Помощь в написании студенческих работ
Антистрессовый сервис

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

Диссертация: Модели и алгоритмы интеллектуальных систем поддержки принятия решения на основе каскадной нейро-нечеткой сети
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Разработана структура СППР, позволяющая в основном режиме проектировать интеллектуальные системы, а в обеспечивающем режиме использовать созданные системы для решения стоящих задач и осуществлять статистический анализ данных. Структура имеет в своем составе три основных модуля и две базы. Метод построения интеллектуальной системы поддержки принятия решений основывается на алгоритмах, предложенных… Читать ещё >

Модели и алгоритмы интеллектуальных систем поддержки принятия решения на основе каскадной нейро-нечеткой сети (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. ХАРАКТЕРИСТИКА ПРОБЛЕМЫ ПОСТРОЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ
    • 1. 1. Особенности принятия решений в условиях 12 неопределенности
    • 1. 2. Способы оценки количества информации и энтропии в 19 экспериментальных данных
    • 1. 3. Статистические методы в обработке экспериментальных 26 данных
    • 1. 4. Гибридная система на основе нечеткой логики и 33 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- 55 тивных признаков
    • 2. 4. Выводы
  • Глава 3. РАЗРАБОТКА АЛГОРИТМОВ ПРИНЯТИЯ РЕШЕНИЯ НА
  • ОСНОВЕ НЕЙРО-НЕЧЕТКОЙ СЕТИ
    • 3. 1. Алгоритм построения модели каскадной нейро-нечеткой 62 сети
    • 3. 2. Алгоритм выделения контрольной и обучающей 66 выборки
    • 3. 3. Тестирование работы предложенных алгоритмов при 68 различных начальных настройках
    • 3. 4. Выводы
  • Глава 4. ПРОЕКТИРОВАНИЕ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ 78 РЕШЕНИЙ НА ПРИМЕРЕ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ДИАГНОСТИКИ 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 90 легких
    • 4. 6. Реализация автоматизированной системы диагностики 95 заболеваний легких на базе Дальневосточного научного центра физиологии и патологии дыхания
    • 4. 7. Выводы
  • Заключение 110 Библиографический
  • список
  • Приложение П. 1. Результат статистического анализа параметров нейрофизиологического обследования

Приложение П. 2. Руководство пользователя программы «Автоматазированная система диагностики заболеваний легких» Приложение П. З. Результат проектирования подсистем диагностики в 139 АСДЗЛ

Актуальность темы

Современное развитие различных областей человеческой деятельности характеризуется ростом в них информационной составляющей, представляющей собой опыт, накопленный при решении конкретных задач в прошлом. В настоящее время, структура информационной составляющей такова, что получение на ее основе строгой математической модели посредством методов интерполяции или экстраполяции, сводящихся к задаче построения линейных регрессионных уравнений, весьма затруднительно, а в* некоторых случаях невозможно1. В условиях недетерминированной системы (где отсутствует четкая функциональная связь между причиной и следствием) накладываются значительные ограничения на использование распространенных методов системного анализа — например' статистики. В таких условиях хорошо зарекомендовали* себя интеллектуальные системы, построенные на основе теории нечетких множеств и нейронных сетей. Использование интеллектуальных систем оправдывается не только-их хорошими1 аппроксимирующими способностями, но и возможностью построения прозрачных правил вывода решений для эксперта (как, например, в нечеткой логике).

Каждый из методов интеллектуальных систем имеет свои достоинства и недостатки, что в отдельности позволяет с их помощью-решать только идеализированные «игровые» задачи, тогда как при решении практических задач принято объединять различные подходы в гибридные интеллектуальные системы. Данные подходы можно использовать для построения систем поддержки принятия решений в задачах прогнозирования, классификации, диагностики и т. п. Как правило, указанные системы проектируются под решения конкретной задачи, с имеющимися в ней частными ограничениями, что зачастую не позволяет использовать их в других задачах. Одним из таких ограничений выступает априорная неопределенность фактора полезности того или иного входного признака используемого для предсказания значений выхода, либо когда между данными присутствует корреляция, что не оправдывает использования' громоздких нелинейных моделей.

