автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.10, диссертация на тему:Методологические основы построения интеллектуальной поддержки принятия решений в медицинских системах

На правах рукописи

КРОШИЛИН АЛЕКСАНДР ВИКТОРОВИЧ

МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПОСТРОЕНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В МЕДИЦИНСКИХ СИСТЕМАХ

С пециальности:

05.13.10 - «Управление в социальных и экономических системах» 05.13.01 - «Системный анализ, управление и обработка информации (технические системы)»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

1 8 СЕН 2014

005552554

Рязань 2014

005552554

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Рязанский государственный радиотехнический университет»

Научный консультант: Пылькин Александр Николаевич,

доктор технических наук, профессор, заслуженный работник высшей школы РФ, заведующий кафедрой «Вычислительной и прикладной математики» ФГБОУ ВПО «Рязанский государственный радиотехнический университет», г. Рязань

Официальные оппоненты: Агеев Владимир Николаевич,

доктор технических наук, профессор, профессор кафедры «Автоматизация

полиграфического производства» ФГБОУ ВПО «Московский государственный университет печати имени Ивана Федорова», г. Москва

Андрианов Дмитрий Евгеньевич,

доктор технических наук, доцент, заведующий кафедрой «Информационные системы» Муромского института (филиал) ФГБОУ ВПО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых», г. Муром

Никульчев Евгений Витальевич,

доктор технических наук, профессор, проректор по научной работе НОУ ВО «Московский технологический институт», г.Москва

Ведущая организация: ФГБОУ ВПО «Юго-Западный государственный

университет», г. Курск

Защита диссертации состоится «22» октября 2014 г. в 12 час. 00 мин. на заседании диссертационного совета Д 212.211.02 в ФГБОУ ВПО «Рязанский государственный радио технический университет» по адресу: 390005, г. Рязань, ул.Гагарина, 59/1.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «Рязанский государственный радиотехнический университет» или на сайте http://www.rsreu.ru

Автореферат разослан «с£- » сентября 2014 г. Ученый секретарь диссертационного совета

канд. техн. наук, доцент " Д А- Перепелкин

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследования. Современные медицинские учреждения функционируют в эпоху динамически развивающихся технологических и информационных процессов, характеризующихся стремительными и широкомасштабными изменениями внешней среды, экономических и социальных отношений. Продуктивным инструментом исследования проблем в области управления и создания информационных систем по данному направлению являются методы моделирования. Представление процессов в указанных системах в виде моделей является основой проектирования систем поддержки принятия медицинских решений (СППМР) и способствует повышению эффективности как принятия медицинских решений (ПМР), так и управления медицинским учреждением в целом.

В процессе работы с пациентом выделяют два этапа: диагностика заболевания и лечение выявленной патологии, которые сложно разделить, поскольку для установления первичного диагноза и назначения курса лечения необходимо осуществлять мониторинг процесса, то есть проводить проверку состояния здоровья пациента с целью повышения продуктивности процесса лечения и коррекции его при необходимости. При этом врач выступает в качестве лица, принимающего медицинское решение (ЛПМР), вырабатывает медицинское решение (МР) в условиях недостаточности и неопределенности исходных данных, опираясь на собственные опыт, знания и интуицию. Процесс ПМР характеризуется недостаточностью знаний и противоречивостью имеющейся информации, отсутствием возможности привлечения компетентных врачей-экспертов, ограниченностью ресурсов во времени, неполнотой или неточностью информации о состоянии пациента. Отмеченные аспекты могут являться причинами врачебных ошибок, приводящих в дальнейшем к усугублению проблемной ситуации. Решение этой проблемы может быть найдено в развитии методологии проектирования интеллектуальных СППМР.

Численность населения Российской Федерации, по данным Госкомстата, за последнее десятилетие сокращается в среднем на 800 тыс. человек в год. Эти показатели формируются па основании информации о рождаемости и смертности, составляемой работниками медицинских учреждений различных профилей. Медицинская ошибка, повлекшая за собой ущерб здоровью пациента, приводит к материальным потерям: 1) государственным расходам на компенсацию по утрате здоровья пациента; 2) расходам пациента на восстановление здоровья; 3) бюджет теряет (временно или навсегда) налогоплательщика.

В общем случае задачи поддержки принятия медицинских решений (ППМР) в условиях неопределенности очень часто бывают слабоструктурированными или плохо формализованными. В связи с этим применение традиционных методов моделирования сложных систем является малоэффективным, что в свою очередь ведет к применению специально разработанных механизмов ППМР на основе нечетких множеств совместно с методами алгебры логики, семантических сетей и теории когнитивного анализа.

Значительный вклад в совершенствование теории нечетких множеств внесли: А.Н. Аверкин, P.A. Алиев, JI.C. Бернштейн, А.Е. Алтунин, A.B. Алексеев, К. Асаи, Р. Веллман, А.Н. Борисов, ДА. Заде, И.З. Батыршин, А. Кофман, A.B. Леоненков, С.Я. Коровин, O.A. Крумберг, Н.Г. Малышев, К. Негойце, А.Н. Мелехов, Р. Ягер, Д.А. Поспелов, Т.Л. Саати, А. Тверски, М.В. Семухин, Т. Тэра-но, С.А. Орловский, С.Д. Штовба и др. Реализация алгоритмов нечеткого вывода освещена в работах X. Ларсена, Е. Мамдани, Т. Такаги, Й. Цукамото.

Оптимальным механгомом для автоматизированного решения являются эффективная обработка статистической информации и комплексный анализ полученных данных средствами интеллектуального анализа с применением технологий нечетких множеств и нечеткой кластеризации.

Основные принципы современной теории кластеризации базируются на работах Дж. Рубина, С. МакНотона, Д. Дюрана, П. Оделла, В.В. Белова, Д.А. Вятченина Т Кохонена, Л.А. Демидовой, Г. Болла, Д. Холла, Г. Ланса, М. Брюиноша У. Уильямса, М. Жамбю, Р. Дженсена, Г. Миллигана, X. Фридмана, H Г. Загоруйко и др. В работах Дж. К. Беждека, Р.Н. Дейва, Дж. К. Данна, Р. Кришнапурама, Дж. М. Келлера, Я. Охаши предлагаются алгоритмы нечеткой кластеризации. Многие работы таких ученых, как Я. Батистакис, Г. Бени, X. Галда, М. Сутено, И. Гаф. А. Гева, Д. Густафсон, В. Кессел, М. Халкиди, С. Се, Ю. Фукуяма посвящены разработке и анализу показателей качества кластеризации в алгоритмах нечеткой кластеризации.

В области построения СППМР целесообразно использовать: концепции построения автоматизированных медицинских систем, теоретические принципы построения медицинских экспертных систем, моделей представления знаний, семантических сетей, универсальных алгебр, нечетких логик и применение теории выбора (А.О. Недосекин, Г.С. Поспелов, A.A. Дородницын, И.А. Каши-рин, Э.В. Попов, М.Л. Минский, М.А. Айзерман, Н. Нильсон, В.М. Глушков, А.в'. Шеер, Р. Риченс, Р. Симмонс, С. А. Юдицкий, Д. Дюбуа, А. Прад, Г.Н. Ка-лянов) На' основе этой теории осуществляется построение модели пациента, методов лечешы и эпидемиологической ситуации с применением устоявшихся медицинских закономерностей.

Хранилища данных различных автоматизированных информационных систем применяемых в медицинских учреждениях, позволяют накапливать информацию о материальных медицинских ресурсах, которые с успехом можно применять для извлечения новых знаний, требующихся для качественного управления медицинскими материальными потоками в интеллектуальных СППР. В основе развития задач оптимального управления материальными потоками научным направлением является методология когнитивного анализа, при котором эффективным инструментом считаются нечеткие когнитивные карты (Р Аксельрод, Е.А. Гребенюк, В.И. Максимов, А.К. Григорян, В.Б. Си-лов К Идеи В М. Казиев, А.Н. Райков, C.B. Качаев, C.B. Коврига, Е.К. Корно-ушенко, Б. Коско, A.A. Кулинич, Д.И. Макаренко, Ф.С. Роберте, ЭЛ. Толмен, A.C. Федулов), хорошо зарекомендовавшие себя в задачах исследования структуры модели системы учета материальных потоков и получения прогнозов ее развития при разнообразных воздействиях управления с целью эффективной

стратегии управления.

В последние годы особое внимание уделяется развитию гибридных подходов к построению интеллектуальных систем, функционирующих в условиях неопределенности и реализующих комплексное применение разнообразных инструментов искусственного интеллекта, позволяющих разработать новую информационную технологию построения таких систем. Особая роль при таком подходе отводится знаниям, характеризующим предметную область в различных прикладных задачах (Н.Г. Ярушкина, В.В. Борисов, A.B. Кузьмин, В.В. Крутлов, Ю.Н. Минаев, А.П. Ротштейн, М. Пишшьский, Д. Рутковская, A.A. Усков, Л. Рутковсюш, О.Ю. Филимонова и др.).

В результате исследования известных методов, алгоритмов и моделей ППМР в условиях неопределенности и неполноты исходной информации, ос-

нованных на использовании инструментария теории нечетких множеств, был сделан вывод, что во многих случаях они не обеспечивают получение соответствующих требованиям решений ввиду малообоснованного выбора параметров моделирования, при этом нахождение адекватных решений из-за необходимости многократного выполнения реализаций используемых методов, алгоритмов и моделей с целью выбора наиболее оптимальных параметров сопровождается большими временными затратами.

Актуальность проблемы заключается в необходимости разработки интеллектуальных медицинских систем на основе эффективных методов, алгоритмов и моделей ППМР в условиях неполноты и неопределенности исходных данных, позволяющих обеспечивать высокую адекватность и обоснованность принимаемых решешш в условиях ограниченности временных ресурсов. Совокупное использование инструментария теории универсальных алгебр и семантических сетей, теории нечетких множеств и нечеткой логики, а также теории когнитивного анализа дает возможность создать качественно новые медицинские информационные системы, позволяющие решать более широкий круг задач ППМР в условиях неполноты и неопределенности исходных дашшх и обеспечивать эффективность принимаемых решений (за счет повышешш точности, объективности и адекватности) в условиях неопределенности.

Научный аспект сформулированной проблемы заключается в развитии теоретических основ поддержки принятия медицинских решений на основе теории нечетких множеств, семантических сетей и когнитивного анализа.

Практическая часть проблемы включает в себя алгоритмизацию, разработку специального программного обеспечения и его практическое применение для поддержки принятия медицинских решешш в сфере медицины.

Цель диссертационной работы состоит в разработке эффективных методов, алгоритмов и моделей поддержки принятия решений в условиях неопределенности на основе совокупного использования теории нечетких множеств, семантических сетей и когнитивного анализа, позволяющих повысить надежность и качество принимаемых решений, а также минимизировать материальные потери от совершения медицинских ошибок.

Для достижения поставленной цели были решены следующие основные задачи.

1. Разработка метода и алгоритма нечеткой кластеризации на основе нечеткого отношения равнозначности, порождаемых свойствами исследуемых данных и без использования дополнительных сведений о кластерах.

2.Разработка концепции генерации возможных альтернатив рекомендаций по ППМР на основе анализа проблемных ситуаций, возникающих при лечении пациента, и формирование сетевой архитектуры модели пациента и действий, производимых с ним. Концепция строится на теории семантических сетей и теории нечетких множеств и использует гипотезу о подобии.

3. Разработка нечеткой когнитивной карты — универсальная нечеткая когнитивная карта (УНКК), которая объединила в себе все положительные свойства существующих когнитивных карт. УНКК позволит использовать больше возможностей при построении моделей сложных систем, описывающих предметные области (ПрО). На основе УНКК возможно построение когнитивной модели ПрО и проведение когнитивного анализа.

4. Формулирование принципа построения интеллектуальных СППМР в медицинских учреждениях, в условиях неопределенности, на основе теорий нечетких множеств, семантических сетей и когнитивного анализа.

5.Решение медицинских прикладных задач ППМР в условиях неопределенности с использованием разработанных методов, алгоритмов и моделей.

Область исследования. Принятие управленческих решений в труднофор-мализуемых предметных областях.

Объект исследования. Объектом диссертационного исследования являются интеллектуальные СППМР, особенности технологии их функционирования в условиях неопределенности и неполноты априорной информации.

Предмет исследования. Предметом исследования являются: -модели ППМР с использованием интеллектуальных систем на основе нечеткого вывода;

- методы и алгоритмы нечеткой кластеризации многомерных объектов в условиях неполноты априорной информации;

- модели развития процессов, базирующихся на семантических сетях с использованием теории нечетких множеств;

-методы и алгоритмы когнитивного анализа на базе нечетких когнитивных карт в задачах управления медицинскими материальными потоками.

Методы исследований. Методы, используемые в данной работе, в соответствии с принципами системного подхода объединяются для решения поставленных задач. Теоретические исследования проведены с применением методов теорий универсальных алгебр, семантических сетей, нечетких множеств,^ кластеризации, когнитивного анализа, когнитивных карт, принятия решений, нечеткой логики, вероятностей и математической статистики, системного и математического анализа, построения БД и автоматизированных корпоративных информационных систем. Экспериментальные исследования выполнены с использованием методов моделирования (математического и имитационного), технологий объектно-ориентированного и модульного программирования, технологий построения распределенных баз данных и многомерных кубов данных.

Научная новизна результатов работы

1. Разработана модификация метода нечеткой кластеризации на основе нечеткого отношения равнозначности, порождаемого свойствами исследуемых данных и без использования дополнительных сведений о кластерах, которые не зависят от формы кластеров, для чего введены и определены понятия «мягкое нечеткое отношение» и «нечеткое отношение равнозначности», при этом оценивается качество каждого разбиения и выбирается наилучшее из них.

2. Предложен алгоритм на основе разработанного метода нечеткой кластеризации, который позволяет в исследуемых данных продуктивно выявлять кластеры произвольной формы. Выбор наилучшего из решений задачи кластеризации выполняется с использованием нечеткого отношения равнозначности, применяется специально разработанный критерий - нечеткая оценочная функция разбиения, использующая понятие мощного кластера.

