Помощь в учёбе, очень быстро...
Работаем вместе до победы

Оптимизация управления слабоформализуемыми объектами в социально-экономических системах на основе нейросетевого моделирования

Диссертация: Оптимизация управления слабоформализуемыми объектами в социально-экономических системах на основе нейросетевого моделирования
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Для достижения поставленной цели необходимо решить следующие задачи: проанализировать пути повышения эффективности управления СФО в социально=экономических системах на основе нейросетевых технологий и определить основные требования к интеллектуальной системе управления состоянием объектаисследовать особенности проектирования и настройки нейросетевых моделей управления, оценить эффективность… Читать ещё >

Содержание

  • 1. СИСТЕМНЫЙ АНАЛИЗ ТЕХНОЛОГИЙ ПРОЕКТИРОВАНИЯ СИСТЕМ УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ОБЪЕКТАМИ
    • 1. 1. Анализ проблем управления при неполноте информации об объекте и его слабой формализации
    • 1. 2. Формирование интеллектуальной управляющей системы на основе нейросетевых технологий
    • 1. 3. Цель и задачи исследования
  • 2. ОПТИМИЗАЦИЯ ПОСТРОЕНИЯ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ОБЪЕКТАМИ
    • 2. 1. Синтез систем управления на основе многослойных нейронных сетей
    • 2. 2. Разработка технологии оптимальной настройки нейросетевой модели на решение задач управления
    • 2. 3. Управление слабоформализуемыми объектами с применением многослойных нейронных сетей
  • Выводы второй главы
  • 3. АЛГОРИТМИЗАЦИЯ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ СИСТЕМ УПРАВЛЕНИЯ
    • 3. 1. Диагностика развития осложнений у кардиохирургических больных в послеоперационный период на основе нейросетевых систем управления
    • 3. 2. Применение прогностических моделей течения атеросклеротического поражения различной локализации при выборе оптимальной стратегии лечения пациента
    • 3. 3. Проведение экспертного оценивания влияния организационной культуры предприятия на эффективность его функционирования
  • Выводы третей главы
  • 4. РАЗРАБОТКА СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ОБЪЕКТАМИ
    • 4. 1. Программная реализация нейрокомпьютерного эмулятора
    • 4. 2. Управление слабоформализуемыми объектами с применением нейрокомпьютерного эмулятора
    • 4. 3. Применение системы для моделирования течения атеросклеротического поражения при выборе оптимальной стратегии лечения пациента на базе
  • Воронежской областной клинической больницы №
  • Выводы четвертой главы

Оптимизация управления слабоформализуемыми объектами в социально-экономических системах на основе нейросетевого моделирования (реферат, курсовая, диплом, контрольная)

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. работоспособностиво-вторых, к последующему увеличению затрат на расчет и реализацию более эффективной системы управления для сохранения требуемого качества ее функционированияв-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 социальноэкономическими 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 нейросетевых 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 нейросетевых технологий и определить основные требования к интеллектуальной системе управления состоянием объектаисследовать особенности проектирования и настройки нейросетевых моделей управления, оценить эффективность алгоритмов обучения, и определить методы проектирования оптимальной нейросетевой структурыразработать алгоритмическое обеспечение принятия управленческих решений в социально-экономических системах на основе нейросетевых технологийразработать методику проведения моделирования состояния СФО под воздействием управляющих воздействий на основе нейросетевых технологий. разработать программно-методический комплекс интеллектуальной поддержки управления СФО в социально-экономических системах, обеспечивающий помощь проблемно-ориентированному специалисту при решении задач выбора наиболее эффективных воздействийвнедрить 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 условиямалгоритм 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 связимногоэтапная схема оптимизации структуры нейросетевой модели отличающаяся последовательным упрощением нейронной сети за счет удаления наименее значимых синапсов и нейроновструктура 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.

ВЫВОДЫ ЧЕТВЕРТОЙ ГЛАВЫ.

1. Создан программно-методический комплекс интеллектуальной поддержки управления СФО, обеспечивающий помощь проблемно-ориентированному специалисту при решении задач выбора наиболее эффективных воздействий.

2. Разработано методическое обеспечение по проведению моделирования состояния СФО под воздействием управляющих воздействий с использованием программно-методического комплекса.

3. База знаний в экспертном модуле системы создана в рамках конкретной предметной области — «атеросклероз различных локализаций». В программном комплексе предусмотрен переход в другую предметную область.

