автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Оптимизация управления слабоформализуемыми объектами в социально-экономических системах на основе нейросетевого моделирования

На правах рукописи

ИСАКОВ Павел Николаевич

ОПТИМИЗАЦИЯ УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ОБЪЕКТАМИ В СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМАХ НА ОСНОВЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Специальности 05.13.01 - Системный анализ, управление и обработка информации 05.13.10 - Управление в социальных и экономических системах

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Воронеж 2004

Работа выполнена в Воронежском государственном техническом университете

Научный руководитель доктор технических наук, профессор

Львович Игорь Яковлевич Официальные оппоненты: доктор технических наук, профессор

Баркалов Сергей Алексеевич; кандидат технических наук, доцент Заславский Евгений Леонидович Ведущая организация Курский государственный

технический университет

Защита состоится «25» июня 2004 г. в 1430 часов в конференц-зале на заседании диссертационного совета Д 212.037.02 Воронежского государственного технического университета по адресу: 394026, г. Воронеж, Московский просп., 14.

С диссертацией можно ознакомиться в библиотеке Воронежского государственного технического университета.

Автореферат разослан «25» мая 2004 г.

Ученый секретарь диссертационного совета

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Последние фундаментальные результаты общей теории самоорганизации показывают, что современная наука управления, как и другие науки, начинает переходить на путь естественности, т.е. на новые концептуальные основы. К такому новому направлению в современной науке управления относится теория нейросетевых самообучающихся систем.

На практике объективно существуют причины, вследствие которых классические подходы к достижению необходимых целей управления на основе обратной связи по измеряемым сигнальным переменным оказываются недостаточными из-за априорной и текущей неполноты информационного обеспечения систем управления.

Неполнота информации об управляемом объекте приводит, во-первых, к снижению качества работы системы и даже к потере ее устойчивости, т.е. работоспособности; во-вторых, к последующему увеличению затрат на расчет и реализацию более эффективной системы управления для сохранения требуемого качества ее функционирования; в-третьих, к снижению возможности эволюции аппаратно-программного обеспечения системы в процессе ее эксплуатации.

Потенциальные приложения искусственных нейронных сетей просматриваются в тех задачах, когда в силу неопределенности, например из-за недостатка информации, традиционные решения не эффективны, а обычные вычисления непомерно трудоемки или же не адекватны решаемой задаче. Универсальные аппроксимирующие свойства позволяют нейросетевым системам автоматически формировать эффективные алгоритмы управления, обладающие высокой степенью параметрической и структурной адаптации к внешней среде и изменяющимся задачам управления.

С позиций современной теории управления применение многослойных ней-росетей как регуляторов объектов адекватно задачам, возникающим в тех нередких случаях, когда аналитический синтез системы управления становится весьма трудоемкой задачей из-за сложности или недостоверности используемой математической модели объекта. Такая ситуация неизбежна, если объект - многосвязный и содержит нелинейности, а его функционирование сопровождается неконтролируемыми изменениями во времени его динамических свойств.

Применение многослойных нейронных сетей позволяет решать трудно формализуемые задачи управления сложными социально-экономическими объектами в тех нередких случаях, когда априорные "жесткие" модели и алгоритмы не адекватны реальному состоянию управляемого процесса.

В силу относительной новизны теоретическая проработка управления объектами социально-экономических систем на основе нейросетевых технологий отечественными специалистами выглядит еще весьма скромно, а требуемое для интеллектуальной поддержки программное обеспечение практически отсутствует. В этой ситуации особую значимость приобретает исследование возможностей повышения эффективности управления слабоформализуемыми объектами (СФО) на основе нейросетевых технологий, а так же разработка специализированного программного

комплекса интеллектуальной поддержки.

Таким образом, актуальность диссертации определяется необходимостью повышения эффективности управления СФО на основе выбора оптимальных управляющих воздействий с использованием современных нейросетевых технологий.

Диссертационная работа выполнена в рамках одного из основных направлений Воронежского государственного технического университета "Проблемно-ориентированные системы управления".

Цель и задачи исследования. Целью работы является разработка моделей, алгоритмов и информационного комплекса, обеспечивающих повышение эффективности управления слабоформализуемыми объектами в социально-экономических системах на основе нейросетевых технологий, а также создание методологии выбора оптимальных управляющих воздействий.

Для достижения поставленной цели необходимо решить следующие задачи: проанализировать пути повышения эффективности управления СФО в социально-экономических системах на основе нейросетевых технологий и определить основные требования к интеллектуальной системе управления состоянием объекта;

исследовать особенности проектирования и настройки нейросетевых моделей управления, оценить эффективность алгоритмов обучения и определить методы проектирования оптимальной нейросетевой структуры;

разработать алгоритмическое обеспечение принятия управленческих решений в социально-экономических системах на основе нейросетевых технологий;

разработать методику проведения моделирования состояния СФО под воздействием управляющих воздействий на основе нейросетевых технологий;

разработать программно-методический комплекс интеллектуальной поддержки управления СФО в социально-экономических системах, обеспечивающий помощь проблемно-ориентированному специалисту при решении задач выбора наиболее эффективных воздействий;

внедрить результаты исследования в практику управления СФО с использованием компьютерной системы.