В этой связи разработка интеллектуальных систем, которые обладали бы достаточной гибкостью в условиях априорной неопределенности и наличия различных ограничений, является актуальной задачей, представляющей научный интерес.

К основным результатам по созданию интеллектуальных систем на основе нечеткой логики и нейронных сетей относятся работы А. В. Гаврилова, А. Н. Горбань, Р. Ю. Голунова, А. А. Ежова, А. Н. Кирдина, В. В. Круглова, Д. А. Поспелова, С. А. Терехова, Н. Г. Ярушкиной, Э. Кьюсиака, В. Пилиньского, JI. Рут-ковского, L.A. Zadeh, F. Rosenblatt, Т. Tagagi, М. Sugeno, Е.Н. Mamdaniа. также вклад в теорию информации внесли работы К. Э. Шеннона, А. Н. Колмогорова, И. М. Коган, С. М. Коротаева, S. Haykin, Dongxin Xu.

Целью исследования является разработка модели классификации объекта на основе каскадной нейро-нечеткой сети и алгоритмов функционирования интеллектуальных систем поддержки принятия решений.

В ходе достижения цели решались следующие задачи:

— разработка алгоритма нормирования экспериментальных данных;

— разработка алгоритма выделения пространства информативных признаков из экспериментальных данных;

— разработка алгоритма построения модели каскадной нейро-нечеткой сети на основе адаптивной нейро-нечеткой сети по экспериментальным данным;

— разработка модели интеллектуальной системы поддержки принятия решения;

— реализация программных средств обеспечения имитационного моделирования разрабатываемых алгоритмов и моделей для решения задач поддержки принятия решений;

— проведение статистического анализа результатов рэографии, электроэнцефалографии, ультразвуковой допплераграфии и изокапнической гипервентиляции холодным воздухом больных с заболеваниями легких;

— применение полученных теоретических результатов для построения модели имитации принятия решения при диагностике заболеваний легких.

При решении этих задач использованы результаты исследований больных с заболеваниями легких, полученных в РАМН СО ГУ Дальневосточный научный центр физиологии и патологии дыхания.

Основные методы исследования базируются на математическом аппарате теории нечетких множеств и нейронных сетей, теории вероятностей и математической статистики, теории информации и теории принятия решений, методах вычислительной математики и математического программирования. Для практических исследований использована среда «Matlab».

Достоверность полученных в диссертации результатов подтверждается: результатами моделирования предлагаемых алгоритмовсоизмеримостью ошибок обучающей и проверочной выборок в предложенных моделяхсопоставимость с результатами других исследований.

Предмет исследования: модели интеллектуальных систем поддержки принятия решения, для диагностики заболеваний легкихалгоритмы и комплексы программ.

В * построенных моделях интеллектуальных систем в качестве диагностических признаков выступают результаты рэографии, электроэнцефалографии, ультразвуковой допплераграфии и изокапнической гипервентиляции холодным воздухом.

Научная новизна работы:

— разработана математическая модель каскадной нейро-нечеткой сети;

— разработаны алгоритмы выделения пространства информативных признаков, построения каскадной нейро-нечеткой сети и выделения контрольной и обучающей выборки из экспериментальных данных;

— предложена модель структуры интеллектуальной системы поддержки принятия решения по экспериментальным данным, имеющих различные законы распределения, различные диапазоны изменения, групповую корреляцию и выраженную нелинейность;

— разработан программный комплекс для построения интеллектуальных систем поддержки принятия решения.

Научная и практическая значимость работы:

Основные результаты диссертационной работы были получены автором при проведении исследований, выполнявшихся в 2006 — 2007 гг. в рамках программы «Системный анализ и моделирование влияния экологических и социальных факторов на здоровье населения Дальневосточного региона на основе применения современных информационных технологий с целью прогнозирования и разработки систем принятия управленческих решений в социальной сфере для обеспечения национальной безопасности», утвержденной постановлением Президиума ДВО РАН № 147 от 15 декабря 2005 г.

Разработан комплекс инструментальных средств обработки и формализации нечеткой информации, полученной из массива экспериментальных данныхрезультаты диссертационной работы реализованы в приложении с использованием среды Matlab.