4. Экспериментально подтверждена достоверность научных положений и выводов, сформулированных в диссертации. Проведенные исследования убедительно показали, что алгоритмическое формирование базы знаний в процессе обучения и специальная организация информационной системы позволяют принимать управляющие решения, превышающие возможности современного клинического опыта.

ЗАКЛЮЧЕНИЕ

.

Оптимизация управления слабоформализуемыми объектами является важной составляющей повышения эффективности терапевтических воздействий при различных заболеваниях. Использование методов нейросетевого моделирования и многоальтернативного выбора позволяют формализовать процесс диагностики состояния объекта управления и обеспечить эффективный выбор управляющих воздействий. Интеграция алгоритмических процедур сбора и обработки информации об объекте управления, моделирование и оптимизация в рамках программно-методического комплекса обеспечивают интеллектуальную поддержку управления слабоформализуемым объектом.

В процессе решения перечисленных научных задач получены следующие основные результаты:

1. На основе анализа современных алгоритмов и методов управления выявлена необходимостью повышения эффективности управления СФО в социально-экономических системах на основе выбора оптимальных управляющих воздействий с использованием современных нейросетевых технологий.

2. Исследованы особенности проектирования и настройки нейросетевых моделей управленияпроизведена оценка эффективности алгоритмов обученияпредложен метод проектирования оптимальной нейросетевой структуры.

3. Предложена многоэтапная схема оптимизации структуры нейросетевой модели, основанная на последовательном упрощении нейронной сети за счет удаления наименее значимых синапсов и нейронов;

4. Предложена схема автоматизированного управления СФО, отличающаяся использованием многослойной нейронной сети прямого действия в качестве инструмента формирования функций управления, соответствующих целевым условиям.

5. Разработан алгоритм построения самообучающихся нейросетевых систем управления СФО, основанный на оптимальном выборе 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;

6. Описана 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;

7. Разработано методическое обеспечение по проведению моделирования состояния СФО под воздействием управляющих воздействий на основе нейросетевых технологий.

8. Создан программно-методический комплекс интеллектуальной поддержки управления СФО в социально-экономических системах, обеспечивающий помощь проблемно-ориентированному специалисту при решении задач выбора наиболее эффективных воздействийвыполнена настройка комплекса с целью прогнозирования эффективности терапии атеросклероза различных локализаций.

9. Разработана и внедрена автоматизированная система интеллектуальной поддержки принятия решений при лечении атеросклеротических поражений различной локализации в Воронежской областной клинической больнице № 1.