Методы исследования. При выполнении работы использованы основные положения системного анализа, методы нейросетевого моделирования, математической статистики, исследования операций и принятия решений, теории управления.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

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

алгоритм построения самообучающихся нейросетевых систем управления СФО, обеспечивающий оптимальный выбор топологии нейросетевой модели и использующий на этапе обучения модификацию градиентного алгоритма обратного распространения ошибки, в котором величина шага на каждой итерации определяется инерционным соотношением в соответствии с предварительной оценкой характера связи;

многоэтапная схема оптимизации структуры нейросетевой модели отличающаяся последовательным упрощении нейронной сети за счет удаления наименее значимых синапсов и нейронов;

структура системы интеллектуальной поддержки управления СФО, позволяющая на основе программного нейроимитатора отрабатывать в автоматическом и интерактивном режимах предпочтительный вариант управляющих воздействий на планируемый период времени.

Практическая ценность работы и результаты внедрения. Разработано методическое обеспечение по проведению моделирования состояния СФО в социально-экономических системах под воздействием управляющих воздействий на основе нейросетевых технологий. Создан программно-методический комплекс интеллектуальной поддержки управления СФО, обеспечивающий помощь проблемно-ориентированному специалисту при решении задач выбора наиболее эффективных воздействий. На основе комплекса разработано методическое обеспечение диагностики влияния состояния организационной культуры компании на эффективность ее деятельности, создан программно-методической комплекс прогнозирования эффективности терапии атеросклероза различных локализаций.

Результаты работы внедрены в практику Воронежской областной клинической больницы № 1. Это позволило при лечении больных с атеросклеротическими поражениями различной локализации повысить эффективность терапии и снизить потребность в дорогостоящих импортных лекарственных препаратах за счет выбора оптимальной стратегии лечения пациента.

Апробация работы. Результаты диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: Всероссийской конференции "Интеллектуальные информационные системы" (Воронеж, 2004), Всероссийской конференции "Интеллектуальные информационные системы" (Воронеж, 2000-2002), Международной конференции "Interactive systems: The problems of human - computer interaction" (Ульяновск, 1999).

Публикации. По теме диссертации опубликовано 17 печатных работ. В работах, опубликованных в соавторстве, лично соискателю принадлежат: в [1,2,5,10,14] системный анализ возможностей применения нейросетевых технологий при решении задач моделирования развития атеросклероза различных локализаций; в [3,4] решение задачи моделирования влияния организационной культуры на деятельность предприятия; в [6-9] сравнительное исследование эффективности применения дискриминантного анализа и нейросетевого моделирования на основе анализа зависимостей показателей состояния кардиохирургических больных при различных осложнениях в послеоперационный период; в [11-13,15] схема построения нейросе-тевой модели СФО и анализ проблем, связанных с неполнотой информации о математической модели объекта.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка используемой литературы, включающего 169 наименований, приложения. Основная часть работы изложена на 135 страницах, содержит 19 рисунков и 3 таблицы.

Во введении обосновывается актуальность работы, формируются цель и задачи исследования, основные научные результаты, выносимые на защиту, дается краткая характеристика работы.

В первой главе диссертации рассматриваются подходы к решению задачи управления сложными динамическими объектами в условиях неполноты априор-

ной и текущей информации об их математических моделях. Рассматривается возможность применения нейросетевых моделей для повышения эффективности управления СФО. Анализируются преимущества применения нейросетевых систем управления. Сформирована общая схема автоматизированного управления СФО, отличающаяся использованием многослойной нейронной сети (НС) в качестве адаптивного регулятора объекта (рис.1). В этом случае нейросеть в процессе обучения одновременно формирует оптимальное в смысле минимизации требуемой целевой функции управляющее воздействие на входе исполнительного устройства системы. Цель обучения сети и цель управления объектом совпадают, и это оз-

Рис.1. Схема автоматизированного управления СФО на основе нейромодели

означает задание общей целевой функции.

Во второй главе рассматриваются нейросетевые системы управления СФО. Многослойная нейронная сеть прямого действия интерпретируется как инструмент для формирования функций управления, соответствующих целевым условиям, моделям объектов и воздействий внешней среды.