На основе полученных результатов реализована автоматизированная система диагностики заболеваний легких по нейрофизиологическимпараметрам и результатам изокапнической гипервентиляции холодным воздухом, состоящая из нескольких программ. В РАМН СО ГУ Дальневосточный научный центр физиологии и патологии дыхания внедрена и используются в лечебном процессе автоматизированная система диагностики заболеваний легких.

Положения, выносимые на защиту:

1. Алгоритм выделения пространства информативных признаков на основе метода независимых компонент с использованием предложенной матрицы смешивания и ограничивающим функционалом, позволяющих уменьшить количество настраиваемых параметров.

2. Алгоритм построения модели каскадной нейро-нечеткой сети путем соединения адаптивных нейро-нечетких сетей по функционалу кросс-энтропии.

3. Алгоритм выделения контрольной и обучающей выборки из экспериментальных данных с минимальным различием в законах распределения;

4. Автоматизированная система диагностики заболеваний легких на основе моделей интеллектуальных систем.

Апробация работы. Основные положения и отдельные результаты работы докладывались и обсуждались на научных конференциях: XV региональной научно-практической конференции «Молодежь XXI века: шаг в будущее» (Благовещенск, 2004 г.), IV Всероссийской научно-технической конференции с международным участием «Энергетика: управление, качество и эффективность использования энергоресурсов» (Благовещенск, 2005 г.), Международной научной конференции «Математические методы в технике и технологиях — 19″ (Воронеж, 2006 г.), XIV Всероссийском семинаре „Нейроинформатика и ее приложения“ (Красноярск, 2006 г.), VII Международной научно-практической, конференции „Современная техника и технологии в медицине, биологии и экологии“ (Новочеркасск, 2006 г.), Научной» конференции «Системный анализ в медицине» (Благовещенск, 2007 г.), VII Международной научно-практической конференции: «Моделирование. Теория, методыи средства» (Новочеркасск, 2007 г.), Международной научной конференции: «Математические методы в технике и технологиях — 20» (Ярославль, 2007 г.), XV Всероссийском семинаре: «Нейроинформатика и ее приложения» (Красноярск, 2007 г.).

По результатам работы получен патент РФ № 2 316 999 «Способ диагностики бронхиальной астмы».

Публикации. Содержание диссертации отражено в 20 публикациях, приведенных в конце автореферата. В числе основных — 10 статьей, из них 4 опубликовано в ведущих рецензируемых журналах.

В работах, опубликованных в соавторстве, автору принадлежат следующие научные и практические результаты: в [8, 10, 17, 19] - метод решения и алгоритмы функционированияв [13] - постановка задачи, построение алгоритма нормирования данныхв [12] - постановка задачи, построение алгоритма создания каскадной нейро-нечеткой сетив [7, 9, 14, 16] — постановка задачи, построение системы диагностики.

Основные результаты работы, полученные автором самостоятельно и опубликованные без соавторства — [И, 15, 18, 20, 21].

Объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка цитируемой литературы и приложений. Работа изложена на 124 страницах основного текста и 27 приложения, содержит 35 рисунков, 137 наименования библиографических источников.

4.7. Выводы.

1. Разработана структура СППР, позволяющая в основном режиме проектировать интеллектуальные системы, а в обеспечивающем режиме использовать созданные системы для решения стоящих задач и осуществлять статистический анализ данных. Структура имеет в своем составе три основных модуля и две базы. Метод построения интеллектуальной системы поддержки принятия решений основывается на алгоритмах, предложенных во 2 и 3 главах. Система имеет открытую последовательную структуру, состоящую из блоков, и способна учитывать специфические ограничения (чрезмерную описательность входных данных, коррелированность данных, нелинейность данных) при проектировании. При отсутствии ограничений блоки допускается не использовать.

2. На примере разработки АСДЗЛ показано, что совместное применение интеллектуальных и статистических методов системного анализа информации позволяет строить прозрачные для медицинского работника системы диагностики. Если статистические методы дают возможность сократить вектор входных значений и обосновать применение выбранных признаков, то методы искусственного интеллекта позволяют формализовать априорно определенные данные в форме диагностических подсистем.