Показать весь текст

Список литературы

  1. Э.Д. Алгоритмы настройки многослойных нейронных сетей // Автоматика и телемеханика. 1995. № 4. с. 106−118.
  2. А.И., Грачев М. В. Организационная культура современной корпорации. // Мировая экономика и международные отношения. 1990. N 6. — с. 47−52.
  3. С.А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989. 606с.
  4. С.А., Енюков И. С., Мешалкин Л. Д. Исследование зависимостей. М.: Финансы и статистика, 1983. — 402с.
  5. С.А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.-472с.
  6. С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998. 1022с.
  7. С.Л. Менеджмент персонала. М.:ЭКСМО, 1998. — 304 с.
  8. В.А., Чирейкин Л. В. Трудности и ошибки диагностики заболеваний сердечно-сосудистой системы. Л.: Медицина, 1985. — 215с.
  9. Н.М., Зайцев Н. Г., Мельников А. А. Медицинская информационная система. Киев: Наукова думка, 1971.-441 с.
  10. Ю.Г. Моделирование биологических систем. Справочник. К.: Наукова думка, 1977. 478с.
  11. JI. «Мягкая составляющая» в мировой экономике // Мировая экономика и международные отношения. 1997. N 1. — с. 77−84.
  12. А., Эйзен С. Статистический анализ: подход с использованием ЭВМ. Пер. с англ. М.: Мир, 1982. — 488с.
  13. В.М. Анализ и синтез биотехнических систем // Моделирование физиологических и биологических процессов. М. 1977. С. 3−7.
  14. .И. Вероятностные модели в физиологии. М., Наука, 1977.-252с.
  15. .И., Ханин М. А., Чернавский Д. С. Введение в математическое моделирование патологических процессов. М.: Медицина, 1980. -264с.
  16. Н. Статистические методы в биологии / Пер. с англ.: Под ред. В. В. Налимова. М.: Изд-во «Иностр.лит.», 1962.
  17. Р. Математические методы в медицине / Пер. с англ.: Под ред. Л. Н. Белых. М.: Мир, 1987. — 200 с.
  18. Э.М., Мучник И. Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983. 432с.
  19. В.М., Зеленюк Е. А., Зубенко А. А. Конструирование интерактивных систем анализа данных. М.: Финансы и статистика, 1989.
  20. А. Последовательный анализ / Пер. с англ.- Под ред. В. А. Севастьянова. М.: Наука, 1960.
  21. А. Статистические решающие функции // Позиционные игры- Под ред. Н. Н. Воробьева и Н. Н. Врублевской. М.: Наука, 1967. — С. 300−522.
  22. Ван дер Варден Б. Л. Математическая статистика / Пер. с нем.- Под ред. Н. В. Смирнова, М.: Изд-во «Иностр.лит.», 1960.
  23. Е.С. Теория вероятностей. М.: Наука, 1998.
  24. С.М. Основы комплексного прогнозирования. М.: Наука, 1977.-287с.
  25. А. Современные направления развития нейрокомпью-терных технологий в России // Открытые системы. 1997. Na 4(24). С. 25−28.
  26. И.М. Лекции по линейной алгебре. М.:ГИТЛ, 1951.
  27. И.М., Семенюк Э. П. Некоторые задачи классификации и прогнозирования из различных областей медицины // Вопросы кибернетики, 1985. Вып. 112. — С. 65−127.
  28. Ш. Х., Амиров А. Х. Компьютерные истории болезни // Terra Medica, 1996. № 2. — С. 2−5.
  29. С. Медико-биологическая статистика / Перевод с англ.- Под ред. Н. Е. Бузикашвили и Д. В. Самойлова. М.: Практика, 1999.
  30. А.Н. Обучение нейронных сетей. М.: Параграф, 1990.160 с.
  31. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. — Новосибирск: Наука (Сиб. отделение), 1996. 276 с.
  32. Е.К., Лукьяница А. А. Искусственные нейронные сети: I. Основные определения и модели / Изв. РАН. Сер. Техническая кибернетика. 1994. № 5. С. 79−92.
  33. С. Внимательный мозг // Открытые системы. 1997. № 4(24). С. 29−33.
  34. Е.В. Вычислительные методы анализа и распознавания патологических процессов. Л.: Медицина, 1978. — 294с.
  35. Е.В. Информатика в патологии, клинической медицине и педиатрии. Л.: Медицина, 1990. -210с.
  36. Л.И., Пименова Л. М., Кадашева О. Г. Оценка диагностической информативности лабораторных тестов // Клин. лаб. диагн. -1992.-№ 1−2.-С. 49−58.
  37. А.А. Алгоритмы автоматической классификации (обзор). Автоматика и телемеханика, 1971, № 12 — С. 23−31.