Предлагаемая методика проектирования нейросетевой системы управления содержит следующие основные этапы:

1. Математическая постановка задачи;

2. Геометрическая постановка задачи;

3. Нейросетевая постановка задачи:

3.1. описание исходных данных;

3.2. определение входного сигнала НС;

3.3. формирование функционала первичной оптимизации НС при решении поставленной задачи;

3.4. определение выходного сигнала НС;

3.5. определение желаемого выходного сигнала НС;

3.6. определение вектора сигнала ошибки нейронной сети при решении задачи;

3.7. формирование функционала вторичной оптимизации НС через сигналы в системе;

3.8. выбор метода поиска экстремума функционала вторичной оптимизации НС;

3.9. аналитическое определение преобразования, осуществляемое НС. Систематизированы основные причины неправильного определения ответов:

- выборка, по которой обучалась нейросеть, недостаточно полно отражает картину соответствия ответов обучающим параметрам, иначе говоря, в обучающей выборке слишком мало примеров;

- выборка, по которой обучалась нейросеть, составлена тенденциозно. Для обучения подбирались примеры, которые, по мнению исследователя, "являются самыми яркими представителями своего класса или группы";

- обучающая выборка имеет недостаточное количество обучающих параметров, и сеть не может найти закономерности между входными сигналами и ответами;

- при создании сети не оптимально были выбраны некоторые сетевые параметры, например, число нейронов, число тактов функционирования или характеристика сети;

- задана неверная классификационная модель (при обучении нейросетей-классификаторов).

При создании самообучающихся систем приходится идти на компромисс: либо делать сеть с некоторым избытком нейронов, имеющую резерв для накопления опыта, но обладающую относительно низкой способностью к экстраполяции, либо обучить сеть с небольшим числом нейронов, которая вряд ли сможет набрать потом дополнительный опыт. Предложен алгоритм создания самообучающихся систем управления СФО (рис.2).

Факт явной зависимости структуры нейросетевых систем управления от функции обобщенной ошибки обучения и способа ее определения может быть использован для структурного синтеза с применением прямой и инверсной динамических моделей объекта управления. Для этого ошибка обучения должна содержать такую информацию о состоянии системы управления, чтобы настройка сети одновременно сопровождалась формированием управляющего сигнала, обеспечивающего желаемый технологический режим функционирования объекта. Важным представляется также выполнение требования минимального вмешательства в динамические процессы объекта благодаря соответствующему алгоритму оптимального управления. Достижение нулевых ошибок обучения нейросети должно приводить к желаемому состоянию объекта. Поэтому представляется перспективным применение нейросетевых технологий при решении задач управления СФО, и это может стать теоретической основой для структурного синтеза динамических систем управления на основе обучаемых многослойных нейронных сетей.

Рис. 2. Процедура построения и оптимизации нейромодели

В третьей главе рассматривается алгоритмизация принятия управленческих решений с использованием нейросетевых систем управления. Использование ней-росетевого моделирования обеспечивает больший эффект в задачах, решаемых традиционными методами статистического анализа: регрессионного, ковариационного, дискриминантного и т.д.

Рассматривается разработка инструмента для автоматизированной диагностики влияния состояния оргкультуры фирмы (ОК) на эффективность ее деятельности на основе нейросетевых технологий и методов экспертного оценивания.

Предложено проводить комплексную оценку эффективности конкретной корпоративной культуры в контексте системного анализа следующих аспектов организационной жизнедеятельности:

- эффективности функционирования экономической подсистемы;

- этической состоятельности культуры;

-эффективности функционирования маркетинговой подсистемы;

- эффективность функционирования технической подсистемы;

- эффективности функционирования информационной подсистемы;

-эффективности функционирования социальной подсистемы;

- адекватности культуры выбранной стратегии бизнеса и восприимчивости к изменениям во внешней среде.

В настоящее время не существует четких алгоритмов оценки данных аспектов, в основном, из-за неформализованности оцениваемых параметров. Единственный, хорошо зарекомендовавший себя метод - это проведение оценки группой экспертов на основе их опыта в области изучения оргкультуры. На основе нейросетевых технологий разработан инструмент для автоматизированной диагностики влияния состояния оргкультуры фирмы на эффективность функционирования ее подсистем.

На рис. 3 представлен процесс построения нейромодели влияния ОК на изменение аспектов организационной жизнедеятельности.

На выходе нейросети снимались значения оценок влияния ОК на приведенные выше аспекты деятельности фирмы.

Для ускорения обучения использовалась модификация алгоритма обратного распространения, в которой величина шага на каждой итерации определяется инерционным соотношением:

"V ('+!) = ^ (0+г8/х1 + «к со -"V с ■-'0), 0)

где а- коэффициент инерции, 0<а<1.

Обучение нейросети было проведено по статистике, состоящей из данных обследования 25 фирм. Для каждой фирмы проводилось интервьюирование персонала и заполнялась итоговая анкета, включающая 20 показателей. Для выявления объективности влияния ОК на деятельность фирм исследовали поведение различных ее подсистем. Оценка влияния ОК на каждую подсистему фирмы проводилась по 10 бальной шкале, при этом в случае оценки ниже 5 баллов считается, что ОК оказывает отрицательное влияние на эффективность.

