CC BY
59
УДК 621.391.26
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ДЛЯ АНАЛИЗА СОСТОЯНИЯ СЛОЖНЫХ ОБЪЕКТОВ НА ОСНОВЕ НЕЧЕТКИХ НЕЙРОСЕТЕВЫХ МОДУЛЕЙ С ДИНАМИЧЕСКОЙ СТРУКТУРОЙ
А.Б. Красковский, С.А. Филист
В работе исследуются интеллектуальные технологии для анализа сложных объектов, основанные на нечетких нейросетевых модулях с динамической структурой, повышающие качество прогнозирования и классификации состояния сложных социо-технических систем
Ключевые слова: интеллектуальные системы, нечеткие нейросетевые модули, анализ сложных объектов
В настоящее время интеллектуальные системы охватывают все более широкие сферы человеческой деятельности. Наиболее актуальные задачи, которые должны решать интеллектуальные системы - это задачи классификации и прогнозирования состояния сложных систем. Во многих случаях решения классификационных задач делается попытка анализа крайне большого числа признаков, что, по мнению исследователей, должно способствовать повышению информативности представлений выборки [1]. Однако выбор полезной информации, т.е. осуществление отбора признаков, является операцией совершенно необходимой, поскольку для решения любой классификационной задачи должны быть отобраны сведения, несущие не «шум» и не иррелевантную, а полезную для данной задачи информацию. В случае, если это не осуществлено по каким-то причинам, исследователь может получить неадекватные модели или недостоверные решения.
Во многие технические и социо-технические системы входят множества, числовое описание объектов которых не представляется возможным. Такие системы называются эмпирическими. Задачи их анализа породили ряд методов: факторный анализ, многомерное шкалирование,
дискриминантный и кластерный анализ. В последнее время для решения сложных задач управления, информационного мониторинга, диагностики, распознавания образов,
классификации и т. д. используют технологии нейронных сетей, эволюционного моделирования и генетических алгоритмов, нечеткой логики, а также различные гибридные технологии или технологии мягких вычислений - Soft computing (нейро-нечетких, нейро-генетических и т.п.) [2,3]. Сфера практического применения перечисленных технологий постоянно расширяется.
Однако, несмотря на активные исследования в этой области, все еще остаются не полностью решенными многие проблемы, связанные с разработкой методов и алгоритмов синтеза нечетких нейросетевых решающих модулей и интерпретации
результатов ее работы для конкретных приложений, взаимоотношениям эмпирической и статистической информации в гибридных моделях принятия решений и особенностями работы гибридных моделей анализа эмпирических систем [4].
В большинстве интеллектуальных систем анализируются множество многомерных шкал. По каждой шкале принимается частное решение. Эти решения объединяются в общее решение на основе решающих правил, известных априори. Решающие правила получают либо на основе экспертной оценки, либо в процессе обучения нечеткой нейронной сети. При работе с многомерными шкалами экспертная оценка является весьма трудной задачей, поэтому используем обучение функционального узла, выполняющего функции агрегирования частных решений.
На рис. 1 представлена обобщенная структура нечеткого нейросетевого решающего модуля, реализующего процесс обработки данных на многомерных субъективных шкалах.
Красковский Антон Борисович - ЮЗГУ, аспирант, e-mail: [email protected]
Филист Сергей Алексеевич - ЮЗГУ, д-р техн. наук, профессор, e-mail: [email protected]
Рис. 1. Обобщенная структура решающего модуля
Факторы, используемые для образования многомерной шкалы, являются плохо изученными, поэтому их релевантность неизвестна. Кроме того, они могут быть линейно зависимыми, что приводит к некорректным вычислениям параметров модели. Поэтому многомерные шкалы формируется в модифициррованном пространстве, структура которого настраивается на класс решаемой задачи, то есть структура решающего модуля должна меняться в зависимости от того, какие признаки используются и какие классы распознаются.
Модуль, структура которого изменяется в зависимости от структуры признакового пространства, назовем решающим модулем с динамической структурой.