3. Результаты статистического анализа показателей обследования РЭГ, ЭЭГ, УЗДГ и ИГХВ пациентов с заболеваниями легких и здоровых людей доказали возможность применения этих видов обследования для диагностики заболеванию легких.

4. Предложена структура АСДЗЛ, состоящая из узлов и подсистем дифференциальной диагностики, реализует технологию многоагентных систем, где узлы работают асинхронно, а подсистемы в рамках узла — параллельно. Подсистемы способны диагностировать болезнь пациента по заданному методу обследования (РЭГ, ЭЭГ, УЗДГ и ИГХВ).

ЗАКЛЮЧЕНИЕ

.

Предлагаемая работа посвящена решению научных и практических задач, связанных с повышением эффективности и упрощением проектирования интеллектуальных систем, а также их применением для задач поддержки принятия решений. В результате проведенной работы получены следующие основные результаты.

1. Разработан способ предобработки, реализованный в виде двух последовательно используемых алгоритмов. Работа первого направлена на повышение информативности данных путем их преобразования по нелинейной функции, что приводит данные к единому закону равномерного распределения и единому диапазону распределения (-1,1). Работа второго направлена на сокращение размерности исходного пространства данных, что позволяет в последующем бороться с эффектом заучивания гибридной сетью обучающих данных. Критерием объединения признаков в группы для последующего сокращения выступает наличие линейной зависимости между данными, обнаруживаемой методом корреляционного анализа.

2. Разработан алгоритм построения модели каскадной нейро-нечеткой сети на основе адаптивной нейро-нечеткой сети — таким образом, что сеть имеет меньшее описание в отличие от адаптивной нейро-нечеткой сети, построенной для заданного пространства признаков. Это позволят существенно сократить машинное время создания сети. При создании алгоритма использован показатель эффективного размера адаптивной нейро-нечеткой сети, позволяющий по количеству входных данных определить необходимый размер обучающей выборки, а также разработан алгоритм выделения обучающей и контрольной выборки, что дает возможность создавать выборки с минимальным отличием.

3. Предложена модель структуры системы поддержки принятия решений, позволяющая проектировать интеллектуальные системы и использовать их для решения стоящих задач, а также осуществлять статистический анализ данных. Этапы проектирования интеллектуальной системы реализованы по алгоритмам, предложенным во 2 и 3 главах — таким образом, чтобы система имела открытую последовательную структуру, состоящую из блоков, и способна была учитывать ограничения, всегда присутствующие в реальных системах. Для предложенной структуры разработано программное обеспечение в среде Matlab.

4. Сделан статистический анализ результатов обследования РЭГ, ЭЭГ, УЗДГ и ИГХВ пациентов с заболеваниями легких и здоровых людей, который продемонстрировал возможность применения данных видов обследования для диагностики заболеваний легких.

5. Предложена АСДЗЛ, реализующая технологию многоагентных систем. Система состоит из нескольких подсистем, диагностирующих заболевание легких различными методами обследования (РЭГ, ЭЭГ, УЗДГ и ИГХВ).

6. Создана программа для ЭВМ, реализующая систему анализа данных и поддержку принятия решений диагностики заболеваний легкихона внедрена в Дальневосточном научном центре физиологии и патологии дыхания.