  38. О.А., Михеев В. А., Колесников О. Д. // Программные процессы и системы. 1989. — № 4. — С. 42−45.
  39. И.С. Методы, алгоритмы, программы многомерного статистического анализа. М.: Финансы и статистика, 1986. 174с.
  40. С.А., Львович Я. Е., Фролов В. Н. Теория управления: Учебное пособие. Воронеж. 1989. 197 с.
  41. С.А., Львович Я. Е., Фролов М. В. Управление в биотехнических и медицинских системах / Под ред. В. Н. Фролова: Учеб.пособие. Воронеж: ВГТУ, 1994. 145с.
  42. Информатика и медицина: Сборник статей. М.: Наука, 1997.
  43. П.Н. Исследование характеристик слабоформализуемых объектов на основе нейросетевых технологий //Труды Всероссийской конференции «Интеллектуальные инф. системы», Воронеж:2001, 4.1 с. 110
  44. П.Н. Оптимизация управления слабоформализуемыми объектами на основе нейросетевого моделирования // Интеллектуальные информационные системы: Тр. Всерос. Конф. Воронеж: ВГТУ, 2004 С. 8−9.
  45. П.Н. Проблема управляемости нейросетевых моделей слабоформализуемых объектов. // Тр. Всерос. Конф. «Интеллектуальные инф. системы», Воронеж:2001,4.1 с.85
  46. П.Н. Управление слабоформализуемыми объектами с использованием нейрокомпьютерного эмулятора // Высокие технологии в технике, медицине, экономике и образовании: Межвуз.сб.науч. тр. Воронеж. ВГТУ, 2004. 4.1. С.118−122.
  47. П.Н., Альтварг М. С. Диагностика организационной культуры на основе нейросетевых технологий // Высокие технологии в технике, медицине, экономике и образовании: Межвуз.сб.науч. тр. Воронеж. ВГТУ, 2000.4.1. С. 125−132
  48. П.Н., Альтварг М. С. Особенности формирования организационной культуры на базе компьютерных технологий // Высокие технологиив технике, медицине, экономике и образовании: Межвуз.сб.науч. тр. Воронеж. ВГТУ, 2000. 4.1. С.133−137
  49. П.Н., Бабкин А. П., Львович Я. Е., Чопоров О. Н. Моделирование развития атеросклероза на основе нейротехнологий // Интеллектуальные информационные системы: Тр. Всерос. Конф. Воронеж: ВГТУ, 2000 С. 106−107.
  50. П.Н., Бабкин А. П., Чопоров О. Н. Моделирование развития атеросклероза на основе нейросетей // Окружающая среда и здоровье человека: сб. науч. и практ. работ. Старый Оскол, 2000. С. 222−226
  51. П.Н., Бабкин А. П., Чопоров О. Н. Обучение нейронных сетей как многокритериальная задача оптимизации //ВЕСТНИК ВГТУ «САПР и системы автоматизации производства «Выпуск 3.1, Воронеж:2001 с.153−155
  52. П.Н., Бабкин А. П., Чопоров О. Н. Разработка прогностических моделей течения атеросклеротического поражения различной локализации // Компьютеризация в медицине. Воронеж: Из-во ВГТУ, 2001. С.95−100
  53. П.Н., Лаврентьев А. А., Разинкин К. А. Автоматизация диагностики развития осложнений у кардиохирургических больных // Компьютеризация в медицине: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2000. С.43−47
  54. П.Н., Лаврентьев А. А., Разинкин К. А. Моделирование состояния кардиохирургических больных в послеоперационном периоде на основе инновационных технологий // Компьютеризация в медицине: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2000. С.48−53.
  55. П.Н., Львович И. Я., Назаренко Е. А. Проблемы управления при неполной информации о математической модели динамических объектов // Прикладные задачи моделирования и оптимизации: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2002. С. 74−79.
  56. П.Н., Львович И. Я., Назаренко Е. А. Оптимизация процесса обучения нейросетевых моделей поведения слабоформализуемых объектов // ВЕСТНИК ВГТУ «Проблемно-ориентированные системы управле-ния"Выпуск 2.1, Воронеж:2001 с.19−21
  57. Искусственный интеллект. Справочник. Т. 1, 2 / Под ред. Э. И. Попова. М.: Радио и связь, 1990. 340с.
  58. Исскуственный интеллект. Модели и методы. Справочник. Кн.2 / Под ред. Д. А. Поспелова. М.: Радио и связь, 1990.
  59. Исследования по общей теории систем: Сборник переводов / Под ред. В. Н. Садовского и Э. Г. Юдина. М.: Прогресс, 1969.
  60. X. Методы и проблемы извлечения знаний // Приобретение знаний/ Пер. с англ.- Под ред. Н. Г. Волкова. М.: Мир, 1990. — С. 68−88.