Для реализации нечеткого решающего модуля с динамической структурой разработан метод управления структурой нечеткого решающего модуля (рис. 1), заключающийся в формировании динамической структуры агрегатора посредством двухуровневой схемы агрегирования. На первом уровне объединяются только те фуззификаторы многомерных шкал, выходы которых имеют высокую корреляцию. На втором уровне агрегируются все выходы агрегаторов второго уровня и неагрегированные на втором уровне выходы фуззификаторов. Так как структура решающего модуля зависит от обучающей выборки, то назовем модель такого решающего модуля моделью с динамической структурой.
На рис. 2 представлен пример структуры такого решающего модуля. В соответствии с ней полагается, что коррелированны выходы В} и В2, В3 и В6, В7 и Вр. Остальные выходы фуззификатора не коррелированны. На этой схеме агрегаторы у являются агрегаторами первого уровня, и агрегатор N - агрегатором второго уровня. Агрегаторы первого уровня выполняют одну из элементарных нечетких операций., которая выбирается посредством экспертного оценивания в предметной области. Учитывая, что пороговый коэффициент корреляции задается тоже на основе экспертного оценивания, то модель нечеткой нейронной сети является моделью с перестраиваемой или динамической структурой или структурой, подстраиваемой под многомерные шкалы.
Рис. 2. Структура нечеткого нейросетевого
решающего модуля с динамической структурой (п<т)
Структура нечеткой нейронной сети зависит от порогового значения коэффициента корреляции Кпор. Если КВ3В4>Кпор (см. рис.2), то выходы фуззификаторов В3 и В4 объединяются агрегатором первого уровня, а не агрегатором второго уровня. Аналогичному условию на рис. 2 удовлетворяют выходы В1В2 и В7В^
Так как агрегаторы первого уровня
объединяют две или более многомерных субъективных шкал, то решающие правила, которые они реализуют, задаются экспертом. Как правило, для агрегации на этом уровне используется нечеткая операция «ИЛИ».
На рис. 3 представлен алгоритм синтеза нечеткого нейросетевого решающего модуля с динамической структурой, показанной на рис. 2, реализующий разработанный метод.
решающего модуля с динамической структурой
Согласно этому алгоритму решающий модуль синтезируется следующим образом: из базы данных выбирается необходимая обучающая выборка (блок 1) после чего осуществляется фуззификация исходных данных. По результатам, получаемым на выходах фуззификаторов, строится матрица объект-признак. При этом число признаков (столбцов полученной матрицы) будет соответствовать числу используемых многомерных шкал.
После этого производится корреляционный анализ получаемой матрицы, и определяются коэффициенты частной корреляции между выходами фуззификаторов. Этот этап проводится в стандартном пакете статистической обработки данных 81аИ8Йса 6.
В результате анализа корреляционной матрицы выбирается пороговое значение
коэффициента корреляции. После этого приступают к формированию агрегатора первого уровня. Это осуществляется в интерактивном режиме посредствам коммутации соответствующих выходов фуззификаторов и входов агрегаторов первого и
второго уровня, при этом некоррелированные выходы фуззификаторов подключаются
непосредственно к входам агрегатора второго уровня, а коррелированные - к соответствующим входам агрегаторов первого уровня. Этот процесс не занимает длительного времени, так как число используемых многомерных шкал незначительно.
После формирования агрегатора первого уровня настраивается агрегатор второго уровня. Для этого необходимо запустить процедуру синтеза агрегаторов, разработанную на основе генетического алгоритма (используем пакет программного обеспечения, разработанный на кафедре биомедицинской инженерии ЮгоЗападного государственного университета).
После выполнения этой программы модель считается построенной и её можно запускать (блок 7 рис. 3).