3. Предложена концепция выработки возможных альтернат™ рекомендаций по принятию медицинских решений на базе анализа ситуаций. В основе: гипотеза о подобии (получение ситуаций и рекомендаций, в которых понятийные пространства наиболее близки к понятиям, описывающим проблемную ситуацию); методика построения предметной области с использованием семантической сети для рекомендательной медицинской базы знаний; определены нечеткие множества для приблизительных рассуждений и обработки неопределенности при создании модели знаний; основы построения логического вывода для выбора рекомендации; алгоритм расчета веса ключевого понятия в рекомендации: методика получения рекомендации из базы знаний; алгоритм, оцениваю-

щий полученные рекомендации согласно ключевым понятиям проблемной ситуации.

4.На основе концепции построены: сетевая архитектура модели пациента для интеллектуальной системы; модель действий, производимых с пациентом. Модели позволяют производить расширенный и ординарный способ анализа ситуации на базе оценочной функции и использования критериальных механизмов выбора, дающих возможность с высокой достоверностью находить наиболее релевантные наборы действий согласно сложившейся ситуации, а также осуществлять их ранжирование по степени значимости.

5.Предложен тип - универсальная нечеткая когнитивная карта (УНКК), объединяющая в себе все положительные свойства существующих нечетких когнитивных карт. В УНКК теория нечетких множеств используется как при анализе структуры, так и при построении самой карты. В структуре карты нечеткими являются: концепты и связи между концептами, которые отражают тип распространения влияния концепта на концепт; механизмы накапливания влияния группы концептов на конкретный концепт (динамическое моделирование).

6. Разработаны метод и алгоритм обучения УНКК, который позволяет повысить точность их построения и адекватность моделируемых ПрО за счет учета накопленной статистической информации о состояниях исследуемой системы в определенные моменты времени. Введены аналитические показатели устойчивости УНКК - системные показатели модели, рассчитываемые на основе значений нечеткой трашитивно-замкнутой матрицы влияний концепта на концепт и ориентированные на решение задач поддержки принятия решения в управлении медицинскими материальными потоками в динамике.

7. Разработана модель динамики для УНКК, которая дает возможность моделировать и проводить анализ поведения сложных систем, учитывая: нелинейный характер влияния между концептами в корреляции от нечеткого состояния концепта на входе и концепта на выходе; одновременный учет влияния значений изменений концептов и значений их состояний; нелинейный характер влияния изменений концептов; одновременный учет концептов разных знаков друт на друга. Предложен способ построения модели предметной области на основе УНКК.

8.Предложен принцип проектирования интеллектуальных СППМР в медицинских учреждениях в условиях неопределенности, на основе теорий нечетких множеств, семантических сетей и когнитивного анализа.

Достоверность научных положений, теоретических выводов и практических результатов диссертационной работы подтверждается:

- результатами моделирования (имитационного и математического ), объектно-ориентированного и модульного программирования, построеши баз знаний и многомерных: кубов данных, разработанных моделей, методов и алгоритмов;

- корректным использованием выводов и подходов теорий нечеткой логики и нечетких множеств, нечеткой кластеризации многомерных объектов в условиях недостаточности и неопределенности данных, прогнозирования процессов на базе семантических сетей, когнитивного анализа с использованием нечетких когнитивных карг;

- использованием разработанных методов, алгоритмов и моделей в информационных системах для решения реальных прикладных задачах;

- технологической реализацией информационных систем и отдельных их элементов, подтвержденных свидетельствами об официальной регистрации;

- наличием актов внедрения результатов диссертационной работы.

Практическая ценность подтверждается разработанными методами, алгоритмами и моделями, реализованными в программных продуктах для ЭВМ: Интеллектуальная аналитическая система (ИАС) мониторинга пациентов на основе нечеткой кластеризации для медицинских учреждений «Диспансер» [82]; Система поддержки принятия решений на основе нечеткой логики «Stacionar» [83]; Интеллектуальная информационно-поисковая система "AnNet"» [81]; Программный комплекс интеллектуального управления товарными запасами на основе нечеткого когнитивного анализа «Alf-Zdr. Товарный запас» [84]; Программный комплекс управления базой данных статистической информации для систем поддержки принятия решений «Эксперт» [85]; База данных аналитической информации для систем поддержки принятия решений «Эксперт2» [86].

Теоретическая значимость работы заключается в развитии теории, методов и алгоритмов принятия решений в медицинских учреждениях в условиях неопределенности, а также развитии теории проектирования интеллектуальных систем поддержки принятия медицинских решений.

Реализация и внедрение результатов дессертаипонной работы. Работа над диссертацией выполнялась в рамках ряда целевых программ. Одной из них является территориальная программа «Неотложные меры борьбы с туберкулезом в Рязанской области на 1998-2000 годы», согласно Приказу Минздрава Российской Федерации «О создании Государственной системы эпидемиологического мониторинга туберкулеза» № 193 от 03.07.1997.

Исследования по тематике диссертационной работы велись: в рамках государственного контракта № 14.В37.21.0234 «Разработка информационных систем поддержки принятия решений при проектировании и управлении техническими объектами химического и машиностроительного профиля с использованием технологии виртуального моделирования» в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» (2009-2013 гг. ); в рамках 4 госбюджетных НИР: НИР 7-09Г «Разработка математических методов и алгоритмов передачи и обработки цифровой информации для поддержки интеллектуальных систем управления» (2009-2011 гг.); НИР 1112Г «Разработка математических моделей, методов и алгоритмов обработки больших объемов информации в сложно организованных: системах искусственного интеллекта» (2012-2013 гг.); НИР 9-14Г «Разработка методов и прорывных технологий обработки, распространения и использования аэрокосмических изображений в интересах развития экономики регионов Российской Федерации» (2014 г.); НИР 14-01-97500 «Разработка интеллектуальной аналитической системы оценки состояния здоровья пациентов на основе нечеткой логики для медицинских учреждений с применением прогрессивных технологий, обеспечивающих инновационное развитие медицины и социальной сферы» (2014-2015 гг.).

Разработанные методы, модели и алгоритмы, а также реализующие их информационные системы внедрены в следующих организациях.

1. Интеллектуальная аналитическая система мониторинга пациентов на основе нечеткой кластеризации для медицинских учреждений «Диспансер» (ИАС МП «Диспансер» ver. 4.0) успешно внедрена и используется в Государственном учреждении здравоохранения «Рязанский областной клинический противотуберкулезный диспансер», г. Рязань (акт внедрения от 20.03.2010).

2. Система поддержки принятия решений на основе нечеткой логики «Stacionar» (СППР HJI «Stacionar») успешно внедрена и используется в Государственном бюджетном учреждении Рязанской области «Областной клиниче-

ский кожно-венерологический диспансер», г.Рязань (акт внедрения от

01.12.2011) и в Государствегаюм бюджетном учреждении Рязанской области «Захаровская центральная районная болыпща», с.Захарово (акт внедрения от

25.05.2012).

3. Автоматизированная информационная система медицинского учреждения «Эксперт» (АИС МУ «Эксперт») поддержки принятия решении на основе нечеткой логики успешно внедрена и используется в Государственном казенном учреждении здравоохранения «Рязанская областная клиническая психиатрическая болыпща им. H.H. Баженова», г.Рязань (акт внедрения от 21.11.2012) и Государственном бюджетном учреждении Рязанской области «Спасская центральная районная больница», г.Спасск (акт внедрения от 11.06.2013).

4. Система поддержки принятия решений на основе технологий копштив-ного анализа «ALF А VIT» (СППР «ALFAVIT») успешно внедрена и используется в городской сети аптек ООО «Аптека № 181», г.Рязань (акт внедрения от 12.06.2011) и в областной сети аптек ООО «Алфавит-Здоровье», г.Рыбное (акт внедрения от 02.02.2010).

5. Программный комплекс интеллектуального управления топарными запасами на основе нечеткого когнитивного анализа «Alf-Zdr. Товарный запас» успешно внедрен и используется в региональной сети аптек ООО «Ригла», г.Москва (акт внедрения от 18.10.2011).

6. Результаты полученных в диссертации теоретических, прикладных и экспериментальных исследований используются в учебном процессе Рязанского государственного радиотехнического университета при обучении студентов по специальностям: 230105 «Программное обеспечение вычислительной техники и автоматизированных систем» в курсе «Программное обеспечение экономических систем», 080801 «Прикладная информатика в экономике» в курсах «Информационные системы в административном и банковском деле» и «Пакеты прикладных программ», 230201 «Информационные системы и технологии» в курсе «Корпоративные информационные системы»; по направлениям: 231000 «Программная инженерия» в курсе «Программное обеспечите социальных экономических систем», 230700 «Прикладная информатика» в курсах «Информационные системы в экономике» и «Математические и инструментальные методы поддержки принятия решений», 230400 «Информационные системы и технологию) в курсе «Корпоративные информационные системы» (акт внедрения от 20.05.2014).

Использование результатов диссертационной работы на практике подтверждено соответствующими актами о внедрении. Получено б свидетельств ФГБУ «Федеральный институт промышленной собственности Федеральной службы по интеллектуальной собственности, патентам и товарным знакам» (РОСПАТЕНТ) об официальной регистрации программ для ЭВМ и БД.

Содержание диссертации соответствует паспортам специальностей: 05.13.10 «Управление в социальных и экономических системах», а именно п.1, п.4, п. 10 и 05.13.01 «Системный анализ, управление и обработка информации (технические системы)», а именно п.1, п.2, п.4.

Основные положения, выносимые на защиту

1. Модифицированный метод нечеткой кластеризации на основе нечеткого отношения равнозначности, при этом оценивается качество каждого разбиения и выбирается наилучшее из mix, что позволяет осуществлять решение задачи кластеризации в формальном виде.

2. Алгоритм на основе разработанного метода нечеткой кластеризации, кото-

рый позволяет в исследуемых данных продуктивно выявлять кластеры произвольной формы.

3. Концепция выработки возможных альтернатив рекомендаций по принятию медицинских решений на базе анализа ситуаций, возникающих при лечении пациента. Методика построения предметной области с использованием семантической сети для рекомендательной медицинской базы знаний; определены нечеткие множества для приблизительных рассуждений и обработки неопределенности при создании модели знаний; основы построения логического вывода для выбора рекомендации; алгоритм расчета веса ключевого понятия в рекомендации; методика получения рекомендации из базы знаний; алгоритм, оценивающий полученные "рекомендации согласно ключевыми понятиями проблемной ситуации

4. Сетевая архитектура модели пациента для интеллектуальной системы; модель действий, производимых с нацистом; модель пациента, дающая возможность производить расширенный и ординарный способ анализа ситуации на базе оценочной функции и использования критериальных механизмов выбора.

5. Тип нечеткой когнитивной карты - универсальная нечеткая когнитивная карта (УНКК), которая объединила в себе все положительные свойства существующих нечетких когнитивных карт. В структуре этой карты нечеткими являются концепты, связи между концептами и механизмы накапливания влияния группы концептов на конкретный концепт, динамическое моделирование.

6. Метод и алгоритм обучения УНКК; анализ устойчивости УНКК с использованием разработанных аналитических показателей устойчивости.

7. Модель динамики для УНКК. Методика построения моделей на основе математического аппарата нечетких когнитивных карт, позволяющая описывать сложные многокритериальные интеллектуальные системы поддержки принятия медицинских решений.

8 Принцип построения интеллектуальных СППМР в медицинских учреждениях, в условиях неопределенности, на основе теорий нечетких множеств, семантических сетей и когнитивного анализа.

9. Результаты решения ряда прикладных задач поддержки принятия медицинских решений в условиях неопределенности с использованием разработанных методов, алгоритмов и моделей.

Апробация работы. Основные теоретические положения и практические результаты диссертационной работы докладывались и обсуждались на следящих научных конференциях: Международной научно-технической конференции «Математические методы и информационные технологии в экономике, социологии и образовании» (Пенза, 2001); XVI Всероссийской научной конференции молодых ученых и студентов «Реформы в России и проблемы управления» (Москва, 2001); IX Всероссийской межвузовской научно-технической конференции «Микроэлектроника и информатика 2002» (Москва, 2002); межвузовской научной конференции профессорско-преподавательского состава «Проблемы и методы управления экономической безопасностью регионов» (Коломна, 2006); региональной научно-теоретической конференции «Проблемы и методы'управления экономической безопасностью регионов» (Рязань, 2007); межвузовской научной конференции профессорско-преподавательского состава «Национальная экономика в условиях глобализации: роль институтов» (Санкт-Петербург, 2007); VII, XIV, XV, XVI, XVII Всероссийских научно-технических конференциях студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях и в образовании» (Рязань, 2002,

2009-2012); XVI Международной научно-технической конференции «Информационные системы и технологии (ЙСТ-2010)» (Нижний Новгород, 2010); X Международной научно-практической конференции «Исследование, разработка и применение высоких технологий в промышленности» (Санкт-Петербург, 2010); Международной научно-практической конференции профессорско-преподавательского состава «Социально-экономические проблемы общества в условиях кризисной экономики РФ» (Коломна, 2010); Международных форумах по проблемам науки, техники и образования «III тысячелетие - Новый мир» (Москва, 2010, 2012); Международной научно-практической конференции «Стратегия управления: государство, бизнес, образование» (Рязань, 2010), XXIII, XXIV, XXV Всероссийских научно-технических конференциях студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы ("БИОМЕДСИСТЕМЫ-2010, 2011, 2012")» (Рязань, 2010-2012); XII Международной научно-практической конференции «Измерение, контроль, информатизация» (Барнаул, 2011); Международной научно-технической конференции «Актуальные проблемы науки» (Тамбов, 2011); Всероссийской научно-технической конференции «Информационные и управленческие технологии в медицине и экологии» (Пенза, 2011); Международной научно-практической конференции «Игаювации на основе информационных и коммуникационных технологий» (Сочи, 2011); LXVI Всероссийской конференции, посвященной Дгао радио, «Научная сессия» (Москва, 2011); Международной научно-практической конференции «Инновационные информационные технологии» (Прага, 2012); XII международной научно-практической конференции «Методы и алгоритмы прикладной математики в технике, медицине и экономике» (Новочеркасск, 2012); Международной научно-практической конференции «Общество, современная наука и образование: проблемы и перспективы» (Тамбов, 2012); Международной научной конференции «Инновационные медицинские технологии» (Москва, 2012); Международной научно-практической конференции профессорско-преподавательского состава «Россия и мир: проблемы и перспективы инновационного развития» (Коломна, 2012); X, XI, XII, XIII, XIV, XV, XVII Международных научно-технических конференциях «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, 2001-2005, 2008, 2012); The IV International research and practice conference «European Science and Technology» (Munich - Germany, 2013); The XIX International open science conference «Modern informatization problems» (Yelm, WA, USA, 2014).