Показать весь текст

Список литературы

  1. С.А., Ешоков И. С., Мешалкин Л. Д. Прикладная статистика. Основы моделированиями первичная’обработка данных. — М.: Финансы и статистика, 1983.-471 с. «'
  2. С.А., Бухштабер BlMi, ЕнюковхИ-С. и др^ Классификация и снижение размерности- — М.: Финансы и статистика. 1989. — 607 с.
  3. М.А., Малишевский А. В. Некоторые аспекты общей теории выбора наилучших вариантов — Mi: Препринт Института проблем управления- 1980.
  4. Акопов В^И,. Маслов Е. Н. Право в> медицине: — Mi: Приоритет-стандарт. 2002. 1−28 с.
  5. С. Извлечение знаний из медицинских баз данных / 1999 — 134 с. http://www.megaputer.ru.
  6. А., ЭйзенС. Статистический анализ. Mi: Мир, 19 821 -488 с.
  7. Н.С., Еремин Е. Л., Перельман Ю. М. Автоматизированная система диагностики заболеваний легких.// Проблемы.управления. 2007.- № 5. -С. 75−80.
  8. Ю.Безруков Н-С., Еремин Е. Л. Выделение информативных признаков для системы поддержки принятия решения на основе нейро-нечеткой сети // Нейрокомпьютеры: разработка* применение. 2008. -№ 1−2. С. 12−19.
  9. H.G. Способ построения каскадной нейро-нечеткой сети //
  10. Информатика и системы управления. 2007. — № 1(13). — С. 40−45.
  11. Н.С., Еремин E.JI. Построение и моделирование адаптивной нейро-нечеткой системы в задаче медицинской диагностики // Информатика и системы управления. 2005. — № 2(10). — С. 36−46.
  12. Н.С., Еремин Е. Л., Ермакова Е. В., Колосов В. П., Перельман Ю. М. Автоматизированная система „Medical Toolbox“ для диагностики бронхиальной астмы по показателям реоэнцефалографии // Информатика и системы управления 2006. — № 1(11). — С. 73−80.
  13. Н.С. Особенности-построения диагностической системы на основе гибридной сети при неполных данных // Вестник АмГУ. Естественные и экономические науки. 2006. — № 33. — С. 60−63.
  14. Безруков! Н.С., Ермакова Е. В. Диагностика бронхиальной астмы по ' параметрам лектроэнцефалограммы на основе адаптивной нейро-нечеткой сети // Вестник АмГУ. Естественные и экономические науки. 2006. — № 35. — С. 3436.
  15. Н.П. Электроэнцефалография в клинике //Физиологические методы в клинической практике. -Л.-1966.-С.42−65.
  16. В.П., Боровиков И.П. Statistica. Статистический анализ и обработка данных в среде Windows М.: Информационно-издательский дом „Филин“, 1997, — 608 с.
  17. М.Л. Теория и алгоритм обучения в кибернетических системах медицинской диагностики. // Вычислительная техника в физиологии и медицине.-М: Наука, 1968, с.21−38.
  18. М.Н. Алгоритм обучения распознаванию образов „Кора“. // Алгоритмы обучения распознаванию образов. — М.: Сов. Радио, 1973, с. 110−116.
  19. А.А., Брайнес С. Н., Браиловский В. Л. О применении метода автоматической классификации к некоторым задачам медицины. // Вычислительная техника в физиологии и медицине. — Наука — М: 1968, с. 38 41.
  20. В.В. Эффективность диагностических исследований. — М.:1. Наука, 1983.-416 с.
  21. А.В. Гибридные интеллектуальные системы. Новосибирск: НГТУ, 2003.
  22. А.В. Системы искусственного интеллекта. Уч. пособие, ч. 1. Новосибирск, НГТУ, 2000.
  23. Т.А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2000.
  24. И. Анализ и обработка данных: специальный справочник. СПб: Питер, 2001. — 752с.
  25. С. Медико-биологическая статистика. М., Практика, 1998. 459с.
  26. А.Н., Дунин-Барковский В.Л., Кирдин А. Н. и др. Нейроин-форматика. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с., http://neuroschool.narod.ru/books/neurinf.htmll
  27. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. -276с.
