нейронов — некоторых базовых процессорных элементов, связанных в соответствующую сеть. Конфигурация сети может автоматически изменяться в зависимости от решаемой системой управления технологической задачи и параметров внешней среды, настраиваясь на требуемую выходную реакцию. Совершенно очевидно, что нейросетевые системы открывают новые перспективы для решения широкого класса задач обработки информации и управления в разнообразных областях.
Синтез систем управления на основе многослойных нейронных сетей
Искусственные нейронные сети, они же коннекционистские или связевые системы представляют собой устройства, использующие огромное число элементарных условных рефлексов, называемых по имени недавно умершего канадского физиолога синапсами Хебба.
Суть всех подходов нейроинформатики: разработка методов создания (синтеза) нейронных схем, решающих те или иные задачи. Нейрон при этом выглядит как устройство очень простое. Собственно, устройства нейроинформатики представляют собой связевые системы. В отличие от цифровых микропроцессорных систем, представляющих собой сложные комбинации процессорных и запоминающих блоков, нейропроцессоры содержат память, распределенную в связях между очень простыми процессорами. Тем самым основная нагрузка на выполнение конкретных функций процессорами ложится на архитектуру системы, детали которой в свою очередь определяются межнейронными связями.
Ядром используемых представлений является идея о том, что нейроны можно моделировать довольно простыми автоматами, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами. Каждая связь представляется как совсем простой элемент, служащий для передачи сигнала.
На первый взгляд кажется, что связевые системы не допускают прямого программирования, то есть формирования связей по явным правилам. Это, однако, не совсем так. Существует большой класс задач: нейронные системы ассоциативной памяти, статистической обработки, фильтрации и др., для которых связи формируются по явным формулам. Но еще больше задач требует неявного процесса. По аналогии с обучением животных или человека этот процесс также называют обучением. Доказано, что с помощью нейронных сетей можно сколь угодно точно аппроксимировать любую непрерывную функцию и имитировать любой непрерывный автомат [32]. В конечном итоге решение практически любой задачи можно описать, как построение некоторой функции, перерабатывающей исходные данные в результат.
Все неалгоритмируемые или трудноалгоритмируемые задачи, решаемые нейронными сетями, можно классифицировать на два принципиально различающихся типа в зависимости от характера ответа - задачи классификации и задачи предикции.
Задачи классификации - основная и очень обширная группа медико-биологических задач. Ответом в них является класс - выбор одного варианта из заранее известного набора вариантов. Классификация может быть бинарной (элементарная классификация) - в этом случае набор возможных ответов состоит из двух вариантов (классов), и n-арной, где число классов более двух. Примерами бинарной классификации могут служить как объективные категории (пол человека - мужской или женский; характер опухоли -доброкачественный или злокачественный), так и субъективные категории (здоров человек или болен; наличие или отсутствие склонности к простудным заболеваниям). В некоторых случаях не представляется возможным отнесение ответа задачи к объективной или субъективной категории, и это не имеет принципиального значения для обучения и работы нейросетевой экспертной системы.
Важной чертой задачи классификации по определению является возможность выбора одного и только одного варианта решения (класса). Поэтому постановка диагноза не может считаться одной классификационной задачей, т.к. у одного человека может одновременно присутствовать несколько патологий. В случае невозможности выбирать один вариант ответа (множественности выбора) задача подразделяется на подзадачи, каждая из которых представляет собой классификационную задачу. Другой вид задач для нейросетей - задачи предикции, или предсказания. Они подразделяются на предсказание числа (одномерная предикция) и вектора (векторная предикция, более общий случай). Отличие от классификационных задач заключается в том, что ответ в задачах предикции может быть дробным и принимать любые значения на каком-либо интервале.
Векторная предикция предполагает, что ответ может быть представлен в виде нескольких независимых друг от друга чисел, образующих точку (или вектор) в многомерном пространстве, размерность которого равно количеству предсказываемых чисел. Число координат вектора называется при этом размерностью вектора ответа.
При решении реальных задач возможны различные комбинации предикции и классификации, и постановка задачи должна быть сделана самим предметным специалистом.
Для обучения нейронной сети необходима обучающая выборка (задачник), состоящая из примеров. Каждый пример представляет собой задачу одного и того же типа с индивидуальным набором условий (входных параметров) и заранее известным ответом. Например, в качестве входных параметров в одном примере могут использоваться данные обследования одного больного, тогда заранее известным ответом в этом примере может быть диагноз. Несколько примеров с разными ответами образуют задачник. Задачник располагается в базе данных, каждая запись которой является примером.
Диагностика развития осложнений у кардиохирургических больных в послеоперационный период на основе нейросетевых систем управления
Коррекция системы гомеостаза - важнейший элемент интенсивной терапии у кардиохирургических больных. Для своевременного медицинского вмешательства требуется точный механизм диагностики имеющихся у больного осложнений, что должно помочь врачу адекватно оценить состояние пациента и принять верное решение по стратегии его ведения. Задержки в распознании наличия у больного осложнений, или упущение из виду наличия одного из них при полиорганной недостаточности, может привести к самым тяжелым последствиям вплоть до летального исхода. В условиях нестабильности состояния больного развитие положительных тенденций в динамике ведения кардиохирургического больного позволяет повысить эффективность борьбы с полиорганной недостаточностью, добиться снижения летальности и уменьшения среднего пребывания больного на реанимационной койке.