Рис. 3. Разработка модели влияния ОК на деятельность предприятия

Для апробации построенной модели выделена контрольная группа фирм, не вошедших в обучающую выборку (10 фирм), и проведен прогноз оценки влияния ОК. Обученная нейросеть однозначно распознает все примеры из обучающей выборки и достаточно точно (среднее отклонение от правильного ответа составляет менее 10 %) выдает ответы на примеры из контрольной выборки. Полученный результат позволяет сделать вывод о выявлении искомой зависимости и рекомендовать данный метод в качестве достойной альтернативы использованию «живых» экспертов при оценке влияния ОК на эффективность деятельности фирмы. Приведенная выше методика позволяет дать развернутую оценку эффективности той или иной организационной культуры, что позволяет выявить узловые проблемы, потенциальные возможности и ключевые направления ее развития и совершенствования.

Применение нейросетевых технологий позволяет эффективно решать не только социально-экономические задачи, но и повысить точность моделирования медико-биологических процессов, протекающих в организме человека.

Коррекция системы гомеостаза - важнейший элемент интенсивной терапии у кардиохирургических больных. Для своевременного медицинского вмешательства требуется точный механизм диагностики имеющихся у больного осложнений, что должно помочь врачу адекватно оценить состояние пациента и принять верное решение по стратегии его ведения. Задержки в распознании наличия у больного осложнений или упущение из виду наличия одного из них при полиорганной недостаточности может привести к самым тяжелым последствиям вплоть до летального исхода. В условиях нестабильности состояния больного развитие положительных тенденций в динамике ведения кардиохирургического больного (КХБ) позволяет повысить эффективность борьбы с полиорганной недостаточностью, добиться снижения летальности и уменьшения среднего пребывания больного на реанимационной койке.

Для оптимизации признакового пространства был использован метод дискретных корреляционных плеяд, устанавливающий функциональную зависимость каждого из параметров с головным параметром, что позволяет в дальнейшем судить об их значениях.

Согласно данной методике комплексная оценка состояния КХБ должна проводиться в контексте глубокого анализа следующих признаков (входное пространо-ство): Х| - систолическое артериальное давление, мм. рт. ст.; Хг - центральное венозное давление, мм. водн. ст.; Хз - частота сердечных сокращений, мин"'; Х4 -РН, мм. рт. ст.; Х5 - ВЕ, мм. рт. ст.; - Р02, мм.рт.ст.; Х7 - РС02, мм.рт. ст.; Хз -802, %; Х9 - гемоглобин, г/л; Хю - общий белок, г/л; Хц - содержание калия в сыворотке крови, ммоль/л; Х|2 - содержание натрия в сыворотке крови, ммоль/л; Х13 - аспарта-таминотрансфераза, ммоль/л; Х14 - аланинаминотрансфераза, ммоль/л; Х15 - билирубин, ммоль/л; - мочевина, ммоль/л; - креатинин, ммоль/л; - почасовой диурез, ммоль/л; Х|9 - осмолярность крови; Х20- осмолярность мочи.

Диагностика возникающих осложнений проводится по показателям гомео-стаза КХБ в послеоперационном периоде. В работе выделены следующие виды послеоперационных осложнений (выходное пространство): - сердечная слабость;

Y2 - дыхательная недостаточность; Yз - нарушения водно-солевого баланса; Y4 -печеночная недостаточность; Y5 - почечная недостаточность.

Для построения математических моделей диагностики развития у КХБ осложнений в послеоперационном периоде использовался метод дискриминантного анализа. При этом для каждого из возможных осложнений строится по две линейные модели. По первой модели рассчитывается вес гипотезы 1 "у пациента есть осложнение", по второй - вес гипотезы 2 "у пациента нет осложнения". Из двух соперничающих гипотез выбирается та, вес которой больше. Построение моделей развития осложнений у кардиохирургических больных на основе дискриминантно-го анализа позволило установить в явном виде зависимости между рядом параметров гомеостаза КХБ и наличием у больного осложнений.

Диагностика сердечной недостаточности проводится путем расчета весов следующих двух гипотез:

У1_а =-1.057285*Х,+0,05621303*Х2+2,496945*Х}+62,66201 *Х4-0,4373289*Х,-

8,308055*Х6 - 0,6085657*Х7 + 3,996664*Ха - 23120,64 У1_в2 = -1,070976*Х1+0,06551789*Х2+2,586975*Х3+62,77416*Х4 - 0,4400034*Х} -8,460725*Х6 - 0,6085657*Х7 + 3,593829*ХЯ - 23169,13 Диагностика дыхательной недостаточности: У2_а = -0,1067176*Х,+ 2,009865*Х3 +30,34262*Хв-1538,456 У2_в2 = -О, Ю72562*Х, + 2,097784*Х} + 29,77862*Ха -1492,983

Диагностика нарушений водно-солевого баланса: \3_Gl = -0,02671199*Х2 + 1,302573*Х} + 34,79671 *Х„ + 0,03662373*Х,2 + 0,8902902*Х13