Если ошибка классификации, полученная в результате работы модели на обучающей выборки, принимает допустимое значение, то настройка модели заканчивается, и параметры модели отправляются в базу моделей. В противном случае настройка модели продолжается путем снижения порогового значения коэффициента корреляции. Этот путь настройки ведет к увеличению входов агрегатора второго уровня. Если число входов станет недопустимо большим, то выбирается другой путь настройки - изменение нечетких операций в агрегаторах первого уровня вплоть до полного перебора. Если и это не привело к должному эффекту, то необходимо принять меры, выходящие за пределы настраиваемого модуля: изменить показатели качества классификации, изменить алгоритмы синтеза фуззификаторов и т.п.
Рассмотрим пример проектирования интеллектуальной системы анализа состояния сложных объектов, на основе нечетких нейросетевых модулей с динамической структурой.
Структурная схема интеллектуальной системы анализа состояния сложных объектов, на основе нечетких нейросетевых модулей с динамической структурой представлена на рис. 4. Она включает двухуровневую базу данных и два автономных рабочих места: для эксперта и для респондента. Кроме того, в системе предусмотрен модуль интерфейсных окон, который осуществляет интерактивную связь между конечным пользователем и базами данных.
Первый уровень базы данных содержит текущие данные и алгоритмы их получения, которые предназначены для формирования многомерных субъективных шкал.
Второй уровень базы данных содержит модели нечетких решающих модулей, предназначенных для работы с субъективными многомерными шкалами, и инструментарий для получения этих моделей.
Первый уровень базы данных в основном обеспечивает АРМ респондента. В качестве респондента выступает любая сложная система, описываемая посредством многомерных
субъективных шкал.
Второй уровень базы данных ориентирован на АРМ эксперта. АРМы эксперта, респондента и модуль интерфейсных окон создаются в процессе разработки программного обеспечения и предназначены для решения конкретной прикладной задачи.
Рис. 4. Структурная схема интеллектуальной системы анализа состояния сложных объектов на основе нечетких нейросетевых модулей с динамической структурой
Программное обеспечение управления базами данных первого и второго уровня имеет более универсальный характер.
СУБД управляет структурированной базой данных, которую можно разделить на базу данных многомерных субъективных шкал и базу данных нечетких нейросетевых решающих модулях.
База данных многомерных субъективных шкал (МСШ) предназначена для хранения инструментария и технологий, позволяющих исследовать сложный объект на многомерных субъективных шкалах. Она ориентирована на исследование объектов посредством опросников или же исследование реакций объекта на предъявление соответствующего стимула. Как в первом, так и во втором случае получаем заполненную анкету, которая анализируется посредством, так
называемых ключей. В общем случае, при получении многомерной шкалы, используется блок ключей, каждый компонент которого (ключ) соответствует определенной шкале. Для
формирования многомерной шкалы используется база данных алгоритмов формирования многомерных шкал. Алгоритмы реализуют способы формирования многомерных шкал, предложенные экспертом на основе собственного опыта и экспериментальных исследований.
База данных «Нечеткие нейросетевые решающие модули» (ННРМ) предназначена для хранения структурировано-функциональных
решений нечетких нейросетевых решающих модулей. Она состоит из четырех баз данных. В первой БД хранятся общие выборки, которые предназначены для синтеза моделей нечетких нейросетевых структур. Эта база данных структурирована по классам объектов, например, по классам риска сердечно-сосудистых заболеваний, а так же по алгоритмам формирования многомерных шкал. База данных функций принадлежности - это база данных, в которой хранятся объективные или субъективные вероятности о том, что данное событие будет иметь место при условии, что
информативный признак принял конкретное значение из допустимого множества значений.
Третья составляющая второго блока - это база нечетких нейросетевых моделей. Она хранит конкретные параметры конкретных моделей нечетких нейросетевых сетей заданной структуры. Это база данных формируется посредством работы алгоритмов обучения нечетких нейронных сетей.
Четвертой составляющей второй БД является база решающих правил, в которых отображены экспертные данные о динамике изменений состояния объекта исследования на конкретной многомерной шкале. Данные, хранящиеся в ней, исследуются экспертом в процессе формирования нечеткой нейросетевой модели.