Публикации. По теме диссертации опубликовано 86 печатных работ (17 -без соавторов), в том числе: 14 статей в изданиях, входящих в перечень ВАК для докторских диссертаций; 5 монографий; 22 статьи в научно-техшмеских журналах и межвузовских сборниках; 39 докладов на международных и всероссийских конференциях; б свидетельств о регистрации программ для ЭВМ и баз данных в ФГБУ «Федеральный институт промышленной собственности Федеральной службы по интеллектуальной собственности, патентам и товарным знакам» (ФГБУ ФИПС - РОСПАТЕНТ).

Личный вклад соискателя. Все результаты диссертационной работы, в том числе постановка задач, разработка и исследование защищаемых методов, моделей и алгоритмов, основные научные результаты, выводы и рекомендации^ принадлежат лично автору. Информационные системы, реализующие разработанные методы, алгоритмы и модели, созданы непосредственно автором. Участие соавторов сводится к методическим консультациям и участию в получе-

НИИ экспериментальных результатов по предложенным автором постановке задач и технологиям.

Гтт-ктупа и диссертации. Диссертационная работа состоот из

дення пяти глав, основных вьшодов, списка использованной литературы из 383 наименований и четырех приложений. Работа изложена на 474 страницах машинописного текста, содержит 45 таблиц и 130 рисунков.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цель и задачи исследования, определены направления исследования. Отражены научная новизна и практическая ценность диссертационной работы.

Глава 1 «Обзор и анализ алгоритмов и методов поддержки принятия медицинских решений в условиях неопределенности». Важное место в оо-щей проблеме принятия медицинских решений занимает проблема принятия медицинских решений в условиях неопределенности, для решения которой на современном этапе развития информационных технологий необходимо применение СППМР В медицинской сфере неопределенность можно классифицировать как неопределенность, связанную с неполнотой знаний о ПрО, по которой принимается медицинское решение; неопределенность, возникающую вследствие непредсказуемости реакции окружающей среды на выполняемые дежтвия, и неопределенность как неточное понимание цели непосредственно ЛПМР.

В главе подробно рассмотрены подходы к решению задач искусственного интеллекта с помощью нечетких объектов. Обозначены понятия «неточность», «неопределенность», «нечеткость» и подходы к пониманию нечетких множеств Приведены основные виды моделей построения знании. Исследованы системы неопределенности, понятия нечеткой системы и формальной логической системы схемы логического вывода. Предложены подходы к построению схемы нечеткого вывода. Проанализированы применяемые интеллектуальные информационные системы анализа данных для принятия решении и схема процесса приобретения знаний. Перечислены функции экспертной системы в интеллектуальных СППР. Разработана общая архитектура экспертной системы. Приведен обзор экспертных систем и медицинских экспертных систем. Проанализированы особенности построения СППР в медицине. Приведены различные подходы к построению и типы информационных систем в медицине. Рассмотрены задачи и основные функции медицинских информационных систем. Осуществлена группировка медицинских информационных систем и рассмотрены особенности их функционирования. Приведены операции над нечеткими высказываниями в медицинских предметных областях и требования к методам принятия решений. Изучены основные принципы учета пациентов в медицинских учреждениях. Рассмотрены автоматизированные информационные системы в здравоохранении, изучена система учета стационарного лечения больных (сущность и проблемы, возникающие при учете больных, а также основные це-хта учета больных). Приведен анализ существующих программных средств.

Глава 2 «Нечеткая кластеризация для эффективного исследования статистической информации». В медицинских учрежденияхв результате автоматизации их деятельности с использованием баз данных (БД) накапливаются большие объемы данных, в которых хранится дополнительный объем невыяв-тенной и потенциально полезной информации, однако раоота с ней часто сводится к накоплению статистики и формированию отчетов по ней. Эффективный мониторинг данных достигается путем применения методов интеллектуального анализа особое место в которых занимают методы классификации и кластери-

зации. Наиболее удобным вариантом классификации является комбинированный фасетно-иерархический подход.

В классификации данных на основании значений переменных, которые характеризуют объект, необходимо найти значение зависимой переменной. Предположим, что заданное множество объектов (исследуемых данных) ПрО конечно: О = Ígl,g2,■■■,gi,—,g„}, где g¡- 1-й объект ПрО, п - количество объектов ПрО, каждый из которых характеризуется некоторым набором атрибу-товё^ха,х2,...,ха,...,х!т.х11гп1). Пусть известны значения т атрибутов объекта ПрО gl(x¡í,xг,...,xíi,...,x¡m'), тогда задача состоит в нахождении неизвестного атрибута . При классификации множество значений .(„., конечно, а при регрессии - имеет мощность континуума или счетно. Задача классификации в СППМР применима в вопросах постановки диагноза.

В разработанной системе для каждого диагноза Д1 имеется набор атрибутов, где т1 - количество атрибутов, описывающих /-й диагноз. Для постановки диагноза в системе необходимо задать значение всех известных атрибутов, а система выдаст ранжированный список наиболее подходящих диагнозов, из которого пользователь-врач выбирает (если он согласен) нужный вариант. Разработанная схема постановки диагноза представлена на рис.1. В разработанной ПАС мониторинга пациентов для медицинских учреждений на основе нечеткой кластеризации решена задача определения варианта течения болезни с использованием анализа статистической информации, когда ничего неизвестно о внутренних зависимостях в данных. Элемент данных .г для кластеризации (вектор характеристик-объект) представляет собой элемент <Л-мерного пространства: х-(хх,...,хл). Атрибут (характеристика) х, - числовая компонента вектора .г . Размерность с! - число характеристик объекта х.

Множество объектов

Л' = ..,*„}- массив входных данных, г'-й объект из Л' определяется как х, =(хп,...,хи).

Обычно X представляют матрицей характеристик размерностью п х с1. Необходимо создать множество кластеров К и отображение Е: О —> К. Кластерную структуру представим выражением:

ки = {gj>gP^■Sj,gptGЖgj,gp)<Ч'\,

Регистрация пациента в системе

3

Заполнение атрибутов /

с помощью /

электронной анкеты

1

Первичная постановка диапюза смстемш

^—^ сог.:и.хн .....-. НЕТ

| Добавление ношх } [ атрибутов в ас тему \

х БДа1р»гбугав и— ! дыгназа \ !

I

¡•"-1______1

I БДдигноосв | ) 7 по шифру

' КК&Х

I

Первичный диагноз занос 1ггся в электронную историю больного пациента

| описания диализа в систему

С_____

ВДнаксчшшоИ| сгашсшкп I*-десгнссш i

кластер из множества

где кк е.К,кк кластеров К.

Таким образом, кластер состоит ш объектов ПрО, находящихся в

„ , „ пространстве атрибутов „V рядом в

Рисунок 1 - Схема процесса постановки смысле метрики</ (оценочная

диагноза на основе классификации функция), и ограшгчивается величиной <//. Четкая (непересекающаяся) кластеризация определяет объект .v, из ПрО Р только к определенному кластеру, тогда как нечеткая кластеризация вычисляет каждому объекту х, из ПрО Р сте-

пень его принадлежности и,к к каждому из к кластеров, определяющуюся функцией принадлежности /Л, которая показывает степень принадлежности х, к кластеру }. Для осуществления нечеткой кластеризации необходимо выполнить перечисленные действия.

1. Задать первоначальное нечеткое разбиение п объектов на к кластеров путем указания матрицы принадлежности V размерностью пхк. Чаще всего значение элементов ил матрицы находится в пределах [ОД].

2. Используя элементы принадлежности матрицы II, вычислить критерий нечеткой ошибки:

V К X

Е1(Х,и) = ^^и,к\\х1-с1,( , ск = Хад - где ск- центральная часть нечеткого

¿=1 I-1

кластера к.

3. Для уменьшения величины критерия нечеткой ошибки можно перегруппировывать объекты исходного множества, пока не будет получен результат, удовлетворяющий заданной погрешности.

4. Выполнять действия с пункта 2 до достижения значительных изменении

матрицы Ът.

Для осуществления нечеткой кластеризации определим следующие понятия. Нормальная мера подобия по расстоянию Ц,(х) порождает близкие к у нечеткие множества точек: //,(*) = 1 -¿{у,х)/тах{с1(у,2)), Тцех,у,ге Л\ с1(у,х)- расстояние между Vи .г. При этом //у(х) = 0,если образец данных максимально отличается от х, и /'у(х) = 1, если образец данных абсолютно подобен х для .V е Л'. Определим относительную меру подобия 2-х образцов данных по отношению к третьему образцу как ту(х,г): ту(х,г) = \-\ру(х)-/1у{г~)\, где х,у,г&Х /лу- нормальная мера подобия. В данном семействе каждое отношение является нечетким мягким отношением. Через г (.V, г) можно определить меру подобия па множестве X 2-х образцов данных как: = где т„(х,г) - относитель-

ная мера подобия, V, г = 1,...,|Л'|, х.геА', Т -операция /-норма. Используя связки г-нормы по Заде, меру подобия 2-х образцов данных на множестве X, получаем т(х,г) = тт{ту1(хл),туг{х,г),...,тАх[х,1)). Таким образом, если 2

образца подобны относительно >>, иу2 ... и подобны относительно У|Х|, то 2

образца данных подобны относительно всего множества X. Полученное выражение объективно отображает сходство объектов множества Л', является нечетким мягким отношением. При вычислении транзитивного замыкания нечеткого мягкого отношения получается нечеткое отношение равнозначности. Для подтверждения этого доказан ряд утверждений и положений. Утверждение 1. Задание уровня нечеткой равнозначности (ШР) порождает разбиение множества Л' на группы равнозначных элементов так, что каждый из элементов Л" принадлежит точно одной группе равнозначности. Утверждение 2. При транзитивном замыкании отношения нечеткой толерантности возникает отношение нечеткой равнозначности на множестве X . Утверждение 3. Операция объединения отношений нечеткой толерантности

является отношением нечеткой толерантности.

Положение 1. При определении отношения нечеткой толерантности U верно

<УсгУ2с...с(У" е....

Положение 2. Рассчитываемое в качестве наименьшей верхней границы объединения отношений U' на множестве Л" для отношения нечеткой толерантности U транзитивное замыкание UT ран но отношению U|Л!.

С учетом всех рассмотренных аспектов предложен алгоритм нечеткой кластеризации, использующий нечеткое отношение равнозначности:

1) создать каждому образцу исходных данных нормальную меру подобия по расстоянию Му(х);

2) ^создать каждому образцу исходных данных согласно нормальной меры подобия по расстоянию относительную меру подобия для двух образцов данных

3) создать меру подобия образцов исходных данных на множестве Л", при этом в качестве t-нормы используем min-норму: t(x,z) = min(r^(*,z),...,rv|A.j(>,z))- это нечеткое мягкое отношение на множестве Л', V.y,y,,z е X ,i = 1,...,|А'|;

4) вычислить в цикле транзитивное замыкание мягкого нечеткого отношения: Щ где U( =t(x,z),Vx,z е А',/= 2....,|Л"|, в итоге получим Ь'Т, которое является отношением нечеткой равнозначности согласно утверждению 2:

5) создать для отношения нечеткой равнозначности градацию в виде упорядоченного по возрастанию множества элементов матрицы рассматриваемого отношения.

Градация отношения нечеткой равнозначности порождает семейство отношений равнозначности, которые разбивают на классы равнозначности исходное множество исследуемых исходных данных. Чем больше уровень отношения, тем более детально разбиение множества А' (рнс. 2).

Нормальная Относительная

мера мера подобия

Ö Q Ol о г* подобия А fi Их»)

о о )

о а п /1 О 1' Ян

t-норма

(□iio-Нфяд)

Построение

нечеткого

отношения

толерантности

Построение Уровень

разбиения нечеткого

множества отношения

с, 4— Lx

с2 «- L:

Су Av

Транзитивное замьгкание

Ur

Градация нечеткого отношешм Эквивалентности s

Нечеткое отношение равнозначности

В главе были разработаны критерии качества кластеризации:

! !Х1 1*1 j

1. Улучшенный коэффициент разбиения: АХ- = — х - .

Iх! ¡-1 j-i |к|

2. Улучшенная энтропия разбиения: Эру =ЩХ ■

|х| м M W

¡=1 j=i >=i >i Набор мощных кластеров можно определить по формуле: ClWK= где с,- - класс равнозначности такой, что \с\>ПКЧ, С - множество классов равнозначности а ПКЧ- порог кардинального числа, зависит от настроики системы и устанавливается в зависимости от того, насколько качественно требуется построить разбиение. Промежуточный коэффициент разбиения Крп может быть

определен так: £|Cj|, где |с,| - кардинальное число мощных класте-

ров LY1 - общее кардинальное число множества. Критерий оценки качества разбиения использует понятия уровня отношения равнозначности, мощных кластеров и промежуточного коэффициента разбиения: КР-УНР\Сш(\-Кр„, где УНР - уровень нечеткой равнозначности, |Слж|-кардинальное число множества мощных кластеров, а наилучшим разбиением будем считать такое, при котором

КР =тах(ШР -|СдЖ| -Кгт).

Высоюш уровень нечеткой равнозначности (УНР) говорит о том, что внутри классов равнозначности находятся наиболее схожие объекты ПрО. При большом кардинальном числе множества мощных кластеров ¡Сдж| достигается наилучшее качество разбиеши. Чем выше коэффициент разбиения Крп, тем больше объектов ПрО включено в результат окончательного разбиения.