+ 0,2321938*Х19 + 0,09028088*Х:о-230,8302 У3_в2 = -0, 02627595*Х2 + 1,352713*Х} + 30,4689*Х„ + 0, 0350041*Хп + 0,8863444*Х№ + 0,243583*Х„ + 0,09022655*Хх - 222,0354 Диагностика печеночной недостаточности: У4_Ы = 0,8724642*Х} + 1,926502*Х,о + 0,03506122*Х13 + 0.00729916*Х,4 + 0,2570137*Х15 -110,4568

У4_132 = 0,893438*Х3 + 1,851474*Х,0 + 0.04024541*Х,3 + 0, 009766783*Хи + О, 3514184*Х„-110,7718 Диагностика возникновения почечной недостаточности: У5_р1 = -0,02025842*Х2 + 1,017144*Х3 + 1,947936*Х,6- 9,568988*Хп + 0,8576265 *Х„ +

0,2631431*Х„ + 0,09850387*Х20-150,3053 У5_в2 = -0, 02062453*Х2 + 1,04752*Х3 + 2.221236*Х,6-9,050273*Х,Т + 0,8181665*Х13 + 0,2553442*Х„ + 0,09490804*Х20-149,395 Данные модели наглядно отражают зависимость осложнения от каждого из параметров, не требуют сложных вычислений для получения ответа, однако являются упрощенными и в ряде случаев не позволяют добиться необходимой уверенности в ответе. В связи с этим для получения высокоточного прогноза использованы нейромодели, которые уступают по вычислительной трудоемкости, но позволяют получить более точный результат. На основе нейросетевых технологий был разработан инструмент для автоматизированной диагностики влияния показателей состояния кардиохирургических больных на возникновение послеоперационных осложнений.

Входной вектор нейросети включает показатели гомеостаза КХБ {X}, на выходе нейросети снимаются бинарные значения параметров {У}, сигнализирующие о наличии у больного соответствующего осложнения.

Формирование задачника было проведено по данным исследования 200 КХБ.

Для выявления послеоперационных осложнений у кардиохирургических больных была создана трехслойная гомогенная нейросеть, включающая 20 входных симптомов, 10 входных нейронов, 10 скрытых нейронов, 10 выходных нейронов, 5 конечных синдромов. Использование более информационноемкой полносвязной архитектуры в данном случае не потребовалось в связи с достаточно небольшой информационной емкостью самой задачи.

Апробация построенной модели была проведена на контрольной выборке, включающей статистику по 25 больным, не вошедшим в обучающую выборку. Обученная нейросеть однозначно распознает все примеры из обучающей выборки и достаточно точно (средняя уверенность в диагнозе составляет более 90 %, см. табл.) выдает ответы на примеры из контрольной выборки.

Результаты диагностики осложнений у КХБ по контрольной выборке

Осложнение Статистика тестирования § , £ Б 5*8 Дыхательная недостаточность Нарушения водно-солсвого баланса Печеночная недостаточность Почечная недостаточность

Общая статистика

Правильно: 18 21 20 23 21

Неуверенно: 7 4 5 2 4

Неправильно: 0 0 0 0 0

Всего: 25 25 25 25 25

Осложнение обнаружено

Правильно: 10 15 6 11 6

Неуверенно: 4 3 2 1 1

Неправильно: 0 0 0 0 0

Всего: 14 18 8 12 7

Осложнение отсутствует

Правильно: 8 6 14 12 15

Неуверенно: 3 1 3 1 3

Неправильно: 0 0 0 0 0

Всего: 11 7 17 13 18

Полученный результат позволяет сделать вывод о выявлении искомой зависимости и рекомендовать построенную модель для использования в практической медицине критических состояний. Нейросеть позволяет проводить диагностику осложнений, возникающих у КХБ в послеоперационный период, по данным мониторинга показателей гомеостаза.

Сердечно-сосудистые заболевания уже длительное время являются причиной смертности взрослого населения развитых стран мира. В России не менее 60%

взрослого населения имеют концентрацию холестерина, превышающую нормальный уровень, а у 20% уровень холестерина превышает 6,5 ммоль/л, что указывает на высокий риск развития атеросклероза и его осложнений.

Проблема выбора тактики целенаправленного воздействия на развитие и прогрессирование атеросклеротических сосудистых поражений связана с неопределенностью изменения как самого состояния больного, так и влияния лекарственных препаратов. Такое положение дел, в первую очередь, обусловлено отсутствием четко выделенных закономерностей прогрессирования сосудистых поражений.

В момент обращения за медицинской помощью происходит снятие информации о больном (измерение значений ряда факторов риска), на основе которой рассчитывается оценка тяжести его текущего состояния. После чего строится прогноз состояния больного через год при условии сохранения влияния факторов риска на организм. Естественно будет наблюдаться прогресс заболевания. Чтобы его предотвратить, требуется полностью исключить или снизить негативное воздействие факторов риска путем их частичной коррекции в сторону нормализации значений. Коррекция значений факторов риска возможна путем назначения пациенту комплекса препаратов, сводящих к норме значения наиболее важных из них.