  28. Дулеба AJT. Роль нейрофизиологических методов исследования в диагностике нервных болезней // Вестник Амурской областной больницы. -2002.-№ 16.-С.4−5
  29. А.А., Шумский С. А. Нейрокомпьютинг и его применение в экономике и бизнесе/М.: Изд-во МИФИ, 1998. http://www.neuroproject.ru.
  30. Еремин E. JL, Еремина, В.В., Семичевская Н. П., Шевко Д. Г. Алгоритмы. и S-модели гибридных систем адаптивного- управления- (практикум в среде SIMULINK). — Благовещенск: Амурский гос. ун-т, 2005. 205 с.
  31. Л.М., Киселева Н. Е., Мучник И. Б., Петровский A.M., Свер-чинская Р.Б. Анализ развития гипертонической» болезни по эмпирическим данным. // Автоматика и телемеханика, 1977. — N 9 — с. 114−122.
  32. Л.Р. Компьютерные методы обработки в клинической электроэнцефалограмме //Журн. невропатологии и психиатрии им. Корсакова. -1990.-Т.90- вып. 12.-С. 103−109.
  33. Л.Р., Ронкин М. А. Функциональная диагностика нервных болезней: М.:"МЕДпресс-информ", 2004.-С. 12—26, 313—34Т, 384−410-
  34. Л.Б., Макаров В. А. Лекции по клинической реографии. М.: Научно-медицинская фирма «МБН» -2000 ¦ —с: 86
  35. Искусственный" интеллект-. Справочник в 3-х томах. — М.: Радио и связь, 1990.-994с.53- КалланР! Основные концепции нейронных сетей: М-: «Вильяме,»,. 2001 — 292с. ' '
  36. .А. Логика аргументации в принятии-решений в медицине. Информационные процессы и системы 2001 .-№ 9. — С. 1−8
  37. Коган И: М. Прикладная теория информации. М.: Радио и связь. -1981.-216с
  38. А.В. Гибридные интеллектуальные системы. Теория и техно л огия разработки / Под ред. A.M. Яшина.- СПб.: СПбГТУ, 2001. — 711с.
  39. А.Н. Теория информации и теория алгоритмов. -М.:наука, 1987.-304 с.
  40. А.Н. Три подхода к определению понятия «количество информации» //Проблемы передачи информации. -1965. -Т.1. № 1. -С.3−11.
  41. А.Н. К логическим основам теории информации и теории^ вероятностей' // Проблемы передачи информации и теории вероятностей -1969. —Т.5.№ 3. -С.3−7.
  42. G.M. Роль различных определений энтропии в причинном анализе геофизических процессов и их приложении к электромагнитной индукции в морских течениях // Геомагнетизм и аэрономия —1995. —Т. 35. № 3- — С. 116−125.
  43. Л.Г., Максимов А. В. Нейрокомпьютеры. — М.: Изд-во МГТУ им. 11.Э.Баумана, 2002. — 382с.
  44. Ю.Б. О формализации структуры решений врача: // Препринт ИПМ РАН, -2001г. -№ 14−20 с
  45. В.В., Дли М.И., Годунов.'Р.Ю. Нечеткая логика и искусственные нейронные сети. — М.: 2001. http://www.neuroproject.ru.
  46. Ларичев О. И- Наука и искусство принятия решений. М: Наука- 1979.-200 с.
  47. И., Ляга И. Основные таблицы математической статистики. -М.: Финансы и статистика, 1985, 356 с.
  48. А.А., Борохов А.И и др. Бронхиальная астма. Пособие для врачей. Смоленская государственная медицинская академия, 2003- 66 с.
  49. Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: «Вильяме», 2003 -444с.
  50. В.А. Основы фази-управления: Учебное пособие. — Екатеринбург: Изд-во УГГГА, 2000. 62 с.
  51. Н., Ингленд Дж. Математическая теория энтропий. М.: Мир. 1988−251с.
  52. А.В., Лоскутов А. И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003—202с.
  53. Нечеткие множества в моделях управления и искусственного. интеллекта/Под ред. Д. А. Поспелова. М.: Наука, 1986.
  54. Основы эпидемиологии и статистического анализа в общественном здоровье и управлении здравоохранением. Московская медицинская академия им. И. М. Сеченова. Учебное пособие для ординаторов и аспирантов. Москва. 2003 с. 82 f
  55. С. А. Нейронные сети для обработки информации. — М.: Финансы и статистика, 2002.- 152с
  56. Э.В. Экспертные системы. М, Наука, 1987−254с