Существует два подхода к толкованию оценки медицинского решения (знания)' 1) экспертные системы (ЭС), разработанные на основе теории искусственного шпечлекта, для которых во врачебной практике преобладает дедуктивная компонента; 2) базы знаний (БЗ), которые формируются на основе эмпирических данных (ЭД), в основе методологии - общая теория систем. Ьыл сделан вывод что для медицинских ЭС наиболее подходит схема смешанного типа (рис 3). Предложенная методика автоматизированного анализа состояния здоровья пациента (СЗП) основывается на шести утверждения^

Утверждение 1. Общей модели СЗП в разрабатываемой СППМР соответствует семантическая сеть: S = (G,U) , где G - множество характеристик (физических химических и микробиологических характеристик СЗП, состояшы эпидемиологической ситуации в окружении пациента, условии проведения лечения- наличие необходимого оборудования для обследования, обеспечение медикаментами и проведение требуемых процедур, прогнозируемые события и т.д., U - мн " "

Оценки

M 1*1

1

3. Эффективность разбиения:

экспертов (знания)

Эмпирическая база данных (ЭБД)

Диалог 2с пользователем

Механизм ух обработки \

ЭД ГУ

База - знаний

Механизм

логического

-А-* вывода

•

• Диалог 1 с

пользователем

Принятие решений 1

Принятие решений 2

Рисунок 3 - Этапы смешанного построения ЭС, основанной на знаниях экспертов и на знаниях, полученных из эмпирических данных

Утверждение 2. Лечение пациентов в медицинских учреждениях - возможность диагностики СЗП в соответствии со схемой определенной структуры, на базе решения набора задач по следующим принципам: множество действий, которые выполняет врач для осуществления лечения пациента М = {л/(}. Множество М, = где С - набор значений множества характеристик (?= },Ок с С, который описывает как условия пребывания пациента, так и его текущее состояние (до и после лечения). Элементы - результаты анализов, применяемые препараты и реакция пациента на них, уровень оборудования медицинского учреждения, коэффициент физического состояшш пациента и т.д.; II]- рабочая гипотеза (оценка) о СЗП, построешия системой; иы - множество отношений между гипотезами II) и характеристиками С.

Утверждение 3. По каждому пациенту формируется конкретная схема лечения (набор действий, ориентированных на выздоровление пациента и па улучшение показателей СЗП). Для построения общей модели СЗП 5 выделяется предопределешюе множество действий, произведенных с пациентом О. При таком подходе курс лечения пациента 1\ = {0.г}, где ОкеО,к = \,...,К,М- количество действий, производимых для осуществления медицинского контроля для к -го пациента, зависящее от множества действий врача Ок согласно схеме лечения к -го пациента, и актуальных в фиксированный период времени.

Утверждение 4. Для каждого действия О, существуют несколько моделей (редко одна) получения исходных данпьгх; носящих опросный, регистрационный или расчетный характер и сводящихся к четырем формальным способам: расчет с использованием математических моделей (А'); данные медицинской статистики (V ); результаты медицинских анализов (У ); анамнез пациента - (7 ). В частности, элементы множеств X, Г,У, 1 описывают общую модель СЗП

=< О',11; >, где О1 сС, а Ь!] с и . Для пациента на один период лечения можно сформировать несколько программ лечегаы Ра, отличающихся как действиями врача О,,, так и составом соответствующих им моделей развития ситуаций 5И. Эти схемы лечения могут отличаться достоверностью полученных результатов и временем их получения, а также релевантностью получегагых результатов.

Утверждение 5. По лечешпо пациента формируется модель развития ситуации, заключающаяся в построении рабочей гипотезы о СЗП и в ее оценке, которая осуществляется с использованием данных, полученных в процессе применения схемы лечения Рк, на следующем шаге принимается медицинское решение о применении выбранной модели. После сбора необходимых данных вычисляются медицинские показатели, характеризующие СЗП на шаге щ+1, и строится рабочая гипотеза о СЗП, базирующаяся на данных анамнеза, результатах анализа. Модель развития ситуации лечения пациента А Г/.Р* = [\iZlf} где »" = 1,...,н,и-количество шагов в модели к - го пациента, перечень медицинских выводов, полученных как результат выполненной схемы лечения пациента Ры.

Утверждение 6. Формировагаге текущей схемы лечения пациента должно учитывать СЗП и результаты уже проведенных схем. Схемы лечения пациентов включают в себя последовательность действий и рекомендаций врача, которые проводятся в соответствии с намеченной схемой или в соответствии с развити-

ем ситуации (по показаниям). Выполняемое врачом множество действий (М) делится на три группы: в рамках заранее намеченной схемы лечения (МО', при корректировке схемы лечешм (А/, V, при дополшггельных медицинских обследованиях, внеплановых процедурах, применении альтернативных медицинских препаратов (Мг). В результате отображения множества медицинских выводов М71'1, полученных в процессе выполнения обследования пациента, появляется необходимость в корректировке намеченной схемы лечения (множество рекомендаций МЯ изменяется в соответствии со сложившейся ситуацией). Правила получения рекомендаций формируются и вносятся в систему до начала ее эксплуатации на основе опроса врачей-экспертов и хранятся в БЗ. При необходимости (в процессе работы с системой) правила могут изменяться и дополняться. При этом каждому выводу М2Р* обязательно соответствует набор рекомендаций МП:. При выполнении медицинских мероприятий Л/, и Л/3 формально означают добавление новых операций в модель развития ситуации в процессе выполнения схемы лечения пациента. Можно ввести множество условий О выполнения действий врача из О и считать, что формирование [\ выполняется на основе множества О' = {0к,0„}, где О^ е 0,б„ е О.

На основе представленных формальных объектов и моделей развития ситуаций сформирована методика оценки СЗП при применении схемы лечения,

Глава 3 «Модели прогнозирования развития ситуации на основе нечетких семантических сетей». Для создания модели знаний используются универсальная алгебра и нечеткие множества, которые позволяют описать нечеткие объекты (измененные для неопределенных моделей и неопределенных данных стандартные объекты ПрО). Для проблемной ситуации для нахождения реко-

мендаций необходимо располагать знаниями, на основе которых строится гипотеза о подходящем врачу-пользователю решении и формируется запрос на ее предоставление из хранилища системы.

Интеллектуальная C1I11MP основана на семантической сети (отражающей смысловую взаимосвязь между объектами ПрО, а точнее понятиями, включенными в ннх, с описанием ситуации, по которой необходимо принять решение), в основу которой положена универсальная алгебра, представленная тремя элементами: А= (S,0,R\ где S— множество семантических сетей, задающее модели ПрО; R - множество отношений на S \С) - множество операций на S . Семантическая сеггь определяется двумя элементами 5Пр0 = {3,0'}, где G - множество объектов ПрО (ситуация для аналюа и набор действий); U -множество связей (дут), объединяющих объекты ПрО. Каждая связь отражает отношения между ситуациями (указывается степень зависимости одной ситуации от другой) или взаимосвязь ситуаций, а также взаимосвязь действий из ПрО и ситуации (рис.5).

Отношения между объектами в медицинских ПрО задаются с помощью разных степеней зависимости. Типы связей различной градации представляются как нечеткие объектные связи.

Объект G; = {l,P,UG }, где ! - название объекта ПрО (заголовок ситуации для анализа или набора действий), Р - множество понятий, связанных или входящих в объект, UG - множество отношешш, возшпсающих между понятиями ПрО Р и названием объекта 1 (рис.5), определяется UG = {г, U*p}, где Т- определяет тип объекта ПрО: Г = {',,',}, где tl - объект ПрО - ситуация, /2 - объект ПрО - набор действий, Ujj, - нечеткое множество, показывающее степень зависимости между понятием и объектом (которая определяет близость объекта ПрО и понятия): U%— (¿¡^ {р,,1 )| Р, eP,/sG;j, где j = \,...,n,n - количество понятий в объекте, Р1 - понятие, принадлежащее объекту G,, который соответству ет объекту G, с фиксированными и неопределенными атрибутами: О, = {[,. Plv..,Pn, tp ,...,/^, {/¿й (1(,Р,),...,/уй (li,P„)}{, где Р, - множество понятий, относящихся к 1-му объекту ПрО,/, - информационная часть / -го объекта ПрО, '/. - тип объекта ПрО, (l,,P.) - отношение близости названия объекта ПрО/, и понятия Р,. На основе взаимосвязи понятий объектов ПрО строится зависи-

Рисунок 5 - Фрагмент семантической септ

мость между узлами. Введем нечеткое отношение Upit =/i^J]), на основе которого формируется нечеткое подмножество:

Up = /^//Д/5,,^); 1\,Р. 61'-i,j = 1--Л'}, где N - количество понятий в ПрО

интеллектуальной системы анализа статистической информации (рис. 5). Соотношения между ситуациями для анализа и между ситуацией и наборами действий U вычисляются с применением значения зависимости между понятиями, относящимися к медицинским ситуациям, и наборами действий

(U = }) : и =_-_¿^i/^ - среднее отношение близости понятий, входящих в

состав j и J -го объекта ПрО, п- количество понятий в г-м объекте ПрО, т-количество понятий в у-м объекте ПрО. При выборе ситуации для анализа го ИИС используются отношения близости понятий (С/) и отношения близости понятий, принадлежащих ситуации, и информационной части ситуации (U*,). Наборы действий го ПрО группируются согласно ситуации для анализа и для их дальнейшей обработки. ИИС ориентирована на работу с группой моделей ПрО, не связанных между собой или взаимосвязанных, причем на основе самостоятельной семантической сети строится каждая го моделей ПрО. Эти семантические сети при объединении могут образовывать единую общую модель ПрО. Для универсальной алгебры определены множество операций и множество отношений между семантическими сетями и между элементами семантической сети.

В главе представлена структура ИИС, состоящая из следующих блоков: оа-за знаний модель пациента, модель действий с пациентом, блок построения логического вывода, интерфейсы пользователя и эксперта, блок приобретения знаний Блок построения логического вывода строится на теории принятия медицинского решения и обработке экспертной информации. Процесс принятие решения о выдаче набора действий происходит поэтапно: генерация возможных действий и их оценка, согласование действий, анализ динамики развития медицинской ситуации, подготовка набора действий. При этом используется метод «выбор по "отношениям предпочтения», определяемый обширным представлением о термине «предпочтение выбора» из пары вариантов. G, >G ,npHG„Gy eSnf0 содержательно интерпретируется как «вариант G, предпочтительнее, чем вариант G} ». С использованием функции отношения предпочтения

S ¡(к, Г) и критериального механизма выбора определяется порядок предоставления наборов действий врачу-пользователю.

Для характеристики меры близости наборов действий Gk и G, используется функция близости /ДА-,/), определяющая степень близости набора Gt по отношению к набору G,. Функция ft(k,l) - степень уверенности экспертов, что набор Gk ближе к ситуации для анализа G,, чем набор G,. Было введено три пороговых значения (ji,t) отношения близости г'-й ситуации к к-му набору:

- цл> Ни + показывает, что Gt ближе к G,, где t" - порог предпочтения;

- цл >Ми+'г °к по крайней мере не ближе к G,, где /' - порог безразличия;

- Mit > + С - Gk значительно ближе к G,, где f - порог запрещения.

Отношение предпочтения на альтернативе Gt и альтернативе G, (пара аль-

тернатив): s,(k,l}= ¿и- g {k,l\ms wj - коэффициент веса j-го понятия для г-й си-

/= I

туации (определяет значимость), gj - функция предиочтепия по критерию j для пары альтернатив: g (к,¡) = \,ljt~/i>" еали fljk где Mjk,J-',i- близость к j-му

' ¡0 в противном случае

ионятшо А--го и /-го набора действий соответственно - вычисляются: и.к = — , Р,)), где Л"/ - мощность множества понятий, принадлежащих к -

„ л

му набору действий, /is{Pj,Pm)- отношение блшости между j-и и т-м понятиями, wm - коэффициент веса т -го понятия для к -го набора (определяет значимость).

Модель пациента, используемая в ИИС, представляет собой сетевую модель, является подмножеством (перекрытием) модели эксперта-предметника и называется оверлейной или перекрывающейся. Первоначально модель пациента (МП) - ситуация для анализа и множество понятий с весовыми коэффициентами, определяющими значимость указанного понятия для модели конкретного пациента: МП = (G',P',W), где G'— множество ситуаций для анализа, Р' -множество понятий, W — множество значений, определяющих важность понятий для этого конкретного пациента. Изменение МП производится путем добавления множества понятий из ситуации для анализа G,, при этом изменяются значения, определяющие важность понятий (только для ситуации, включенной в МП): МП = МПп +G, ={G',P^ + Pg,W'^j, где МПл— модель пациента на предыдущем шаге, Р'п - множество понятий МП на предыдущем шаге, Pg — множество понятий, определенных в ситуации G,. ГГ'= {»■,} - множество значений, определяющих значимость понятия. Значение w,- = (wra. +//<, )/2, где и',„ - значение близости понятия пациента на предыдущем шаге, ¡ла - близость понятия к информационной части ситуации. Далее формируются отношения Ъ\т между ситуациями для анализа наборами действий семантической сети ПрО и моделью пациента. Модель действий, производимых с пациентом, представляется упорядоченной последовательностью вида щ,т1,...,т1,...,т„, в которой каждый элемент mt - модель пациента, которая меняется в зависимости от действий, производимых с пациентом (от выбора ситуации для анализа или нахождения набора действий).

Определены две интерпретации модели действий, производимых с пациентом: древовидная структура (рис.6), в которую включаются выбранные и отвергнутые ситуации для анализа, а также выбранные и отвергнутые наборы действий, найденные системой согласно ситуации для анализа и характеристик пациента, и линейная последовательность при ознакомлегаш врача-пользователя с системой или при отсутствии достаточного объема исходной информации. Система, анализируя модель пациента и семантическую сеть ИИС, формирует возможные варианты выбора действий для врача-пользователя.Чтобы предоставить набор действий согласно сложившейся ситуации,ИИС использует критериалыю-экстремизационные механизмы выбора.

На основе полученной функции предпочтения формируется числовая ось значений, где отображается множество полученных согласно запросу наборов действий базы знашш.

Ри-

Наличие числовой оси позволяет приписать каждому выбранному пользователем набору действий число срш(Ок). соответствующее той точке шкалы <р, в которую отображен этот набор. Оценка <рлт(0,.) определяет меру близости полученного набора действий к ситуации:

де 1 - количество

1-1

понятий, принадлежащих МП, I -количество понятий, принадлежащих набору действий 01, и', - значимость понятия в МП, и; -

значимость понятия в наборе действий,

сунок 6 —Формирование модели действий с пациентам

- блшость 1-го понятия к у-му. Чем больше значение д>ш(Ок), тем набор действий ближе к ситуации и тем больше значимость набора действий для пациента. Приписанное набору действий Ок число <рм- это критериальная оценка, а сформированная шкала - критериальная шкала.

Искомыми наборами действий будет множество наборов, удовлетворяющих условию: тах (р(01). Набор вариантов, имеющий максимальную критериальную

(/¿ЕС?