  61. В.И. Методология системного подхода и ее применение в практике здравоохранения. М.: Медицина, 1978. 135с.
  62. В., Меллер Ф. Выявление информативных признаков и группировка // Математика в социологии. М.: Мир, 1977. С. 301−338.
  63. М., Стюарт А. Статистические выводы и связи / Пер. с англ.- Под ред. А. Н. Колмогорова и Ю. В. Прохорова. М.: Наука, 1973.
  64. Дж. Системология. Автоматизация решения системных задач / Пер. с англ- Под ред. А. Н. Горлина. М.: Радио и связь, 1990.
  65. Н. Теория графов. Алгоритмический подход. М.: Мир, 1978.-432с.
  66. С. Теория информации и статистика / Пер. с англ.- Под ред. А. Н. Колмогорова. М.: Наука, 1967.
  67. Р., Гильберт Д. Методы математических функций. Т.1. -М.: Гостехиздат, 1981.
  68. Н. И., Лебедев Б. Д. Энтропийные методы определения обобщенных характеристик систем в задачах механики // Механика композиционных материалов и конструкций. Т.З., 1997. № 3. С. 97−105.
  69. О.И., Мечитов А. И., Мошкович Е. М., Фуремс Е. М. Выявление экспертных знаний. М.: Наука, 1989.
  70. Л. Введение в проблему принятия решений в медицине / Пер. с англ- Под. ред. М. Л. Быховского. М.: Мир, 1971.
  71. .Л. Системы искусственного интеллекта / Пер. с франц. М.: Мир, 1990.-378с.
  72. И.Я. Вариационное моделирование и оптимальный выбор проектных решений. Воронеж: издательство ВГТУ, 1997. 114 с.
  73. И .Я., Федорков Е. Д. Математические основы информатики, Воронеж: изд. ВГТУ, 1997. 98с.
  74. Я.Е. Управление в биологических и медицинских системах / Я. Е. Львович, М. В. Фролов. Воронеж: ВГТУ, 1994. 183с.
  75. Ю.С., Тарасов В.В Математические методы статистического анализа в биологии и медицине, Вып. 2. М.: Изд-во МГУ, 1982.
  76. Ю.С., Тарасов В. В. Математические методы статистического анализа в биологии и медицине. Вып. 1. — М.: Изд-во МГУ, 1982.
  77. М. Общая теория систем и ее математические основы // Исследования по общей теории систем. Сб. переводов- Под ред. В. Н. Садовского и Э. Г. Юдина. М.: Прогресс, 1969. — С. 165−180.
  78. М., Пейперт С. Перцептроны. — М.: Мир, 1971. 262 с.
  79. О.П., Цуканов Ю. Т. Клиническое прогнозирование. Киев, 1983.
  80. Моделирование биотехнических и медицинских систем: Учеб. пособие / Я. Е. Львович, М. В. Фролов, К. А. Разинкин и др.- Под ред. В. Н. Фролова. Воронеж: Изд-во ВГТУ, 1994. С. 114−119, 157−161, 165−169, 176 180.
  81. Ю.И. Распознавание образов и медицинская диагностика / Ю. И. Неймарк, З. С. Баталова, Ю. Г. Васин, М. Д. Бредо, М.: Наука, 1972. -328с.
  82. . А.Н. Горбань, В.Л. Дунин-Барковский, А. Н. Кирдин и др. Изд-во КГУ, 1998.
  83. Нейроинформатика и ее приложения // Тез. докл. 5-го Всерос. сем., 3−5 октября 1997 г. / Под ред. А. Н. Горбаня. — Красноярск: КГТУ. 1997. 190 с.
  84. Новые концепции общей теории управления // Сб. науч. трудов / Под ред. А. А. Красовского. —Москва-Таганрог: ТРТУ, 1995. 184 с.
  85. Г. С. Приобретение знаний интеллектуальными системами. М.: Наука, 1997.
  86. Ошибки клинической диагностики / Под ред. С. С. Вайля. Л.: Медгиз. 1961.
  87. Переверзев-Орлов B.C. Проблемы и концепции построения интеллектуальных партнерских систем // Компьютеры и познание. М.:1990. -С. 52- 57.
  88. Ф. И. Тарасенко Ф.П. Введение в системный анализ -М.: Высшая школа, 1989. 368с.
  89. Дж. Справочник по вычислительным методам / Пер. с англ.- Под ред. П. П. Пархоменко. М.: Энергия, 1982. 344с.
  90. Г. С. Искусственный интеллект основа новой информационной технологии. — М.: Наука, 1988.
  91. Построение экспертных систем / Под ред. Ф. Хейес-Рота, Д. Уо-термана, Д. Лената / Пер. с англ.- Под ред. В. Л. Стефанюка. М.: Мир, 1987.
  92. Представление и использование знаний / Под ред. X. Уэно, М. Исидзука- Пер. с англ. М.: Мир, 1989.
  93. Приобретение знаний / Под ред. С. Осуги, Ю. Саэки- Пер. с японского под ред. Н. Г. Волкова. М.: Мир, 1990.
  94. Проблемы вычислительной диагностики / Под ред. Е. В. Гублера. -М.: Наука, 1969.