Выбор сдерживаемых факторов определяется, исходя из механизма действия применяемых препаратов, противопоказаний к их использованию, стоимости, длительности проводимой терапии.

Для прогнозирования эффективности терапии атеросклероза для каждой локализации (коронарные, сонные, магистральные артерии нижних конечностей, сахарный диабет типа I и II) были разработаны нейросетевые модели, позволяющие оценить изменение интегрального показателя выраженности атеросклеротического процесса (сумма баллов поражения коронарного русла, средняя толщина инти-ма+медиа (ИМТ) в сонных артериях, лодыжечный индекс давления (ЛИД) на нижних конечностях) при медикаментозном воздействии на выделенные факторы риска. При выборе факторов риска предпочтение отдавалось не взаимосвязанным друг с другом показателям, которые являются модифицируемыми.

Для больных с поражением сонных артерий разработанная модель основывается на следующих показателях: XI - возраст, лег, Х2 - артериальное давление систолическое, мм.рт.сг, ХЗ - индекс Кетле; Х4 - максимальный уровень глюкозы, ммоль/л; Х5 - общий холестерин, ммоль/л; Х6 - среднесуточная доза инсулина, ед.; Y - средняя толщина стенки общей сонной артерии (ОСАСр).

Степень тяжести заболевания определяется на выходе нейросети толщиной стенки общей сонной артерии.

Созданная нейросеть содержит 60 нейронов расположенных на 3-х слоях: входном, внутреннем и выходном. Данное количество нейронов достаточно для полноценного обучения нейросети моделированию развития атеросклероза и в то же время не несет избыточности, что позволяет достаточно точно установить зависимость между входными и выходными параметрами и не приводит к простому запоминанию нейросетью примеров обучающей выборки.

При настройке нейросетевой модели на решение задачи прогнозирования течения атеросклеротического поражения использовался алгоритм обратного распространения ошибки. Первоочередной задачей был выбор надлежащего коэффициента пропорциональности: при малом шаге обучение чрезмерно затягивается, при большом - не обеспечивается сходимость процесса обучения. Наилучшим решением оказался выбор динамически изменяющегося шага обучения: при «удачной» итерации текущий шаг удваивается, при «неудачной» - осуществляется восстановление предыдущей межнейронной связи, а текущий шаг уменьшается в 4 раза. Более совершенная параболическая оптимизация шага, как показали дополнительные исследования, в данном случае не дает заметного выигрыша. Это связано с тем, что время вычисления шага оказалось сопоставимым со временем вычисления градиента ошибки, а в этом случае смысл точной оптимизации шага теряется.

Другим способом увеличения скорости обучения НС явилось усовершенствование выбора направления обучения. Градиент ошибки не является лучшим направлением обучения (он эквивалентен методу наискорейшего спуска). Лучшие результаты были получены при использовании РагТап-методов, которые учитывают не только текущее значение градиента ошибки, но и общее направление обучения сети. Применение РагТап-методов позволяет сократить как общее число необходимых итераций, так и продолжительность отдельных итераций (поскольку требуется одно вычисление градиента ошибки на несколько итераций обучения).

Для апробации построенной модели выделена контрольная группа больных, не вошедших в обучающую выборку (18 человек), и проведен прогноз оценки степени выраженности атеросклероза. На основе полученных моделей возможна оценка эффективности различных комбинаций препаратов, воздействующих на разные показатели. Для окончательного выбора схемы лечения разработана оптимизационная модель, позволяющая выбрать наиболее эффективное сочетание препаратов при ограничении на стоимость и с учетом совместимости и побочных эффектов.

Для использования врачом разработанной нейросетевой модели моделирования развития атеросклероза была разработана дополнительная программа, содержащая более удобный для использования врачом интерфейс, а так же предоставляющая врачу рекомендации по применению лекарственных препаратов.

В четвертой главе рассматривается проектирование и разработка нейросете-вого иммитатора, позволяющего аппробировать на практике методики и алгоритмы, предложенные в работе.

Для решения задачи построения нейросетевых систем управления был разработан нейропакет FirtsNeorun (ВЫ), позволяющий разрабатывать нейромодели различной топологии, используя для их обучения самостоятельно разрабатываемые алгоритмы. В состав нейропакета входят следующие основные блоки (рис. 4): менеджер (управляющий модуль), интерфейсы ввода и вывода, предобработчик (препроцессор), интерпретатор, нейроимитатор. В свою очередь, нейроимитатор включает нейросеть (НС), учитель (при реализации стратегии обучения с учителем),

конструктор, блок оценки и блок отбора информативных признаков (рис.5). Основным компонентом нейроимитатора является искусственная НС.