оценку по сравнению с другими, принадлежащими модели ПрО, включается в список найденных наборов действий. Оценочную функцию можно применить двумя способами. При поиске наборов действий проецируется значимость найденных наборов действий для пациента на плоскость, координатные оси которой представляют собой соответствующие значения оценочной функции <р!,1п(С)) и последовательность наборов действий О. Самой верхней точкой этого графика является ситуация для анализа, а его пиком - наборы действий, найденные системой для конкретного пациента.

Оценочн ая фунт^я

ф(012>

фСО„). <К<ЗцН''

ры действий/] айдснкые для ситуации С[3

Оц ситуация Оцсит\Ч1?1я Сбыты ПрО

(наборы иситъшии)

для анализа атя анализа

В ПрО существует несколько ситуаций для анализа, согласно

которым происходит группировка наборов действий, при этом проекции по ситуациям приобретают вид рис. 7.

Алгоритм выбора наборов действий состоит в следующем:

1) модель ПрО разбивается инженером по знаниям на ситуации для анализа; 2) с использованием функции оценки <р создается набор действий, близких к

Рисунок 7 -Оценочная функция согласно ситуациям для анализа ПрО заданной ситуации; 3) центром каждой образованной группы является ситуация для анализа, с ней идет сравнение каждого набора действий из группы.

Характеристика отклонения набора действий в группе

где ЕгР - среднее отклонение наборов в группах от

ситуации для анализа, J - количество ситуаций для анализа в модели ПрО, ¿V,- -

количество наборов действий в /'-и ситуации, срп(0^ - нормализованная оценочная функция близости наборов действий к ситуации. Нормализованная оценоч-

1 " 1 1 / \ пая функция ¥>„(0{)=—гДе - количество понятий в сиМ _ Ь

нации, I, - количество поняташ в наборе действий Ок. Изменение значимости понятий в модели пациента производится по следующей формуле: и', = (и'( +а*ца{1,Р,))/2, где - значимость /-го понятна для конкретного пациента, Р^ - близость понятия к найденному набору действий, а - коэффициент, выбираемый в зависимости от ответа пользователя: а=1 (если пользователь согласен с предложенным набором) или а=0 (если не согласен), ае[0; 1].

Глава 4 «Применение когнитивного анализа в задачах управления материальными потоками в интеллектуальных системах». Научной задачей, лежащей в основе исследования задач оптимального регулирования материальных потоков, остается разработка методов и алгоритмов когнитивного анализа, при котором когнитивные карты есть эффективный инструмент в задачах исследования структуры модели системы учета материальных потоков и получения прогнозов ее развития при различных управляющих решениях. С учетом задачи регулирования материальных потоков в медицинских интеллектуальных системах (МИС) и анализа имеющихся на настоящий момент нечетких когнитивных карт (НКК) возникла необходимость в разработке собственного вида НКК, получившей название «универсальная нечеткая когнитивная карта» (УНКК), и позволяющей успешно осуществить решение поставленной проблемы. НКК-нечеткая сеть влияния друг на друга концептов (рис. 8):

УНКК = (СМ), где С - множество концептов, задаваемое кортежем: и- = м\ С = {С;} при г = 1.2....,

|, где п - мощность | множества концеп-I тов. и - множество | связей, которые ! установлены между концептами: и = {ии] при 7 = 1,2,... Концепт Сх представляется 1Рс1 Рисунок 8 —Фрагмент графического представления УНКК лингвистической

переменной (ЛП): ЬРс, = {С1,Ьс1,Рс^, где Рс1 — базовое терм-множество лингвистической переменной С[, 1с1 - список лишвистических значений г'-го концепта ПрО. = {/"-4} при £ = 1,2,...,7^ характеризует набор базовых состояний, где /и, — число таких состояшш /-го концепта. Каждый элемент множества 1,с[ - это терм, содержащий базовое состояние концептаС,-, который представляется тройкой нечетких переменных: [Т.с\,Рсг,'). Л'4 - нечеткое множество в базовом множестве Рс,. = (р)| реРс,}, где (р) - нечеткая функция при-

надлежности, р - элемент, I грштдлсжащий базовому множеству Рс,.

Элементы множества и - связи между концептами, ау задают степень вли-ЯШ1Я между парой концептов ПрО, определяются конкретным значением из терм-множества лингвистической переменной ЬРиф которая определяется следующим набором: А, где Ри„ - базовое терм-множество лингвистической переменной V,,, Ьщ - список лингвистических значений степени связи между 7-м и /-М концептами ПрО, задается выражением: при /¡=1,2,...,пу и характеризует набор его базовых состояний, где т} - число таких состояний /-го концепта, к/М - число значений. Каждый элемент множества Ы^ - это терм, содержащий базовое значение (состояние) веса влияния иу между парами / и ./'-го концепта УНКК, представляемое тройкой нечетких переменных: (Ьи^,Риц,5и'^). Яи'^ - нечеткое множество в базовом множестве Рии записывается выражением следующего вида: =\р>^а* ШР^Р^Х где <Р) нечеткая функция принадлежности, Ри{С., ,С: <= О.к = \..т!\11 = \..т1\1 = \..)г,; = \. .п), п - мощность множества концептов.

В УНКК учет влияний концептов друг на друга и учет накапливания их воздействия решаются с помощью нечетких множеств, содержащих информацию как по состоянию самих концептов, так и по весу их влияния друг на друга, и приращений этих значений с течением времени, для этого необходимо применение нечетких продукционных систем типа Е. Мамдани для задания нечетких отображений и нечетких алгебраических операций на всем диапазоне базовых множеств. Нечеткий логический вывод осуществляется в соответствии с алгоритмом Мамдани, где значения входного и выходного концепта заданы

нечеткими множествами: С/ П ^ = а;.>свесомц.ш >'= = 1>т- Функции при-

Р=1V <=1 )

надлежности /Уд-,) (входного концепта х, нечеткому терму а„1Р) и /ц(\>) (выходного концепта у нечеткому терму с^), где <»,>А, = х„х,

У. , , ....

= >у ■ Через X" = (х~,х2,...,хп) выразим для входного вектора

У,

Л"* степени принадлежности нечетким термам с1г Значения вектора щ{х")= и1р- д [и4,(.т,")^ = 1,т, где символом \/обозначается операция л-

нормы (логическая операция «ИЛИ» - для нее будем использовать нахождение максимума), а символом А обозначается операция /-нормы (логическая операция «И» - для нее будем использовать операции нахождения минимума). Преобразуя, получаем нечеткое множество V, которое соответствует входному

вектору V'*- V = ^ + +... + (нечеткие множества второго по-

рядка, для которых универсальное множество - терм-множество выходного концепта у).

Переход от нечеткого множества, которое задается универсальным множеством нечетких термов к нечеткому множеству, заданному на интервале

|_>> ,у осуществляется по шагам: 1) «ограничить» функции принадлежности

выходного концепта (у) до уровня 2) выполнить операцию объеди-

нения полученных нечетких множеств (через agg - операцию агрегирования нечетких множеств), реализуемую операцией поиска максимума

используется для нахождения четкого значения выходного концепта у, определенного согласно входному вектору X* и найденного в результате операции деффаззификацип нечеткого множества „V.

Описанный метод применения нечетких продукционных систем типа Мам-дани для задания нечетких отображешш и нечетких алгебраических операций на всем диапазоне базовых множеств используется для УНКК.

В УНКК для учета поведения системы, изменяющейся под воздействием влияний концептов друг на друга и носящей нелинейный характер, реализована динамическая модель, где в описаш1ую УНКК формулой добавлены два дополнительных элемента и получено: УНКК = (С, 17, ¥с р), где С, 17 - элементы, определенные ранее, 1гс - функция активности концептов системы, представленная в следующем виде: 1"'с : С,. . В момент времени Г каждому узлу в соответствие задается мера активности. Функция может принимать значение «О» - не активна или «1» - активна. Тогда /<£'(/) определим как вектор состояний (активности) концептов на итерации '. Гс(0) определяй г вектор начальных значений состояний (активности) концептов. Функцию преобразования системы представим как —>Ь, где Ь— функция преобразования

/<с(/ +1)спи!Рс(1),где/ > 0. /ч7,(г+1)= './^Л*) » которая требуется для огра-

ничения диапазоном [0;1] представленной суммы и может быть: дискретной (бивалентной), дискретной (тривалентной), непрерывной (логистической). Результат такого представления УНКК во времени - последовательность векторов состояний, определяющих состояшш системы, моделируемой в последующих итерациях, что позволяет анализировать значение каждого концепта. Результат моделирования - степень значимости концепта через заданное время. В УНКК используется непрерывная логистическая функция. Задавая разные векторы начальной инициализации, можно получать разные результаты моделирования. Рассмотренный подход, с учетом также дискретной бивалентной или тривалентной функции применяется для обучения УНКК.

В УНКК использованы детерминированные модели динамики веса на дугах (связях) между концептами и интерпретированы как передаточные коэффициенты. Прогноз развития ситуации - факторы, выраженные в абсолютных значе-шшх, а динамика - как отклик системы на абсолютные изменения значений входных факторов. Для учета накапливания связей между концептами и их совместного влияния использована модель динамики, аналогичная модели дина-

мики Ф.Робертса: для С,концепта:С;(Г+1) = С;(/) + £ДСи(/ + 1), где Г- система в

= 1

определенный момент времени, С,(( + 1) - значение /-го концепта в момент времени (/ + 1)./!СЛ + и - приращение концепта, определяемое по следующей фор-

м

муле: ЛС^+Ц^/^С/У.С^.ЛС/О], где^[] - нелинейная функция, отражающая влияние входного концепта С, на выходной концепт С,. Моделировать поведение системы (даже при ее нелинейном развитии) позволяет полученная указанным образом зависимость.

Для построения динамической модели в УНКК предположим, что влияние входных концептов на выходные носит независимый характер и является аддитивным, тогда нечеткую систему с М входами можно заменить па М систем с одним входом. В системах с одним входом ДСц(; + 1)для учета накапливания набора нечетких значений выходов применена операция нечеткого алгебраического сложения, обозначенная «©», которая позволяет осуществлять перемещение по базовому множеству и выполнять операщш с нечеткими значениями

по обеим координатам: С{(г + 1) = С!(Оф(©2^ДС8а+1)), где ©^ - нечеткая алгебраическая сумма, ДСи(/ + 1)- приращешге нечеткого концепта, определяемое по формуле Д^(/+1) = Д[СД/),СД0,ЛС;(0]> где С„СГ нечеткие множества, содержащие значения уровней /-го (выходного) и /-го (входного) концепта, дСд -нечеткое множество, содержащее значение приращения входного концепта, смежного с выходным, ДСГ нечеткое множество, содержащее значение приращения входного концепта, /Д ] - функция-оператор, задающая нечеткое отображение типа «три входа и один выход». Для удобства в дальнейших преобра-яг нпс1 ¿у .(г) Д(~ (г +1) зований нечеткую систему с

—1 у ~ ^--тремя входами /;,[ ] преобразу-

ДС|(0 [ } ем к И0слсд0вател!л[0\[у соеди-

----неншо двух нечетких систем с

Рисунок 9 -Последовательная схема динами- дЦ^1Я входами (рис. 9).

ческой модели ПрО Первая нечеткая продукци-

онная система (НПС1) будет отображаться нечетким оператором ии и характеризовать при этом степень взаимного влияния концептов по их базовым состояниям (абсолютные значения). Вторая нечеткая продукционная система (НПС2) из этой последовательности будет представлять собой нечеткий оператор /Д], тогда предыдущую формулу можно записать как

С|(г+1)=С1(г)ф(ф^1 /;[4(0,ДСД0Ц, где ¿¡¡ДО- степень взаимного влияния концептов по их базовым состояниям, которая представлена следующим выражением: =

Структурная схема динамической модели УНКК реализована в терминах, которые используются в теории построения КК, для реализации которой целесообразно использовать нечеткие продукционные системы типа Мамдани. Согласно проведенному анализу наиболее приемлемо применить эту теорию для представления иц и в виде нечетких продукционных систем, с помощью которых можно в виде нечетких множеств представить нечеткие правила. Для этого с помощью терм-множеств лингвистических термов (значений) каждой паре концептов, представленных нечеткими множествами с, и С), присваивается собственная функция принадлежности к базовому множеству, в том числе и для приращения ДС^ (рис. 10). Входной концепт воздействует на выходной

концепт q , каждый из них в терм-множестве определяется конкретным значением лингвистической переменной LPci и LPc]. LFci ={Cj,Lcl,Fc^, где Pci -

базовое терм-множество выходного концепта С, лгашзистической переменной, Щ = {[¿¡л}- список лингвистических значений степени влияния г'-го концепта ПрО (р;=1,2), и характеризует набор его базовых состояний. Каждый элемент множества - это терм, содержащий базовое значение (состояние) веса влияния С,. Аналогичным образом значением лингвистической переменной LPc, из терм-множества задается входной концепт.

НПС1 (рис. 9) с двумя входами из последовательной схемы модели динамики УНКК определяет нечеткий оператор , отображает воздействие между базовыми состояниями между входным и выходным концептами, задается определенным значением лингвистической переменной из терм-множества LPu„ ш(и iMyPu,,), где LüL] = {i-гГД} при А = 1,2,2,3; h = 1,1,2.2 - список лингвистических значений степени связи между ¿-м и/-м концептами ПрО, и характеризует набор его базовых состояний, каждый элемент множества 1йД - это терм, содержащий базовое значение влияния этой двойки концептов. Для УНКК в НПС1 можно записать нечеткие продукционные правила, которые будут определять силу влияния концептов в абсолютном выражении (IF Ct = Lei Si С, = Lc\

THEN fi0(t) = Lt&).

НПС2 с двумя входами из последовательной схемы модели динамики УНКК определяет нечеткий оператор , отображает воздействие приращения входного концепта на выходной концепт LPft] =(f,],Lf,:,Pfi), где

Цц = Ш }при к = 1,2,2,3; И = 1,1,2,2 - список лингвистических значений степени связи между приращением входного концепта и выходным концептом ПрО, и характершует набор его базовых состояний, каждый элемент множества —Lf^ -это терм, содержащий базовое значение влияния этой двойки концептов. Для УНКК в НПС2 можно записать нечеткие продукционные правила, которые будут определять силу влияния приращения входного концепта на выходной в абсолютном выражении (IF <5IJ(t) = Lu?l & ДCj(t) = Vs THEN ).