  57. Д.А. Представление знаний. Опыт системного анализа// Системные исследования. М.: Наука, -1985.
  58. Д.А. История искусственного интеллекта до середины 80-х годов// Новости искусственного интеллекта. 1994. — № 4. — С.70−90.
  59. Д.А. Десять «горячих точек» в исследованиях по искусственному интеллекту // Интеллектуальные системы (МГУ). — 1996. — Т.1, вып.1— 4. С.47−56.
  60. Д.А. Многоагентные системы настоящее и будущее// Информационные технологии и вычислительные системы. — 1998. — № 1. -С. 14−21.
  61. Прикладной многомерный статистический анализ: сб. статей /Научн. ред. С. А. Айвазян, А. И. Орлов. М.: Наука, -1978.-392с.
  62. С.А., Голованов JI.B. Прогнозирование развития больших систем. — М.: Статистика, 1975. — 235с.
  63. О. Ю. Статистический анализ медицинских данных. Применение пакета прикладных программ STATISTICA. М.: Медиасфера, 2002.-312с.
  64. Д.А., Головенкин С. Е., Назаров Б. В. Определение информативности медицинских параметров с помощью нейронной сети. // Диагностика, информатика и метрология-94: Тез. научн—техн. конф., Санкт-Петербург, 2830 июня 1994 г. СПб., 1994. — с.348.
  65. Д., Пилиньский В., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польского И. Д. Рудинского. — М: Горячая линия — Телеком, 2004. — 452 с.
  66. P.JI. Когнитивная психология. — М.: Тривола, 1996, 600с.
  67. Ю.Н., Макаров А. А. Анализ данных на компьютере. М. ИНФРА-М. Финансы и статистика. 1995. — 384 с.
  68. А.Н. Разработка методов и средств комплексной диагностики шизофрении на основе нечеткой логики принятия решений / Дисс. канд. техн. наук. Курск, 2004 — 125 с.
  69. Ф. Нейрокомпьютерная техника : Теория и практика. -М.: Мир. 1992−326 с.
  70. Д. Руководство по экспертным системам. М.: Мир, 1989 -474 с.
  71. Факторный, Дискриминантный и Кластерный анализы: сборник
  72. Пер. A.M. Хотинского, СБ. Королева: Под ред. И.С. Енюкова- М.: Статистика, 1972 -486 с. 99.* Филипович Б. И. Котов Ю.Б. Графический анализ результатов эксперимента. // Приборы и системы управления — 1996. —N12 — с.40−42 .
  73. Филипович Б. И'., Котов Ю. Б. Программа графической поддержки исследовательских работ (GRFM). // Препринт ИЛУ РАН, МЛ 1997,28с.
  74. Р., Флетчер С., Вагнер Э. Клиническая эпидемиология. Основы доказательной медицины. Пер. с англ. -М: МедиаСфера, 1998: — 352с.
  75. Холлендер1 М., Вульф Д. А. Непараметрические методы статистики. — М., Финансы и статистика, 1983. — 518с.
  76. П. Развитие и приложения понятия энтропии. М.: Наука, 1967
  77. А.А., Шатохин А.С, Пиянзин А. И. и др. Применение нечеткой логики в нейросетевом моделировании // Нейроинформатика и ее приложения: Материалы XII всероссийского семинара." Красноярск, 2004. С. 173— 174.
  78. Шайдуров А. А-., Шатохин А. С., Пиянзин А. И. и др.- Нейросетевой диагностический комплекс с элементами автоматической модификации // Нейроинформатика и ее приложения: Материалы XIL всероссийского семина-ра.Красноярск, 2004. С. 171−172.
  79. Г. А. Нейрофизиологические исследования в клинике -М.: Антидор, 2001.-С. 16−24, 191−201
  80. К.Э. Работы по теории информации и кибернетике. М.: Ил., 1963 -829с.
  81. В.И., Григорьев-С.Г. Математико-статистическая обработка данных медицинских исследований. сПб: ВМедА, 2002. — 266с.
  82. М.А., Симонова Т. Г., Пичкуров A.M., Татауров Ю. А. Влияние адаптации к холоду на показатели внешнего дыхания при гипервентиляции// Физиология человека. 1989. — Т. 15, № 5. — С.148−151.
  83. H. Г., Наместников Л. М. Эффективность генетических алгоритмов для задач автоматизированного проектирования // Известия РАН. Теория и системы управления, № 2, 2002, с. 127−134