Рис. 4. Структура нейропакета First Neuron

Наиболее важным блоком нейропакета является база данных, содержащая примеры для обучения и контроля функционирования НС. Важность этого блока определяется тем, что обучение сетей всех видов с использованием любых алгоритмов обучения выполняется на известных примерах решения поставленной задачи. Кроме того, база данных содержит правильные ответы для НС, обучаемых с учителем. Очевидно невозможно предусмотреть все варианты интерфейса между пользователем и базой данных, так как примеры могут иметь числовые поля, содержать графическую информацию или представлять собой текст. Наиболее подходящим форматом представления входной информации является формат табличных (реляционных) баз данных, поэтому в качестве хранилища информации выбрана СУБД Access.

Сигналы, подаваемые на вход НС, должны быть представлены в соответствующем формате данных, при этом очень часто приходится их масштабировать, чтобы в максимальной степени использовать диапазон их изменения. Поэтому необходимо проводить предобработку входных сигналов, причем для каждого вида был реализован определенный способ предобработки.

При известном диапазоне изменения входной переменной, например, [x^, Хпих], используется простейший вид преобразования, выполняемый по формуле:

(x-xmJ(b-a) ___ _ (2)

Р =

(Х/пах X/ttin)

где [а, Ь] - диапазон приемлемых входных сигналов; [Хщд» Хтах] - диапазон изменения значений входной переменной х; р - преобразованный входной сигнал, подаваемый на вход НС.

Стандартные преобразования для каждого элемента исходной выборки X могут быть выполнены следующим образом:

(3)

(4)

где х,. - 1-я координата входного вектора;

|М(х,)- выборочная оценка математического ожидания xt; CJ (х,) - выборочная оценка среднего квадратичного отклонения.

Если эти преобразования не делать, то необходимо выбирать пределы изменения параметров нейрона в зависимости от данных.

Выполняемое в модуле препроцессирования предварительное, до подачи на вход сети преобразование данных с помощью стандартных статистических приемов может существенно улучшить как параметры обучения, так и работу системы целиком.

Управление операциями подготовки входных данных, обучения тестирования НС, интерпретации выходных данных осуществляется менеджером проекта сети.

Рис. 5. Структурная схема нейроимитатора

Разработанный нейроимитатор предназначен для осуществления следующих действий по реализации конкретного нейросетевого алгоритма: выбор топологии сети; реализация желаемого алгоритма обучения нейросети; фиксация обученной нейросетевой модели; формирование тестовых входных воздействий; обеспечение удобного контроля работы сети на тестовых и рабочих вариантах.

Для разработки комплекса использовалась среда программирования Microsoft Visual C+ + . Разработка комплекса "FirstNeuron" выполнена с использованием классов библиотеки MFC. Для хранения разработанных пользователем нейросетевых моделей используются файлы базы данных формата Microsoft Access. Работа с базами данных осуществляется через объекты доступа к данным (Data Access Objects).

В заключении приводятся основные результаты работы.

Основные результаты работы:

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

2. Исследованы особенности проектирования и настройки нейросетевых моделей управления социально-экономическими системами; произведена оценка эффективности алгоритмов обучения; предложен метод проектирования оптимальной нейросетевой структуры.

3. Предложена многоэтапная схема оптимизации структуры нейросетевой модели отличающаяся последовательным упрощением нейронной сети за счет удаления наименее значимых синапсов и нейронов.

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

5. Разработан алгоритм построения самообучающихся нейросетевых систем управления СФО, основанный на оптимальном выборе топологии нейросетевой модели и использующий на этапе обучения модификацию градиентного алгоритма обратного распространения ошибки, в котором величина шага на каждой итерации определяется инерционным соотношением в соответствии с предварительной оценкой характера связи.

6. Описана структура системы интеллектуальной поддержки управления СФО, позволяющая на основе программного нейроимитатора отрабатывать в автоматическом и интерактивном режимах предпочтительный вариант управляющих воздействий на планируемый период времени.

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

8. Создан программно-методический комплекс интеллектуальной поддержки управления СФО в социально-экономических системах, обеспечивающий помощь проблемно-ориентированному специалисту при решении задач выбора наиболее эффективных воздействий; разработано методическое обеспечение диагностики влияния состояния организационной культуры компании на эффективность ее деятельности.

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

Основные результаты диссертации опубликованы в следующих работах:

1. Babcin A.P., Isakov P.N., Choporov O.N. Prediction of development ofmacroangiopa-thy by sugar diabetes on the basis ofneuronets // Proceedings of the International Conference "Interactive systems: The problems of human- computer interaction". Ulianovsk, 1999. P.80

2. Моделирование развития атеросклероза на основе нейротсхнологий / А.П. Бабкин, П.Н. Исаков, Я Е. Львович, О.Н. Чопоров // Интеллектуальные информационные системы: Тр. Всерос. конф. Воронеж, 2000. С. 106-107.

3. Альтварг М.С., Исаков П.Н. Диагностика организационной культуры на основе нейросетевых технологий // Высокие технологии в технике, медицине, экономике и образовании: Межвуз.сб.научлр. Воронеж: ВГТУ, 2000.4.1. С. 125-132.