В результате работы последовательной схемы динамической модели УНКК получим итоговое нечеткое множество Го/ДСу(/ + 1), в котором содержатся значения приращений в момент времени / +1 для 1-го и j-го концептов и находятся эти значения на основе способа нечеткого логического вывода. Найденные по каждому правилу конечные заключения (усеченные функции принадлежности) объединяют, применяя операцию «максимума». Это действие необходимо проделать для всех входных концептов из ПрО (А/ - количество входных концептов) по отношению к конкретному выбранному выходному концепту. Итоговое

входного и выходного концептов

значение имеет вид Го/ДС,(г + 1) = Ф^1Ко/ДС:/г + 1). Далее выполняется операция

нечеткого сложешм между нечетким значением концепта на момент времени t и итоговым накопленным значением для модельного значения выходного концепта в момент времени г + 1: С, (Г +1) = С, (/) © 1ЫЛЦ (Г +1), для вычисления которого необходимо проводить нахождение величин на очередном шаге моделирования. Для построения модели УНКК в целом необходимо выполнить перечисленные действия для всего множества концептов С ПрО в момент времени /.

В главе приведено несколько подходов для обучения УНКК: разработан алгоритм обучения методом Хебба, алгоритм обучешм на пакете эталонных сценариев; комбинированный подход заключается в совместном использовании адаптивного и экспертного подходов. В основе алгоритма обучения на пакете эталонных сценариев - нечеткие уравнения. В каждый из моментов времени / +1, / + 2 должны быть определены значения величин состояния (активности) факторов. Изменение значений факторов от /-йк/ + 1-й итерации осуществляет начальный вектор приращешга Л'. Значения приращений, взятые из статистических данных для I + 2 — й итерации, должны совпадать со значениями, рассчитанными с помощью матричного уравнения: Л'(/ + 1) = Л'(0°^', где знак «°» означает композицию, определяющуюся ^нормой или к-пормой. тогда

.х,.(/ + 1) = тах[^(г)-г(у]. Обозначим Со/С (с) - значение С, концепта (активного) в

момент времени/, тогда =[1'о/С. (I +1) -Ко/С]. (0|/Го/С, (О, где Го/С; (г + 1) - значение С,- концепта (активного) в момент времени / + 1. Выходной (результп-рующий) вектор задается выражением у, = ¡^ЫС, (/ +1) - ¥о1С, (/)]/(7о1С, (/).

Пусть ГЪ/ДСД/) - значение приращения С, концепта, полученного в результате моделирования в момент времени / на входном векторе х(1). Следовательно, необходимо минимизировать значение ошибки

Е(11) = ^^|гго/ЛС, (0 -Ро/С' (г)]1)/^, где Т - количество временных интервалов

1=1 ¡=1 /

в модели, N - количество активных концептов. При достижении заданной погрешности считается, что обучение УНКК прошло успешно.

Для исследования устойчивости УНКК в качестве аналитических показателей рассматриваются системные показатели УНКК модели, рассчитываемые на основе значений нечеткой транзитивно-замкнутой матрицы влияний концепта на концепт ||5¥Ду|№1 и ориентированные на решение задач поддержки принятия решения управления материальными потоками в динамике (рис. 11).

- минимальный отрицательный путь от концепта С, к концепту С,, -максимальный положительный путь, рассчитывать их будем по следующим правилам. Введены обозначения: = ДСЦ,; = ДСЛ/,У. Для определения взаимного влияния концептов от исходной матрицы АС = |Ко/ДС4,.| с нечеткими связями (положительными или отрицательными) перейдем к нечеткой матрице

АСА1 = ДСЛ4,ДСЛ/у| , состоящей из элементов, образованных парой поло-II Имхм __

жительного и отрицательного элементов исходной матрицы АС , полученных

по следующему правилу:

ДСЛ/у = тах(го/ДС9 прн(\С] =Г6)ог(ЛС) = К)о/-(ДС, = К8)ог(ДС, = К9)), ДСЦ = тах(Го/ДС^ ирт(ДС, = 1\)ог(Л^ = V2)or(ACJ = У})ог(ЛС; = Г4)), где значения определены шкалой влияния концептов.

Д-ля

1. Влияние концепта яа конпепт

Консонанс влияния

Соп:, =|5;; + 5,|/(15,|

Диссонанс влияния

Влиянье (воздействие) а .

Лет9 = + ) ■ тах(|5.,|. ¡1

2. Нллянле концепта на УНКК

Консонанс влияния С,

/я

Диссонанс влияния С,

У ЙХ | /Л/

Я ' I/

Соес>к\т:ное влияние С/

Л У.^г 1 /м

3. Влияние групры копцептов п» концепт

Консонанс группы В на концепт С,

м

ГЦ« Ы3 - ЮЛНЧССГБС

.<онце[пов в групп*

Взаимный консонанс л и кониепта С,

СопС,„ = Соя,

. операция з-нормы

Рисунок 11 —Показатели устойчивости УНКК

моделирования управления материальными потоками была применена разработанная УНКК, которая предназначается для анализа и исследования слабоструктурированных задач и на основе которой формируются матрицы взаимных

влиянии концептов, после чего исследуются устойчивость и поведение построенной УНКК, рассчитываются системные показатели.

С учетом рассмотренных закономерностей, принципов системного подхода и общей методологии разработки СППР построена информационная модель управления материальными потоками, представленная универсальной алгеброй: А = (М, Б, С, К, Н, О, О, V, Р, 2, Я, N. Т), где М - множество кортежей с математическим описанием проблемы материального потока, О - множество определений материального потока, С - множество определений целей материального потока, К - множество критериев для оценки эффективности материального потока, Я - множество критериальных шкал для измерения К, О - множество способов исследования материального потока, О - множество альтернатив, V - отображение множества вариантов выбора на множестве критериев К, Р - множество предпочтений пользователя системы, X - множество целевых функций, Я - множество решающих правил, Лг - множество отношении, Т -множество операций. ' ЭксттептТ]

Эксперт 2 |

! Эксперт Ы |

I

Интерфейс для формирования функции принадлежности через

когнитивные образы +

Множество объектов для анализа

1 —

Универсальная

нечеткая когнитивная карта (УНКК)

Вектор максимального приближения значений согласно целевой ф^таики

Вектор воздеПствиП на выбранные объекты МП

Планирование состояний объектов МП в дискретные моменты Бремени

Когшггивная матрица ЛС(множество решающих правил)

Выбор момента времени/

г

Проверка на основе динамического моделнровалия импульсного изменения еоетоягагя МП

Транчплгвно замкнутая когнкт.матрица ДСМ

Системные показате.чи УНКК

Генерация состояния материального потока (МП) для показателей Е момент времени Г

Рисунок 12 -Учет материального потока на основе УНКК

В соответствии с определенной информационной моделью и методами нечёткого когнитивного анализа разработан алгоритм учета материального потока на основе УНКК (рис.12).

С учетом изложенной теории представленных алгоритмов и методов интеллектуальной ППМР на

основе УНКК были спроектированы и реализованы несколько программных

комплексов управления материальными потоками с использованием нечеткого когнитивного анализа.

Глава 5 «Программная реализация алгоритмов, методов и моделей в интеллектуальных системах поддержки принятия решений в условиях неопределенности» отражает применение разработанных в диссертации методов, алгоритмов и моделей в задачах ППМР в условиях неопределенности, сформулированных в главе 1. Приведены краткое описание разработанных информационных систем, их основные возможности и структурные схемы.

Реализована на основе изложенных в главе 2 теории представленных алгоритмов, методики нечеткой кластеризации и критериев, позволяющих оценить качество решения задач нечеткой кластеризации, интеллектуальная аналитическая система мониторинга пациентов на основе нечеткой кластеризации для медицинских учреждений «Диспансер».

Была спроектирована и реализована система поддержки принятия решений на основе нечеткой логики «Stacionar» на основе изложенной теории в главе 2. Алгоритмы и методы построения модели пациента и модели развития ситуации по его лечению - на основе нечетких семантических сетей представлены в главе 3.

Автоматизированная информационная система медицинского учреждения «Эксперт» была спроектирована и реализована на основе изложенной теории в главе 2, а алгоритмы и методы построения модели пациента и модели развития ситуации по его лечению (на основе нечетких семантических сетей) и представлены в главе 3.

Система поддержки принятия решений на основе технологий когнитивного анализа «ALF А VIT» была спроектирована и реализована на основе изложенной теории представленных алгоритмов и методов интеллектуальной поддержки принятия решений на основе технологий когнитивного анализа в главе 4.

Программный комплекс интеллектуального управления товарными запасами на основе нечеткого когнитивного анализа «Alf-Zdr. Товарный запас» выполнен на основе изложенной теории представленных алгоритмов и методов интеллектуальной поддержки принятия решений на основе универсальных нечётких когнитивных, карт, изложенных в главе 4.

В заключении диссертационной работы сформулированы основные научные результаты, полученные в рамках решения поставленной научно-технической проблемы.

В приложении 1 приведены акты внедрения результатов диссертационной работы. В приложении 2 - свидетельства о регистрации программ и баз данных в ФГБУ ФИПС (РОСПАТЕНТ). В приложении 3 представлены примеры построения систем интеллектуального анализа данных о пациентах на основе нечеткой кластеризации и семантических сетей. В приложении 4 показаны примеры построения систем управления медицинскими материальными потоками на основе нечеткого когнитивного анализа.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе в рамках решения поставленной научно-технической проблемы разработки эффективных методов, алгоритмов и моделей ППМР в условиях неопределенности на основе комплексного применения теории нечетких множеств, семантических сетей и когнитивного анализа, позволяющих повысить надежность и качество принимаемых решений, а также минимизировать материальные потери от совершения медицинских ошибок:

1) проведено исследование особенностей ППМР в условиях неопределенно-

сти, выявлены положительные и отрицательные стороны известных методов, моделей и алгоритмов 111 IMP в условиях неопределенности при решении медицинских задач. В результате проведешюго исследования был сделан вывод, что во многих случаях не обеспечивается получение соответствующих требованиям решений ввиду малообосновашюго выбора параметров моделирования, при этом нахождение адекватных решений из-за необходимости многократного выполнения реализаций, методов, алгоритмов и моделей с целью выбора наиболее оптимальных параметров характеризуется значительными временными затратами. Доказана целесообразность применения семантических сетей для построения медицинских предметных областей и когнитивного анализа для выработки управленческого решения;

2) разработана модификация метода нечеткой кластеризации, базирующегося на нечетком отношении равнозначности, порождаемого свойствами исследуемых данных и без использования дополнительных сведений о кластерах, которая не зависит от формы кластеров, для чего введены и определены понятия «мягкое нечеткое отношение» и «нечеткое отношение равнозначности», при этом оценивается качество каждого разбиения и выбирается наилучшее из них.

3) предложен алгоритм на основе разработанного метода нечеткой кластеризации, который позволяет в исследуемых данных продуктивно выявлять кластеры произвольной формы. Выбор наилучшего из решений задачи кластеризации выполняется с использованием нечеткого отношения равнозначности, применяется специально разработанный критерий - нечеткая оценочная функция разбиения, использующая понятие мощного кластера;

4) предложена концепция выработки возможных альтернат™ рекомендаций по принятию медицинских решений на базе анализа ситуаций. В основе: гипотеза о подобии (получение ситуаций и рекомендаций, в которых понятийные пространства наиболее близки понятиям, описывающим проблемную ситуацию), методика построения предметной области с использованием семантической сети для рекомендательной медицинской базы знаний; определены нечеткие множества для приблизительных рассуждений и обработки неопределенности при создании модели знаний; основы построения логического вывода для выбора рекомендации; алгоритм расчета веса ключевого понятия в рекомендации; методика получения рекомендации из базы знаний; алгоритм, оценивающий полученные рекомендации согласно ключевыми понятиями проблемной ситуации;

5) на основе концепции построены: сетевая архитектура модели пациента для интеллектуальной системы; модель действий, производимых с пациентом. Модели позволяют производить расширенный и ординарный способ анализа ситуации на базе оценочной функции и использования критериальных механизмов выбора, дающих возможность с высокой достоверностью находить наиболее релевантные наборы действий согласно сложившейся ситуации, а также осуществлять их ранжирование по степени значимости;

6) предложен тип - универсальная нечеткая когнитивная карта (УНКК), объединяющая в себе все положительные свойства существующих нечетких когнитивных карт. В УНКК теория нечетких множеств используется как при анализе структуры, так и при построении самой карты. В структуре карты нечеткими являются: концепты и связи между концептами, которые отражают тип распространения влияния концепта на концепт; механизмы накапливания влияния группы концептов на конкретный концепт (динамическое моделирование);

7) разработаны метод и алгоритм обучения УНКК, который позволяет по-

высить точность их построения и адекватность моделируемых ПрО за счет учета накопленной статистической информации о состояниях системы в определенные моменты времени. Введены аналитические показатели устойчивости УНКК - системные показатели модели, рассчитываемые на основе значений нечеткой транзитивно-замкнутой матрицы влияний концепта на концепт и ориентированные на решение задач поддержки принятия решения управления медицинскими материальными потоками в динамике.

8) разработана модель динамики для УНКК, которая дает возможность моделировать и проводить анализ поведения сложных систем, учитывая: нелинейный характер влияния между концептами в корреляции от нечеткого состояния концепта на входе и концепта на выходе; одновременный учет влияния значений изменений концептов и значений их состояний; нелинейный характер влияния изменений концептов; одновременный учет концептов разных знаков друг на друга. Предложен способ построения модели ПрО на основе УНКК. Разработана методика построения моделей на основе математического аппарата УНКК, позволяющая создавать сложные многокритериальные интеллектуальные СППМР;

9) предложен принцип проектирования интеллектуальных СППМР в медицинских учреждениях в условиях неопределенности, на основе теорий нечетких множеств, семантических сетей и когнитивного анализа;

10) Разработан ряд информационных систем и программных комплексов, реализующих предлагаемые методы, алгоритмы и модели ППМР в медицинских предметных областях в условиях неопределенности, которые решают ряд актуальных прикладных задач:

- задачу консультативной помощи врачу при определении диагноза с использованием иерархической классификации и определения варианта течения болезни методом нечеткой кластеризации с учетом анализа статистической информации;

- задачу ППМР при выборе курса лечения пациента и дальнейшей его корректировке в зависимости от ситуации, построения модели оценки СЗП и формирования схемы лечения;

- задачу формирования базы знаний методов лечения различных форм заболевания в зависимости от СЗП и осуществления эффективного управления медицинскими материальными ресурсами (распределение лекарственных средств);

- задачу ППМР в организации управления медицинскими материальными потоками на основе универсальных нечетких когнитивных карт и процедур динамического моделирования, настройки построенной модели медицинского запаса, с учетом механизма обучения и анализа устойчивости универсальных нечетких когшгтивных карт.