В АРМе эксперта содержатся модули, предназначенные для обработки данных, содержащихся в первом и втором блоках БД. Модуль формирования пространства
информационных признаков предназначенных для первичной обработки данных, полученных после обработки анкет респондентов посредством ключа (ключей). При этом могут использоваться методы корреляционного анализа, факторного анализа, разведочного анализа и т.п. В данной работе для реализации этого модуля использовался пакет Statistica 6.
Модуль формирования нечеткой нейросетевой модели использует программное обеспечение, разработанное на кафедре биомедицинской инженерии ЮЗГУ. Модуль функций
принадлежностей основан на графическом анализе гистограммы данных. Модуль реализован с помощью пакета Statistica 6.
АРМ самотестирования предназначен для работы с конечным пользователем. Пользователь входит в меню АРМ самотестирования и выбирает тест на определение состояния объекта, в частности, функционального состояния своей сердечнососудистой системы (ССС). После выбора соответствующего пункта меню, из БД первого уровня выбираются соответствующие алгоритмы тестирования, в соответствии с которыми формируется последовательность личностных опросников. После заполнения конечным пользователем анкет, предъявляемых согласно алгоритму, они обрабатываются соответствующими ключами. Затем выбирается модель нечеткого нейросетевого решающего модуля,
соответствующая выбранному пункту меню, с выхода которой снимаются показатели о функциональном состоянии исследуемого объекта.
Для управления информационными потоками между базами данных и АРМами интеллектуальной системы было разработано программное
обеспечение СУБД.
В качестве протокола обмена используются вызовы функций (API) библиотеки SQLite. Такой подход позволяет запускаться программе без наличия сервера баз данных практически на любом компьютере под управлением Windows и не требует установки сторонних приложений. SQLite хранит
всю базу данных (включая определения, таблицы, индексы и данные) в единственном стандартном файле на том компьютере, на котором исполняется программа.
Система интерфейсных окон, предназначенная для работы в интеллектуальной системе тестирования психосоматического риска, позволяет пользователям взаимодействовать с данными, хранящимися в базе данных, а так же формировать файлы с новыми данными и осуществлять перемещения данных, как по горизонтальным, так и по вертикальным направления.
Для оценки эффективности предложенных моделей нейросетевых решающих модулей посредством разработанной интеллектуальной системы был проведен анализ психосоматического статуса при определении риска сердечнососудистых осложнений (ишемической болезни сердца).
В качестве исходных данных использовались как данные, находящихся в лечебных учреждениях г. Курска и Курской области, так и данные, полученные в режиме Online посредством Интернет сайта Test-SZ.net.
Тестирование риска сердечно-сосудистых осложнений (CCO) осуществлялось посредством решающих модулей, построенных на основе методов дискриминантного анализа и нечетких нейросетевых решающих модулей, реализованных на основе предложенных технических решений. В качестве независимого эксперта использовалась шкала SCORE [5].
Многомерные шкалы модифицировались следующим образом: тестирование только на
психологических шкалах, тестирование только на физиологических шкалах, тестирование на всех шкалах, выбор только «значимых» признаков, преобразование пространства информативных признаков посредством факторного анализа. Методом экспертного оценивания выбиралось лучшая модификация шкал для конкретного решающего модуля.
На рис. 5 представлены диаграммы,
характеризующие показатели качества
прогнозирования риска ССО, полученные посредством использования разработанных решающих модулей и результаты, полученные на тех же самых контрольных выборках, полученные при использовании решающих модулей, выполненных на основе методов дискриминантного анализа и при использовании шкалы SCORE. В качестве показателей качества использовались диагностическая эффективность (ДЭ),
диагностическая чувствительность (ДЧ) и диагностическая специфичность (ДС).
Анализ результатов проведенных
экспериментов (рис.5) показал, что нейросетевые решающие модули, разработанные на основе предложенных способов и алгоритмов, позволил повысить качество прогнозирования рисков ССО по отдельным показателям до 15%.