  84. Н.Г. Основы теории нечетких и гибридных систем.- М.: Финансы и стати-стика, 2004. 244с.
  85. Austin Т., Illiffc S., Leaning М. et al. A prototype computer decision support system for the management of astma: J: Med- Sryst. 1996−20(l):45−44.
  86. Beksac M.S., Basaran F., Eskiizmirliler S., Erkmen A.M., Yorukan S. A computerized 'diagnostic system for the interpretation of umbilical artery blood flow velocity waveforms. // Eur J Obstet Gynecol Reprod Biol. 1996 Jan-64(l):47−42.
  87. Cardoso Ji—F. Blind signal, separation: statistical principles:.—CNRS and ENST http://www.tsi.enst.fr/~cardoso.html.
  88. Chuang L., Hwang' J.Y., Chang C.H., Yu C.H., Chang F.M. Ultrasound-estimation of fetal weight with the use of computerized artificial neural network model. // Ultrasound Med Biol. 2002 Aug-28(8):991−996.
  89. Dongxin Xu. Energy, entropy and- information potential for neural- computation. University of Florida. 1999. p. 197
  90. Goodman L. A. and Kruskal E.H. Measures, of association for cross-classification. //J. Amer. Statist. Assoc,.1954,v.49, 732−764.
  91. Haykin. S. Neural Networks, A Comprehensive Foundation, Macmillan 7Publishing Company, New York, 1994.
  92. Haykin. S. Adaptive Filter Theory, Third Edition, Prentice Hall, .Engle-wood Cliffs, NJ, 1996.
  93. Haykin. S. Neural Networks: A Comprehensive Foundation, Second Edition, Prentice Hall, Englewood Cliffs. NJ, 1998.
  94. Hoffmann M., Seminar Neuronale Netze. Blinde Quellentrennung.
  95. Technische Universitat Berlin. 2004
  96. Jasper Н. Report of committee on methods of clinical examenation in EEG. Appendix: The ten-twenty electrode system of the International Federation Text.' /H.Jasper //Electroencephalogr. Clin. Nuerophysiol'.-1958.-Vol.l0, № 12 — P. 1086.
  97. Kaufmann S.J., Eastaugh J.L., Snowden S. Smye S.W., SharmaV. The application of neural networks in predicting the outcome of in-vitro fertilization. //HumReprod'. 1997 Jul- 12(7): 1454−1457.
  98. Kosko B. Neural networks and Fuzzy System, Prentice1 Hall, Englewood Cliffs 1992.
  99. Lieu T.A., Quesenberry C.P., Sorel M.E. Computer-based models to identify high-rise children with astma. Am. J. f Respir. Crit. Care Med. 1998−157(4):1173−1180.
  100. R., «Self-Organization in a Perceptual Network,» Computer, Vol.21, pp. 105−117, 1988.
  101. R., «An Application of the Principle of Maximum Information Preservation to Linear Systems,» In Advances in Neural Information Processing Systems I (edited by D.S. Touretzky), pp. 186−194, Morgan Kaufmann, San Mateo, CA, 1989.
  102. Mamdani, E.H., and Baaklini, N.: Prescriptive methods for deriving control policy in a fuzzi logic controler. Electron. Lett. 11 (1975).
  103. Rosenblatt F. The Perceptron: a probabilistic model for Information storage and organization in brain. // Psychol. Rev. 1958, vol. 65, p. 386−408.
  104. Rumelhart D.E., Hinton G.H., Williams R.J. Learning Internal Representations by Error Propagation, In Parallel Distributed Processing, t. l, rozdz.8, Eds., Cambridge, MA, M.I.T. Pres, 1986/
  105. Zadeh, L.A. Fuzzy Sets. Information and Control, 8 (1965), Academy Press, New York.
  106. Zadeh, L.A. The Concept of Linguistic Variable and its Application to Approximate Reasoning. Informat. Science 8 (1975).
  107. Tagagi Т., Sugeno M. Fuzzy Identification of Systems and Its Applications to Modeling and Control, IEEE Transactions on Systems, Man and Cybernetics, 1985, vol. 15, s. 116−132.
Заполнить форму текущей работой

Сессия? Спокойно!