В перечисленных задачах неопределенность связана с невозможностью полного сбора и учета информации о влияющих воздействиях на медицинскую ситуацию, с неточностью выполняемых измерений и полученных результатов медицинских анализов, а также с отсутствием возможности привлечения компетентных врачей-экспертов, ограниченностью ресурсов во времени, неполнотой или неточностью информации о СЗП, с неполнотой, неопределенностью и нечеткостью знашш экспертов в различных медицинских ситуациях, то есть с проявлением субъективного человеческого фактора;

11) исследования разработанных методов, алгоритмов и моделей и их опытное применение показали: повышение адекватности и обоснованности

принятия решения в медицинских предметных областях в условиях неточности и неопределенности исходной информации, в том числе при субъективных оценках экспертов; повышение качества формализации знаний экспертов в человеко-машинных процедурах в задачах инженерии знаннй; повышение эффективности использования накопленной статистической информации при решении задач поддержки принятия решений в медицинских задачах; снижение финансовых и временных затрат, связанных с необходимостью сбора и учета точных и полных исходных данных о СЗП или о состоянии медицинского материального потока, сбор которых иногда нецелесообразен, а иногда просто невозможен, при этом обеспечивается принятие адекватных решений.

Полученные результаты позволяют сделать вывод о том, что данная работа связана с решением важной научно-технической и социальной проблемы и представляет собой развитие методов, алгоритмов и моделей поддержки принятия медицинских решений в условиях неоднозначности, неполноты и неопределенности исходной информации, а также их практические реализации в медицинских интеллектуальных системах поддержки принятия решений на основе комплексного использования теории нечетких множеств, семантических сетей и когнитивного анализа.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ Статьи в рецензируемых научных журналах из перечня ВАК

1. Крошилин, A.B. Применение нечетко-множественного подхода для построения нечетких экспертных систем [Текст]/А.В. Крошилин. C.B. Крошилина //Вестник РГРТУ. - Рязань: РГРТУ, 2007. Вып. 22. - С. 69-73.

2. Крошилин, A.B. Применение нечеткой кластеризации для эффективного мониторинга статистической информации в системах неопределенности [Текст]/А.В. Крошилин //Вестник РГРТУ. - Рязань: РГРТУ, 2010. Вып. 32. - С. 71-76.

3. Крошилин, A.B. Особенности построения систем поддержки принятия решений на основе нечеткой логики [Текст]/А.В. Бабкин, A.B. Крошилин, С.В.Крошилина //Научно-технические ведомости СПбГПУ. - СПб: СПбГПУ, 2010 -№2(97) - С 5863.

4. Крошилин, A.B. Формализация экспертных знаний в системах поддержки принятия решений [Текст]/А.В. Крошилин, С.В.Крошилина //Ползуиовский вестник. Измерение, информация, моделирование: проблемы и перспективы технологий разработки и применения (тематический выпуск). - Барнаул: АтгГТУ, 2010. - №2 - С 181-185.

5. Крошилин, A.B. Применение семантических сетей, построенных на нечетких отношениях, в системах поддержки принятия решений при анализе развития проблемных ситуаций [Текст]/А.В. Крошилин, C.B. Крошилин, C.B. Крошилина //Информационные ресурсы России. - 2010. - №5(117). - С. 33-36.

6. Крошилин, A.B. Алгоритм модифицированного метода нечеткой кластеризации в задаче эффективного мониторинга статистической информации [Текст]/А.В. Крошилин, C.B. Крошилина //Казанская наука. - Казань: Изд-во Казанский издательский дом, 2010. Вып. 1.-С. 150-154.

7. Крошилин, A.B. Проектирование систем поддержки принятия решений для оценки состояния здоровья пациентов в условиях неопределенности [Текст]/А.В. Крошилин, C.B. Крошилина, А.Н. Пылькин //Информатика и системы управления. -2010.-№4(26).-С. 82-94.

8. Крошилин, A.B. Некоторые аспекты построения систем поддержки принятия решений для эффективного управления товарными запасами [Текст]/А.В. Крошилин, C.B. Крошилина, А.Н. Пылькин //Радиотехника. - 2012. - №3. - С. 103-108.

9. Крошилин, A.B. Построение методики автоматизированной оценки состояния здоровья пациента [Текст]/Е.Н. Долженко, A.B. Крошилин, C.B. Крошилина, А.Н.

Пылькин //Фундаментальные исследования. - 2012. - №6 (часть 1). - С. 128-132.

10 Крошилин AB Методология когнитивного анализа в вопросах автоматизации

управления материальными потоками [Текст]/А.В. Крошилин С В. Крошилина, А.Н. Пылькин //Информатика и системы управления. - 2012. - №2(32). - С. 138-14У.

11 Крошилин А В. Построение модели оценки состояния здоровья пациента в нечетких медицинских экспертных системах [Текст]/А.В. Крошилин, C.B. Крошилина //Вестник РГРТУ.-Рязань: РГРТУ. -2012. Вып. 41. - С. 64-70.

12 Крошилин, A.B. Информационная поддержка принятия решении при проведении экспертизы технических объектов [Текст]/А.В. Крошилин Т В. Колкова К.В. Немтинов, Е.В. Немтинова //Вестник ТГТУ. - Тамбов: ТГТУ. - 2012. Том 18. №3. -С. 588-591.

13 Крошилин А В. Построение систем поддержки принятия решении с применением'нечетко-множественного подхода [Текст]/А.В. Крошилин, C.B. Крошилина А.Н. Пылькин //Известия высших учебных заведений. Основные проблемы полиграфии и издательского дела. - М.: МГУП имени Ивана Федорова,- 2012. - № 5. -С. 10У-11 /.

14 Крошилин, A.B. Регулирование материальных потоков в интеллектуальных системах управления [Текст]/А.В. Крошилин, C.B. Крошилина //Вестник РГРТУ. - Рязань: РГРТУ, 2013. Вып. 43. - С. 100-105.

Монографии

15 Крошилин AB. Глава 18. Разработка методов и исследование эффективности применения нечеткой логики в системах поддержки принятия управленческих решений // Управление экономическими системами [Текст] /A.B. Крошилин, C.B. Крошилина А H Пылькин. - Самара; Пенза: Приволжский дом знаний, 2010. - С. 206-217.

16 'Крошилин. A.B. Автоматизированный анализ деятельности предприятия с использованием семантических сетей [Текст] / И.Ю. Каширин, A.B. Крошилин. C.B. Крошилина - М.: Горячая линия - Телеком, 2011. - 140 е.: ил.

17 Крошилин А В Глава 2. Применения нечеткой логики для поддержки принятия управленческих решений в медицинских экспертных системах //Математические и компьютерные методы в медицине, биологии и экологии [текст] / A.B. Крошилин, C.B. Крошилина, А.Н. Пылькин. - Пенза: Приволжский дом знании; Москва: МИЭМП, 2012.-С. 29-44.

18 Крошилин A.B. Глава 4. Алгоритм модифицированного метода нечеткой кластеризации в интеллектуальных медицинских системах //Математические и компьютерные методы в медицине, биологии и экологии [Текст] / A.B. Крошилин, C.B. Крошилина, А.Н. Пылькин. - Вып.2,- Пенза: Приволжский дом знаний; Москва: МИЭМП, 2013.-С. 54-65.

19 Крошилин A.B. Глава 7. Разработка автоматизированной информационной системы по учету'и распределению учебной нагрузки в высшем учебном заведении //Образование в современной России. Проблемы и решения [Текст] / Т.А. Дмитриева, A.B. Крошилин, C.B. Крошилина. - Т.З.-Пенза; Москва: Приволжский Дом знании; Московский университет им.С.Ю.Витте, 2013,- С. 98-112.

Статьи в дру гих изданиях

20 Крошилин, A.B. Внедрение информационных технологий в Рязанском областном клиническом противотуберкулезном диспансере [Текст]/А.В. Крошилин, ЛИ. Виноградова //Анналы рязанской фтизиатрии. - Рязань. - 2000. - №1. - С. 33-43.

21 Крошилин, A.B. Интеллектуальные агенты как средство поиска в глобальных сетях [Текст]/А.В. Крошилин, C.B. Крошилин //Математическое и программное обеспечение вычислительных систем. - Рязань: Минобразования России, РГРТА, 2001. -С.107-110.

22 Крошилин A.B. Проблемы поиска информации при использовании интеллектуальных поисковых программ // Новые информационные технологии. - Рязань: РГРТА, 2001.-С.85-89.

23. Крошилин, A.B. Новые шаги по внедрению автоматизированного учета в Рязанском областном клиническом противотуберкулезном диспансере [Текст]/ A.B. Кро-

шилин, JI.И. Виноградова //Анналы Рязанской фтизиатрии. - Рязань. - 2001. - №2. -С. 29-32.

24. Крошилин, A.B. Преимущества и недостатки существующих поисковых систем [Тексту A.B. Крошилин, C.B. Крошилин /,/Математическое и программное обеспечение вычислительных систем. - Рязань: Минобразования России, РГРТА. - 2002. -С.52-55.

25. Крошилин, A.B. Управление комплексом маркетинга предприятия на основе CRM-технологии [Текст]/А.В. Крошилин, C.B. Крошилин / Новые информационные технологий. - Рязань: РГРТА, 2002. -С. 115-117.

26. Крошилин, A.B. Некоторые аспекты построения запроса пользователя в интеллектуальной поисковой системе [Текст]/А.В. Крошилин // Новые информационные технологии: межвузовский сборник научных трудов - Рязань: РГРТА, 2002. - С. 117119.

27. Крошилин, A.B. Маркетинговые информационные системы [Тскст]/А.В. Крошилин, C.B. Крошилин //Математическое и программное обеспечение вычислительных систем. - Рязань: Минобразования России, РГРТА. - 2002. — С.46-52.

28. Крошилин, A.B. Обзор существующих автоматизированных систем финансового анализа деятельности предприятия и выявление их основных недостатков [Текст]/А.В. Крошилин, C.B. Крошилина //Математическое и программное обеспечение информационных систем. - М.: Горячая линия-Телеком, 2006. - С. 64-67.

29. Крошилин, A.B. Многомерный анализ данных для аптечных учреждений [Текст]/А.В. Крошилин, C.B. Крошилина //Программные информационные системы. - Рязань: РГРТУ, 2010. - С. 103-107.

30. Крошилин, A.B. Обзор существующих медицинских экспертных систем [Текст]/А.В. Крошилин, C.B. Крошилина //"Математическое и программное обеспечение вычислительных систем. - Рязань: РГРТУ, 2010. - С. 122-125.

31. Крошилин, A.B. Некоторые подходы к обработке информации в медицинских экспертных системах принятия решений [Текст]/А.В. Крошилин, C.B. Крошилина //Математическое и программное обеспечение вычислительных систем. - Рязань: РГРТУ, 2010.-С. 130-133.

32. Крошилин, A.B. Подходы к построению информационных систем управления товарными запасами [Текст]/А.В. Крошилин, C.B. Крошилина, АН. Пылькин //Математическое и программное обеспечение вычислительных систем. - Рязань: РГРТУ, 2011.-С. 87-89.

33. Крошилин, A.B. Обзор способов формирования когнитивных карт в системах поддержки принятия решений [Текст]/А.В. Крошилин, C.B. Крошилина //Программные информационные системы. - Рязань: РГРТУ, 2011. - С. 20-24.

34. Крошилин, A.B. Автоматизированный анализ деятельности предприятия с использованием семантических сетей [Текст] /И.Ю. Каширин, A.B. Крошилин, C.B. Крошилина //Международный журнал экспериментального образования. - Российская академия естествознания. - 2012. - №2. - С. 64-65.

35. Крошилин, A.B. Построение нечетких когнитивных карт в интеллектуальных системах [Текст]/А.В. Крошилин, C.B. Крошилина //Математическое и программное обеспечение вычислительных систем. - Рязань: РГРТУ, 2012. - С. 9-11.

36. Крошилин, A.B. Обзор существующих систем поддержки принятия решений в медицине [Текст] A.B. Крошилин, C.B. Крошилина //Математическое и программное обеспечение вычислительных систем. - Рязань: РГРТУ, 2012. - С. 188-189.

37. Крошилин, A.B. Актуальные вопросы развития интеллектуальных транспортных систем [Текет]/А.В. Крошилин, C.B. Крошилина, C.B. Попов //Математическое и программное обеспечение вычислительных систем. - Рязань: РГРТУ, 2012. - С. 228-231.

38. Крошилин, A.B. Структурная схема управления материальными потоками в интеллектуальных экспертных системах [Текст]/А.В. Крошилин, C.B. Крошилина // Грани познания. - Уфа: Академия ВЭГУ, 2013.-№2 (20) . - С. 202-206.

39. Крошилин, A.B. Построение интеллектуальных транспортных систем

[Текст]'А.В. Крошилин, C.B. Крошилина //Математическое и программное обеспечение вычислительных систем. - Рязань: РГРТУ, 2013. - С. 70-72.

Материалы и тезисы выступлении на конференциях

40. Крошилин, A.B. Некоторые аспекты задачи построения автоматизированной поисковой системы [Текст]/А.В. Крошилин // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: материалы X Международной научно-технической конференции. - Рязань: РГРТА, 2001. - С. 195-196.

41. Крошилин, A.B. Исследование проблем поиска информации машинами поиска [Текст]/А.В. Крошилин // Математические методы и информационные технологии в экономике, социологии и образовании: Сборник материалов Международной научно-технической конференции. В 2 частях. Часть1. - Пенза: Приволжский дом знаний. -2001.-С. 78-80.

42. Крошилин, A.B. Принципы построения интеллектуальных поисковых программ в информационных системах управления [Текст]/А.В. Крошилин //Реформы в России и проблемы управления: сборник тезисов докладов XVI Всероссийской научной конференции молодых ученых и студентов. - М.: ГУУ, 2001. - С.68-72.