  95. К.А., Родионов О. В., Федорков Е. Д. Оценка динамики и выбор управления при лечении хронических заболеваний // Высокие технологии в технике, образовании, медицине: Межвуз. сб. науч.тр. Воронеж: ВГТУ, 1994.-С. 83−93.
  96. Н.С., Чадеев В. М. Адаптированные системы управления технологическими процессами. Москва: ИПУ, 1972. С. 58.
  97. Ф. Принципы нейродинамики: Перцептрон и теория механизмов мозга. — М.: Мир, 1965. 480 с.
  98. .Я. Теория информации. Л.: Изд-во Ленингр. ун-та, 1987. 184 с.
  99. .Я., Яковлев С. А. Моделирование систем. Москва: Высшая школа, 1985 г. 210 с.
  100. Справочник по теории вероятностей и математической статистике / B.C. Королюк, Н. И. Портенко, А. В. Скороход и др. М.: Наука, 1985. -640с.
  101. Статистические методы для ЭВМ / Под ред. К. Экслейна, Э. Рэл-стона, Г. Уилфа- Пер. с англ. М.: Наука, 1986.
  102. В.В. Формирование организационной культуры экономических систем // Проблемы теории и практики управления. 1995. — N 1. -с. 69−73
  103. Э.А. Компьютерная поддержка принятия решений. -М: Синтег, 1998. 376с.
  104. Д.У. Анализ данных, вычисление на ЭВМ и математика // Современные проблемы математики. М., 1977. — С. 41−64.
  105. Ю.Н., Макаров А.А Анализ данных на компьютере. М.: Финансы и статистика, 1995.
  106. Д. Математическая статистика. М.: Наука, 1967.
  107. Ф. Нейрокомпьютерная техника: Теория и практика / Пер. с англ -М.: Мир, 1992. 240с.
  108. В.Н. Выбор тактики лечения с применением математических методов. Воронеж, ВГТУ, 1977.
  109. Ф., Палмер Э. Перечисление графов / Пер. с англ. М.: Мир, 1977.
  110. М., Вулф Д.А Непараметрические методы статистики. -М.: Финансы и Статистика, 1983.
  111. С.В. Управление персоналом современной организации / Учебно-практическое пособие. М.:"Интел-Синтез», 1997. — 336 с.
  112. Р. Имитационное моделирование систем Искусство и наука. — М.: Мир, 1978. — 418с.
  113. .С. Классификация и диагностика в биологическом эксперименте. М., Наука, 1979.
  114. У.Р. Введение в кибернетику / Пер. с англ.- Под ред. А. Н. Колмогорова. М.: Изд-во «Иностр. Лит», 1959.
  115. У.Р. Принципы самоорганизации // Принципы самоорганизации / Пер. с англ.- Под ред. А. Я. Лернера. М.: Мир, 1966. — С. 314−343.
  116. А. М., Яглом И. М. Вероятность и информация М.: Наука, 1973.
  117. Ball G.H. ISODATA, an iterative method of multivariate data analysis and pattern classification // IEEE Intern. Conf. New York. 1966. 375p.
  118. Barron A.R. Universal approximation bounds for superposition of a sigmoida function // IEEE Trans. Inform. Theory. 1993. Vol. 39. P. 930−945.
  119. Baxt W.G. Application of artifical neural networks to clinical medicine // Lancet, 1995 Oct 28−346 (8983). P. 1135−1138.
  120. Brown A. Organizational Culture. London: Pitman Publishing, 1995. -345p.
  121. Card W. The computer, the clinical and the future. Practitioner, 1978. — V/220, N1317. — P. 431−435.
  122. Chester D. Why two hidden layers are better than one // IEEE Int. Joint. Conf Neural Networks, IJCNOTO. 1990. P. 265−268.
  123. Cox D.R.- Regression models and life-tables // J. Royal Stat.Soc. -1972. -V.34-P. 187−202.
  124. Cybenco G. Approximation by superpositions of a sigmoidal function //Math Control Signal Systems. 1989. № 2. P. 303−314.
  125. Girosi F., Poggio T. Represetation propeties of networks: Kolmo-gorov's theorem is irrelevant//Neural Computation. 1989. № 1. P. 465−469.
  126. Girosi F., Poggio T. Networks and the best approximation property // Biological Cybernetics. 1990. № 63. P. 169−176.
  127. Dichinson С J. The use and potential use of simulation models in clinical medicine // Real-time computer in patient management. London, 1976. -P. 171−174.
  128. Engle R.L. Attempts to use computers as diagnostic aids in medical decision making: a thirty year experience // Perspect. Biol.Med. -1992. -V.35. № 2.-P. 207−219.