SCORE нечеткий решающий модуль
дискриминантный анализ
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
□ ДЧ
□ ДС
□ ДЭ
Рис. 5. Показатели качества прогнозирования при наиболее оптимальной комбинации субъективных шкал для решающих модулей, построенных на трех различных методах: шкала SCORE, нечеткое нейросетевое
моделирование, дискриминантный анализ
Полученные сравнительные характеристики известных шкал определения риска ССО и предлагаемой модели интеллектуальной системы позволяют рекомендовать полученные технические и алгоритмические решения для практического использования.
Таким образом, в результате проведенных исследований разработан метод управления структурой нечеткого решающего модуля, заключающийся в формировании динамической структуры агрегатора посредством двухуровневой схемы агрегирования, на первом уровне которой агрегируются только те выходы фуззификаторов, парные коэффициенты корреляции которых превосходят априорно заданное значение, а на втором уровне агрегируются выходы агрегаторов первого уровня и некоррелированные выходы фуззификаторов, позволяющий повысить качество классификации за счет увеличения числа анализируемых многомерных субъективных шкал.
Предложен алгоритм настройки нечеткого нейросетевого модуля с динамической структурой, позволяющий получить параметры модели нечеткого решающего модуля.
Разработаны структурная схема
интеллектуальной системы анализа данных на многомерных субъективных шкалах, работающая в режиме Online, который реализован посредством специально подготовленного Интернет сайта Test-
SZ.net, включающая двухуровневую модель базы данных и два автоматизированных рабочих места, предназначенных для реализации многомерных шкал на основе личностных опросников и синтеза алгоритмов принятия решений по управлению рисками психосоматических заболеваний на основе нечеткой логики и нейросетевого моделирования, программное обеспечение системы управления базы данных, выполненное на основе реляционной базы данных SQLite, и система интерфейсных окон, осуществляющая интерфейсные функции для конечных пользователей.
На примере прогнозирования риска психосоматических заболеваний проведена сравнительная оценка показателей качества прогнозирования известными способами и шкалами - дискриминантный анализ и шкала SCORE - и предложенными классификационными моделями, которая показала, что диагностическая эффективность решающих модулей, полученных в результате проведенных исследований, превышает диагностическую эффективность решающих модулей, полученных на основе методов дискриминантного анализа, в среднем, на 1З%, а шкалу SCORE, в среднем на 10%.
Работа выполнена в рамках Федеральной целевой программы «Научные и научнопедагогические кадры инновационной России на 2009-2013 годы (государственный контракт № П70З от 12 августа 2009 г., номер госрегистрации 01200962672).
Литература
1. Малыше Н.Г., Берштейн П.С., Боненюк А.В. Нечеткие модели для экспертных систем в САПР. М.: Энергоатомиздат, 1991. 136 с.
2. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 с.
3. Хайкин, С. Нейронные сети: полный курс. М.: ООО «И. Д. Вильямс», 2006. 1104 с.
4. Srinivasan D. Forecasting daily load curves using a hybrid fuzzy-neural apporoach. Generat. Transmiss. Distrib., Vol. 141, 1994.- №6- P. З61 - З67.
З. Conroy RM, Pyorala K., Fitzgerald AP, et al. Estimation of ten-year risk of fatal cardiovascular disease in Europe: the SCORE project. Eur Heart J 2003;24:987-1003.
Юго-Западный государственный университет, г. Курск
DYNAMIC STRUCTURED NEUROMODULAR INTELLECTUAL SYSTEM TO ANALYSE
COMPLEX OBJECT STATES
A.B. Kraskovskiy, S.A. Filist
Our research deals with intellectual technologies to analyse complex objects based on fuzzy neural network modules with dynamic structure which enchance prediction and classification meachanics of social tecnical systems
Key words: intelligent systems, fuzzy neural network modules, the analysis of complex objects