43. Крошилин, A.B. Основные механизмы поиска в информационных сетях [Текст]/А.В. Крошилин //Микроэлектроника и информатика 2002: сборник тезисов докладов IX Всероссийской межвузовской научно-технической конференции. - М.: МИЭТ, 2002. - С.128-132.

44. Крошилин, A.B. Основы механизма поиска в информационных сетях [Текстф'А.В. Крошилин // Новые информационные технологии в научных исследованиях и в образовании: сборник тезисов докладов VII Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. - Рязань: РГРТА, 2002. - С.22-23.

45. Крошилин, A.B. Построение интеллектуальной поисковой системы с применением семантической сети, основанной на универсальной алгебре [Текст]/А.В. Крошилин // Инновационные процессы в управлении предприятиями и организациями: Сборник статей Международной научно-практической конференции. - Пенза: Приволжский дом знаний, 2002. - С. 434-436.

46. Крошилин, A.B. Применение семантической сети для описания предметной области в интеллектуальной поисковой системе [Текст]/А.В. Крошилин, C.B. Крошилин // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: материалы XI Международной научно-технической конференции. - Рязань: РГРТА, 2002. - С. 126-129.

47. Крошилин, A.B. Интеллектуальный поиск информации [Текст]/А.В. Крошилин, C.B. Крошилина // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: материалы XIII Международной научно-технической конференции. - Рязань: РГРТА, 2002. - С. 17-19.

48. Крошилин, A.B. Исследование проблем экономической информационной безопасности [Текст]/А.В. Крошилин, C.B. Крошилина // Проблемы и методы управления экономической безопасностью регионов: материалы межвузовской научной конференции профессорско-преподавательского состава. - Коломна: КГПИ, 2006. - С. 238240.

49. Крошилин, A.B. Использование методов математического моделирования для построения системы информационной безопасности [Текст]/А.В. Крошилин, C.B. Крошилина // Проблемы и методы управления экономической безопасностью регионов: материалы межвузовской научной конференции профессорско-преподавательского состава. - Коломна: КГПИ, 2006. - С. 243-246.

50. Крошилин, A.B. Достоинства применения нечетко-множественного подхода для анализа деятельности предприятия [Текст]/А.В. Крошилин, C.B. Крошилина // Проблемы и методы управления экономической безопасностью регионов: региональная научно-теоретическая конференция. - Рязань: Связь, 2007.

51. Крошилин, A.B. Основные аспекты построения эксперт но-аналит ических систем

для управления компаниями [Текст]/А.В. Крошилин, C.B. Крошилина // Национальная экономика в условиях глобализации: роль институтов: материалы межвузовской научной конференции профессорско-преподавательского состав. - СПб, 2007.

52. Крошилин, A.B. Преимущества "1С [Бухгалтерии 8" по сравнению с " 1С .Бухгалтерией 7.7" [Текст]/А.В. Крошилин, P.E. Медведев // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: материалы XV Международной научно-технической конференции. Часть 1.-Рязань: РГРТУ, 2008. -С. 3031.

53. Крошилин, A.B. Особенности аналитических систем, основанных на технологии data mining [Текст]/А.В. Крошилин, C.B. Крошилина // Новые информационные технологии в научных исследованиях и в образовании: материалы Всероссийской научно-технической конференции. - Рязань: РГРТУ, 2009. - С.31-33.

54. Крошилин, A.B. Data mining как средство конкурентной разведки fTeicci J'A.B. Крошилин, C.B. Крошилина // Социально-экономические проблемы общества в условиях кризисной экономики РФ: материалы Международной научно-практической конференции профессорско-преподавательского состава. - Коломна: МГОСГИ, 2010. -С. 362-365.

55. Крошилин, A.B. Эффективный анализ данных с использованием технологии text mining [Текст]/А.В. Крошилин // Социально-экономические проблемы общества в условиях кризисной экономики РФ: материалы Международной научно-практической конференции профессорско-преподавательского состава. — Коломна: МГОСГИ, 2010. -С. 385-386.

56. Крошилин, A.B. Мониторинг статистической информации в медицинских учреждениях на основе нечеткой кластеризации [Текст]/А.В. Крошилин, А Н. Пылышн // Информационные системы и технологии (ИСТ-2010): материалы XVI Международной научно-технической конференции).- Н.Новгород: ННТУ, 2010. - С. 363.

57. Крошилин, A.B. Применение технологии text mining при подготовке данных для нечеткой кластеризации [Текст]/А.В. Крошилин, C.B. Крошилина // Будущее технической науки: материалы IX Международной молодежной научно-технической конференции - Н.Новгород: ННТУ, 2010.

58. Крошилин, A.B. Алгоритм выбора данных для эффективного мониторинга информации [Текст]/А.В. Крошилин // Стратегия управления: государство, бизнес, образование: материалы Международной научно-практической конференции.- Рязань: РГУ имени С .А. Есенина, 2010. - С. 120.

59. Крошилин, A.B. Построение систем поддержки принятия решений при обработке статистических данных [Текст]/А.В. Крошилин // Но шло информационные технологии в научных исследованиях и образовании: материалы XV Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. - Рязань: РГРТУ, 2010. - С. 270-271.

60. Крошилин, A.B. Интеллектуальная аналитическая система мониторинга пациентов на основе нечеткой логики для медицинских учреждений «Диспансер» [Текст]/А.В. Крошилин // Биотехнические, медицинские и экологические системы и комплексы ("БИОМЕДСИСТЕМЫ-2010"): материалы XXIII Всероссийской научно-технической конференции молодых ученых и специалистов. Часть 2. - Рязань: РГРТУ, 2010. - С. 398-402.

61. Крошилин, A.B. Некоторые аспекты построения систем поддержки принятия решений для оценки состояния здоровья пациентов и выявления эпидемеологических ситуаций [Текст]/А.В. Крошилин, C.B. Крошилина, А.Н. Пылькин //Высокие технологии и фундаментальные исследования: сборник трудов X международной научно-практической конференции "Исследование, разработка и применение высоких технологий в промышленности". — СПб.: Издательство Политехнического университета. -2010.-С. 68-71.

62. Крошилин, A.B. Интеллектуальная аналитическая система оценки состояния здоровья пациентов на основе нечеткой логики для медицинских учреждений «Дис-

пансер» [Текст]/А.В. Крошилин, C.B. Крошилина // III тысячелетие - Новый мир: труды Международного форума По проблемам науки, техники и образования. - М.: Академия наук о Земле. —2010. - С. 162-163.

63. Крошилин, A.B. Автоматизированная оценка состояния здоровья пациента в медицинских экспертных системах [Тскст]/А.В. Крошилин, C.B. Крошилина, А.Н. Пылькин // 66-я Всероссийская конференция, посвященная Дню радио "Научная сессия".- M., 2011. - С. 397-398.

64. Крошилин, A.B. Построение методики автоматизированной оценки состояния пациентов в медицинских экспертных системах [Текст]/А.В. Крошилин, C.B. Крошилина // Измерение, контроль, информатизация: материалы XII Международной научно-технической конференции - Барнаул: АлгГТУ, 2011.- С. 206-210.

65. Крошилин, A.B. Управленческие решения в информационных системах управления товарными запасами [Текст]/А.В. Крошилин, C.B. Крошилина'/ Актуальные проблемы науки: сборник научных трудов по материалам Международной научно-технической конференции. Часть 1. -Тамбов: Бизнесс-Наука-Общество, 2011. - С. 5354.

66. Крошилин, A.B. Система поддержки принятия решений в медицинских учреждениях на основе нечеткой логики «Stacionar» [Текст]/А.В. Крошилин, C.B. Крошилина/'/ Информационные и управленческие технологии в медицине и экологии: материалы V Всероссийской научно-технической конференции- Пенза: Приволжский Дом знаний, 2011. -С. 43-45.

67. Крошилин, A.B. Применение когнитивного анализа в логистике запасов» [Текст]/А.В. Крошилин, C.B. Крошилина // Новые информационные технологии в научных исследованиях: материалы XVI Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. - Рязань: РГРТУ, 2011. - С. 211213.

68. Крошилин, A.B. Применение когнитивного анализа в управлении товарными запасами [Текст]/А.В. Крошилин, C.B. Крошилина // Инновации на основе информационных и коммуникационных технологий: материалы Международной научно-практической конференции. - М.: МИЭМ, 2011. - С. 462-464.

69. Крошилин, A.B. Построение методики автоматизированной оценки состояния здоровья пациента [Текст]'Л.В. Крошилин, C.B. Крошилина // Инновационные медицинские технологии: материалы Международной научной конференции,- М.: Российская академия естествознания, 2012.

70. Крошилин, A.B. Применение нечетких когнитивных карт в системах поддержки принятия решений [Текст]/А.В. Крошилин, C.B. Крошилина // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: материалы XVII Международной научно-технической конференции. - Рязань: РГРТУ, 2012. - С. 104-106.

71. Крошилин, A.B. Организация структурной схемы системы поддержки принятия решений управления материальными потоками [Текст]/А.В. Крошилин, C.B. Крошилина'/ Инновационные информационные технологии: материалы Международной научно-практической конференции. - М.: МИЭМ, 2012. - С. 542-544.

72. Крошилин, A.B. Структурная схема управления материальными потоками в системах поддержки принятия решений [Текст]/А.В. Крошилин, C.B. Крошилина'/ Россия и мир: проблемы и перспективы инновационного развития: материалы научно-практической конференции профессорско-преподавательского состава. - Коломна: МГОСГИ, 2012. - С. 225-227.

73. Крошилин, A.B. Методика проектирования систем поддержки принятия решений на основе нечеткой логики для оценки состояния здоровья пациентов «Stacionar» [Текст]/А.В. Крошилин // Биотехнические, медицинские и экологические системы и комплексы ("БИОМЕДСИСТЕМЫ-2011"): материалы XXIV Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. - Рязань: РГРТУ.2012. -С. 50-52.

74. Крошилин, A.B. Построение математической модели оценки состояния здоро-

вья пациента [Текст]/А.В. Крошилин, С.В. Крошилина// Методы и алгоритмы прикладной математики в технике, медицине и экономике: материалы XII Международной научно-практической конференции. - Новочеркасск: ЮРГТУ, 2012. - С. 43-44.

75. Крошилин, А.В. Принципы построения автоматизированной информационной системы медицинского учреждения [Текст]/А.В. Крошилин, С.В. Крошилина// Новые информационные технологии в научных исследованиях: материалы XVII Всероссийской научно-технической конференции студентов, молодых ученых и специалистов -Рязань: РГРТУ, 2012.-С. 11-12.

76. Крошилин, А.В. Управление потоками данных в медицинской информационной системе [Текст]/А.В. Крошилин, С.В. Крошилина// Биотехнические, медицинские и экологические системы и комплексы («БИОМЕДСИСТЕМЫ-2012»): материалы XXV Всероссийской научно-технической конференции студентов, молодых ученых и специалистов. - Рязань: РГРТУ, 2012. - С. 169-171.

77. Крошилин, А.В. Построение интеллектуальной автоматизированной информационной системы медицинского учреждения [Текст]/А.В. Крошилин, С.В. Крошилина. // III тысячелетие - Новый мир: труды Международного форума по проблемам науки, техники и образования. - М.: Академия наук о Земле, 2012. - С. 95-96.

78. Крошилин, А.В. Этапы развития интеллектуальных транспортных систем [Текст]/А.В. Крошилин, С.В. Крошилина, С.В. Попов // Общество, современная наука и образование: проблемы и перспективы: сборник научных трудов по материалам Международной научно-практической конференции. Часть 5. -Тамбов: Бизнес-Наука-Общество, 2012. - С. 98-99.

79. Kroshilin, A.V. Structural diagram of the autoraated information system of new generation of medical institution [Text] / A.V. Kroshilin, S.V. Kroshilina, A.N. Pylkin // European Science and Technology: materials of the IV International research and practice conference Munich - Germany- 2013. - P. 241-244.

80. Kroshilin, A.V. Solution of problems of intellectual materials management in expert svstems [Text] / A.V. Kroshilin, S.V. Kroshilina //Modern informatization problems: Proceedings of the XIX International open science conference. - Yelm, WA USA' Science Book Publishing House, 2014. - P. 122-125.

Свидетельства о государственной регистрации программ

81. Крошилин, А.В. Интеллектуальная информационно-поисковая система "AnNet" / А.В. Крошилин//Программа для ЭВМ №2003613612. - 2003.

82. Крошилин, А.В. Интеллектуальная аналитическая система мониторинга пациентов на основе нечеткой ютастеризации для медицинских учреждений «Диспансер» ver. 4.0 / А.В. Крошилин, Л.И. Виноградова // Программа для ЭВМ №2010612339 -2010.

83. Крошилин, А.В. Система поддержки принятия решений на основе нечеткой логики «Stacionar» ver. 5.4/ А.В. Крошилин, Л.И. Виноградова // Программа для ЭВМ №2010613280.-2010.

84. Крошилин, А.В. Программный комплекс интеллектуального управления товарными запасами на основе нечеткого когнитивного анализа «Alf-Zdr Товарный запас» ver. 1.4 /А.В. Крошилин, С.В. Крошилина // Программа для ЭВМ №2011613086 -2011.

85. Крошилин, А.В. Программный комплекс управления базой данных статистической информации для систем поддержки принятия решений «Эксперт» ver. 1.27 /А.В. Крошилин, С.В. Крошилина //Программа для ЭВМ №2012661185. - 2013.

86. Крошилин, А.В. База данных аналитической информации для систем поддержки принятия решений «Эксперт2» ver. 2.04 /А.В. Крошилин, С.В. Крошилина //Программа для ЭВМ №2014620327. - 2014.

Крошили» Александр Викторович

МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПОСТРОЕНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИИ В МЕДИЦИНСКИХ СИСТЕМАХ

Автореферат диссертации на соискание ученой степени доктора технических наук

Подписано в печать 02 .04 -Щ . Формат бумаги 60x84 1/16. Бумага офсетная. Печать офсетная. Усл. печ. л. 2,0. Тираж 120 экз.

Рязанский государственный радиотехнический университет. 390005, г. Рязань, ул. Гагарина, д. 59/1. Редакционно-издательский центр РГРТУ.