  129. Fang Y., Sejnowski T.J. Faster learning for dynamic recurrent back propagation //Neural Computation. 1990. № 2. P. 270−273.
  130. Fisher R.A. On the mathematical foundation of theoretical statistics // Philos. Trans. Ray. Soc. A. 1922- V.222. — P. 309−368.
  131. Girosi F., Poggio T. Represetation propeties of networks: Kolmo-gorov's theorem is irrelevant // Neural Computation. 1989. № 1. P. 465−469.
  132. Girosi F., Poggio T. Networks and the best approximation property // Biological Cybernetics. 1990. № 63. P. 169−176.
  133. Hebb D.O. The organization of behavior: A neuropsychological theory. — N.-Y.: Wiley, 1949.
  134. Hecht-Nielsen R. Kolmogorov’s mapping neural network existence theorem // Int. Conf. NN. IEEE Press. 1987. Vol. 3. P. 11−13.
  135. Hopfield J.J. Neural Networks and Physical systems with emergent collective computational abilities//Proc. Nat. Sci. USA. 1982. V.79. P. 2554−2558.
  136. Hopfield J.J. Neurons with graded response have collective computational properties like those of two-state neurons // Proc. National Acad, of Sci. 1984. № 81. P.3088−3092.
  137. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators // Neural Networks. 1989. № 2. P. 359−366.
  138. Knowledge Acquisition tools for expert systems / ed. J.H. Boose and B.R. Gaines. London San Diego N.Y. Berkley Boston Tokyo Toronto Academic Press. 1988.- V. l- V.2.
  139. Kohonen T. Self-organization and associative Memory. — Berlin: Springer Velag, 1987.
  140. Levin A.U., Narendra K.S. Control of nonlinear dynamical system using neural networks: Controllability and stabilization // IEEE Trans. Neural Networks. 1993. Vol. 4, № 2. P. 192−206.
  141. Levin A.U., Narendra K.S. Control of nonlinear dynamical system using neural networks. Part II- Observability, identification and control // IEEE Trans. Neural Networks. 1996. Vol. 7, № 1. P. 30−42.
  142. McGovern P. Human Resource Managment. London: Routledge, 1998.
  143. Mintzberg H. The Nature of Managerial Work. New York: Harper and Row, 1973.
  144. Narendra K.S., Parthsarathy K. Identification and control of dynamic systems using neural networks // IEEE Trans. Neural Networks. 1990. Vol.1, № 1. P. 4−27
  145. Neural networks for control // Ed. W. Thomas Miller, Richard S. Sut ton and Paul J. Werbos. — Cambridge, MA: Bradford Books /MIT Press, 1990. 524 c.
  146. Neural networks for control systems: A survey/KJ. Hunt, D. Sbar-baro. R. Zbikowski, P.J. Gawthrop // Automatica. 1992. Vol. 28, № 6. P. 10 831 112.
  147. Neyman J., Pearson E.S. On the use and interpretation of certain test criteria for purpose of statistical inference // Biometrika 1928. — V.20A. — P. 175 240.
  148. Pervozvansky A. Some error bounds for approximation by artifical neural networks // Proc. 13 Triennial World Congress. San Francisco, USA, 1996. P. 157−162.
  149. Pheysey D.C. Organizational Cultures: Types and Transformations. -London: Routledge, 1993.
  150. Psaltis D. Neural controllers // Proc. IEEE 1-th Int. Conf. on Neural Networks. 1987. Vol. 4. P. 551−558.
  151. Psaltis D., Sideris A., Yamamura A.A. A multilayered neural networks controller//' IEEE Control System Magazine. 1988. No 8. P. 17−27.
  152. Rummelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature, 1986. V. 323. P. 533−536.
  153. Safran C. Using routinely collected data for clinical research // Stat. Med -1991.-V.10. P. 559−564.
  154. Schwartz H., Davis S. Matching Corporate and Business Strategy // Organizational Dynamics, 1981. N 10, pp. 30−48.
  155. Shortliffe E.H. Clinical decision-support systems // Medical Informatics: computer application in health care. Addison-Wesley. — 1990. — P. 466−502.
  156. Van Bemmel J.H. Medical Informatics, Art or Science? // Meth. Inform. Med. 1996.-V.35.-P. 157−172.
  157. Van Bemmel J.H.Formalization of medical knowledge — the diagnostic strategies and expert systems // Van Bemmel JH, Gremy F, Zvarova J, eds. Medical Decision Making: Diagnostic Strategies And Expert System. Elsevier Science Publishers BV, 1985.