Использование инновационных технологий основанных на компьютеризации процесса анализа влияния показателей состояния кардиохирургических больных на возникновение послеоперационных осложнений позволяет решить ряд острых проблем: ускорить получение оперативной информации и создать архивы данных, получить из простейших показателей сложные расчетные, принять решение о физиологических механизмах патологии и о выборе средств интенсивной терапии. Благодаря этому сокращается время обнаружения изменений до принятия оптимального решения, улучшаются исходы интенсивной терапии и сокращаются ее сроки. Несмотря на то, что компьютеризация послеоперационной терапии увеличивает материальные затраты, экономически она выгодна, благодаря повышению эффективности усилий и сокращению продолжительности лечения.
Таким образом, использование компьютерных технологий является не просто техническим усовершенствованием клинического и функционального исследования больных: это потенциально новая форма работы в повседневной практике интенсивной терапии, которая имеет главные черты клинической физиологии - функциональное исследование, определение физиологического механизма нарушений, выбор средств функциональной коррекции с оперативным контролем эффективности.
В настоящее время не существует математических моделей идентификации осложнений у кардиохирургических больных. Такое состояние развития алгоритмического обеспечения врачей-реаниматологов объясняется в первую очередь трудностью построения оптимального признакового пространства, на котором можно было бы создать универсальную модель диагностики осложнений, учитывающую все признаки их проявления у больного. Кроме этого до конца не определен механизм возникновения осложнений, что в свою очередь затрудняет алгоритмизацию их диагностики.
Однако применение современных технологий, таких как нейромоделирование предоставило возможность поиска глубинных закономерностей в запутанных данных, а использование математических методов оптимизации признакового пространства при анализе статистических данных по лечению кардиохирургических больных собранных в областной клинической больнице позволило выявить перечень параметров от которых зависит развитие послеоперационных осложнений.
Задача диагностики развития осложнений у кардиохирургических больных относится к задачам классификации. Точность моделей заболеваний, построенных на основе классификационных методов в значительной мере зависит от количества учитываемых параметров. Одновременно с увеличением числа параметров значительно возрастают затраты вычислительных ресурсов. Поэтому оптимальный выбор признакового пространства в значительной мере обеспечивает эффективность и качество функционирования алгоритмических схем. Критерием оптимальности является минимизация числа измеряемых параметров при условии обеспечения достаточной информативности выбранной параметрической системы. Степень оптимальности и корректности процедур минимизации определяют надежность и достоверность построенных моделей.
Так как при построении многофакторных корреляционных моделей одной из предпосылок обоснованности конечных результатов является требование отсутствия мультиколлинеарности включенных в модель признаков-факторов, предварительно следует произвести оптимизацию признакового пространства.
Для оптимизации признакового пространства будем использовать метод "дискретных корреляционных плеяд". Суть его заключается в формировании плеяд параметров со значимым признаком сходства и последующей заменой этих плеяд на единственный (головной) параметр, обладающий наибольшим весом по отношению к прочим. При этом оказывается возможным установить функциональную зависимость каждого из параметров с головным параметром, что позволяет в дальнейшем судить об их значениях.
Управление слабоформализуемыми объектами с применением нейрокомпьютерного эмулятора
При конструировании систем управления на основе нейромоделей разработчик имеет, как правило, следующие исходные данные: - формулировку решаемой задачи; - размерность вектора входных сингналов; - размерность вектора выходных сигналов; - точность решения задачи. При этом он должен определить и назначить: - вид топологии сети; - общее число нейронов в сети и число нейронов по слоям; - вид функции активации нейронов; - способ задания коэффициентов синаптической связи; - метод доказательства работоспособности новой сети. Предлагаемая методика проектирования нейросетевой системы управления содержит следующие основные этапы: 1. Математическая постановка задачи; 2. Геометрическая постановка задачи; 3. Нейросетевая постановка задачи: 3.1. описание исходных данных; 3.2. определение входного сигнала НС; 3.3. формирование функционала первичной оптимизации НС при решении поставленной задачи; 3.4. определение выходного сигнала НС; 3.5. определение желаемого выходного сигнала НС; 3.6. определение вектора сигнала ошибки нейронной сети при решении задачи; 3.7. формирование функционала вторичной оптимизации НС через сигналы в системе; 3.8. выбор метода поиска экстремума функционала вторичной оптимизации НС; 3.9. аналитическое определение преобразования, осуществляемое НС Рассмотрим более подробно технологию применения мастера создания нейромоделей для настройки НС на решение прикладной задачи (рис. 4.4). Технология настройки НС является итерационной процедурой. Если построенная модель НС не удовлетворяет требованиям пользователя или технического задания, приходится многократно возвращаться к отдельным блокам для уточнения параметров модели.
Рассмотрим проектирование нейросетевой модели прогнозирования течения атеросклеротического поражения. Прежде всего необходимо решить проблемы, связанные с представлением обучающей информации, поскольку от этого во многом зависит скорость и качество обучения НС.
Данные, подаваемые на вход нейронной сети, могут быть измерены в различных шкалах. Под шкалой понимается тройка где Е - некоторая «эмпирическая система» с отношениями Е ={S,R}, в которой S - множество свойств объектов, a R - множество отношений между объектами по этим свойствам; JV—некоторая знаковая система (обычно числовая), может быть представлена в следующем виде: N=M, Рг Р2, ..., Рт где М- множество чисел (например, множество всех действительных чисел), a Pt -определенные отношения на числах, выбранных так, чтобы с их помощью однозначно отображались соответствующие отношения R из эмпирической системы; ф - конкретный способ отображения Е на N.
Упорядоченная тройка Е, N, ф называется абсолютной шкалой, если ее допустимое преобразование является тождественным преобразованием: ср(х) = х. Примером может служить шкала, опирающаяся на процедуру счета. Результатом измерения при этом является число, выражающее количество элементов в множестве. Если это число заменить другим, то потеряется основная информация о множестве.
Примером шкалы более слабого типа является шкала отношений. Для шкалы отношений допустимым преобразованием данных является умножение их на одно и то же число.