  158. Warwick К., Irwin G.W., Hunt K.J. Neural networks of control and systems. London: Peter Peregrinus, 1988.
  159. Waterman D.A. A Guide to Expert System. Addison — Wesly Publication Company, Inc., 1986.
  160. Widrow В., Bilello M. Nonlinear adaptive signal processing for inverse cont //Proc. World Congress Neural Networks, San Diego, 1994.
  161. Widrow B. Adaptive inverse control I I Prep. 2-th IF AC Workshop Adaptive Systi in Control and Signal Processing. Lund, Sweden, 1986. P. 1−5.
  162. Сравнительный анализ моделей диагностики развития осложнений у КХБ в послеоперационном периоде
  163. Осложнение СтатистикаЧ тестированиях Метод диск. риминантного анализа Нейросетевое моделирование
  164. Кол % Кол % Кол % Кол % Кал % Кол % Коп % Ксл % Кол % Кол %1. Общая статистика
  165. Правильно: 18 72 17 68 16 64 20 80 17 68 18 72 21 84 20 80 23 92 21 84
  166. Неуверенно: 5 20 7 28 6 24 5 20 6 24 7 28 4 16 5 20 2 8 4 16
  167. Неправильно: 2 8 1 4 3 12 0 0 2 8 0 0 0 0 0 0 0 0 0 0
  168. Всего: 25 100 25 100 25 100 25 100 25 100 25 100 25 100 25 100 25 100 25 1001. Осложнение обнаружено
  169. Правильно: 9 69 13 76 5 56 10 71 4 66 10 71 15 83 6 75 11 92 6 86
  170. Неуверенно: 4 31 4 24 3 33 2 29 1 17 4 29 3 17 2 25 1 8 1 14
  171. Неправильно: 0 0 0 0 1 и 0 0 1 17 0 0 0 0 0 0 0 0 0 0
  172. Всего: 13 100 17 100 9 100 12 100 6 100 14 100 18 100 8 100 12 100 7 1001. Осложнение отсутствует
  173. Правильно: 9 75 6 74 11 68 10 77 13 68 8 73 6 86 14 83 12 92 15 84
  174. Неуверенно: 1 8 1 13 3 19 3 23 5 27 3 27 1 14 3 17 1 8 3 16
  175. Неправильно: 2 17 1 13 2 13 0 0 1 5 0 0 0 0 0 0 0 0 0 0
  176. Всего: 12 100 8 100 16 100 13 100 19 100 11 100 7 100 17 100 13 100 18 100
  177. Программный комплекс моделирования развития атеросклероза- Моделирование развития атеросклероза1. ВВЕЗя доза инсулина. м, ед. Индекс Кегле, кг/рост в кв. метрах*10е, (Да/Нет) Длительность ишемической болезни, лет3
  178. Максимальный уровень глюкозы, ммоль. л?10 Толщина стенки общей сонной артерж, мкрн 53
  179. Рекомендуемые препараты для лечения 6qj
  180. Пропанол (анаприлин) 80 мг/день
  181. Прогноз зависимости ОСАя (0Х)250.0018.6900 27.28 34.57 41.85 49.13 56.41 63.70 70.98 78.26 85.55 92.83 100.1 107.3 114.6 121.9 129.2 136.53 150.01. Параметры моделирования
  182. Семейство графиков прогрессирования атеросклероза
  183. Нейросетевая модель прогнозирования эффективности терапииатеросклероза сонных артерий (в качестве передаточной функции использован функциональный преобразователь F (A)=A/(0,1+|A|))
  184. Предобработка исходных симптомов для подачи сети:1. Х1= (XI- 52,5)/18, 51. Х2= (Х2- 140)/201. Х3= (ХЗ- 59,5)/20, 51. Х4 = (Х4- 88,5)/14, 51. Х5= (Х5- 65,5)/25, 51. Х6= (Х6- 10) /41. Синдромы 1-го уровня:
  185. N21=F{ 0,596 044*Nll-0,6 036 919*N12+0,3 004 414*N13+0,1 072 772*N140,5 915 488*N15+0,6 766 542*N16−0, 990 594 9) N22=F (-0,2 219 757*Nll+0,1 909 907*N12−0,74 827 8 9*N13+0,1 644 343*N14−0,1 328 503*N15+0, 1 970 402*N16+0, 4 745 568)1. Синдромы 3-го уровня:
  186. N31=F (0,1 968 797*N21−0,2 855 221*N22+0, 6 370 089)
  187. N32=F (-0,2 357 751*N21+0,3 871 443*N22−0,4 197 541)1. Конечные синдромы:
  188. Y =-0, 4 87 9063*N31+0,7 503 583*N32 + 0, 3 557 772
  189. Постобработка конечных синдромов:1. Y =((Y*205)+315)/2)1. Утверждаю '* врач ВОЬСБ1. Эктов В.Н.2003г.1. АКТ ВНЕДРЕНИЯ
  190. ЗаказчикВоронежская областная клиническая больница1. Наименование организации)1. Эктов В.Н.
  191. Ф.И.О. руководителя организации)
  192. Вид внедренных результатов программно-информационный комплекс, обеспечивающий повышение эффективности лечения атеросклеротических поражений различной локализации.
  193. Характеристика масштаба внедрения единичное.
  194. Форма внедренияпрограммный комплекс.
  195. Заведующий кардиологическим отделением, д.м.н.1. С-----------Кузнецов С.И.
Заполнить форму текущей работой

Пора сдавать?