4. Альтварг М.С., Исаков П.Н. Особенности формирования организационной культуры на базе компьютерных технологий // Высокие технологии в технике, медицине, экономике и образовании: Межвуз.сб.науч. тр. Воронеж: ВГТУ, 2000.4.1. С.133-137.

5. Бабкин А.П., Исаков П.Н., Чопоров 0.11. Моделирование развития атеросклероза на основе нейросетей // Окружающая среда и здоровье человека: Сб. науч. и практ. работ. Старый Оскол, 2000. С. 222-226.

6. Исаков П.Н., Лаврентьев А.А., Разинкин К.А. Автоматизация диагностики развития осложнений у кардиохирургических больных // Компьютеризация в медицине: Межвуз.сб.научлр. Воронеж: ВГТУ, 2000. С.43-47.

7. Анализ применения нейромоделей для диагностики развития осложнений у кар-диохирургических больных в послеоперационный период / П.Н. Исаков, А.А. Лаврентьев, Д.М. Львович, К.А. Разинкин // Интеллектуальные информационные системы: Тр. Всерос. конф. Воронеж, 2000.91 с.

8. Исаков П.Н., Лаврентьев А.А., Разинкин К.А. Моделирование состояния кар-диохирургических больных в послеоперационном периоде на основе инновационных технологий // Компьютеризация в медицине: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2000. С.48-53.

9. Исаков П.Н., Лаврентьев А.А., Разилкин К.А. Анализ зависимостей показателей состояния кардиохирургических больных при различных осложнениях на основе дискри-минантного анализа // Интеллектуальные информационные системы: Тр. Всерос. конф. Воронеж, 2000.109 с.

10. Бабкин А.П., Исаков П.Н., Чопоров О.Н. Обучение нейронных сетей как многокритериальная задача оптимизации //Вестник ВГТУ. Сер. САПР и системы автоматизации производства. 2001, Вып. 3.1. С.153-155.

11. Исаков П.Н., Львович И.Я., Назаренко ЕА. Оптимизация процесса обучения нейросетевых моделей поведения слабоформалгоусмых объектов // Вестник ВГТУ. Сер. Проблемно-ориентированные системы управления. 2001. Вып.2.1. С. 19-21.

12. Исаков П.Н. Исследование характеристик слабоформализуемых объектов на основе нейросетевых технологий // Интеллектуальные информационные системы: Тр. Всерос. конф. Воронеж, 2001.4.1.110 с.

13. Исаков П.Н. Проблема управляемости нейросетевых моделей слабоформали-зуемых объектов. // Интеллектуальные информационные системы: Тр. Всерос. конф. Воронеж: ВГТУ, 2001.4.1.85 с.

14. Бабкин А.П., Исаков П.Н., Чопоров О.Н. Разработка прогностических моделей течения атеросклеротического поражения различной локализации // Компьютеризация в медицине: Межвуз.сб.науч. тр. Воронеж: ВГТУ, 2001. С.95-100.

15. Исаков П.Н., Львович И.Я., Назаренко Е.А. Проблемы управления при неполной информации о математической модели динамических объектов // Прикладные задачи моделирования и оптимизации: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2002. С. 74-79.

16. Исаков П.Н. Управление слабоформализуемыми объектами с использованием нейрокомпьютерного эмулятора // Высокие технологии в технике, медицине, экономике и образовании: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2004.4.1. С.118-122.

17. Исаков П.Н. Оптимизация управления слабоформализуемыми объектами на основе нейросетевого моделирования // Интеллектуальные информационные системы: Тр. Всерос. конф. Воронеж, 2004. С. 8-9.

ЛР № 066815 от 25.08.99. Подписано в печать 19.05.2004. Формат 60x84/16. Бумага для множительных аппаратов. Усл.печ.л. 1,0. Тираж 85 экз. Заказ № ¿О?.

Воронежский государственный технический университет 394026 Воронеж, Московский просп., 14

ВВЕДЕНИЕ.

1. СИСТЕМНЫЙ АНАЛИЗ ТЕХНОЛОГИЙ ПРОЕКТИРОВАНИЯ СИСТЕМ УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ОБЪЕКТАМИ.

1.1. Анализ проблем управления при неполноте информации об объекте и его слабой формализации.

1.2. Формирование интеллектуальной управляющей системы на основе нейросетевых технологий.

1.3. Цель и задачи исследования.

2. ОПТИМИЗАЦИЯ ПОСТРОЕНИЯ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ОБЪЕКТАМИ.

2.1. Синтез систем управления на основе многослойных нейронных сетей.

2.2. Разработка технологии оптимальной настройки нейросетевой модели на решение задач управления.

2.3. Управление слабоформализуемыми объектами с применением многослойных нейронных сетей.;

Выводы второй главы.

3. АЛГОРИТМИЗАЦИЯ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ СИСТЕМ УПРАВЛЕНИЯ.

3.1. Диагностика развития осложнений у кардиохирургических больных в послеоперационный период на основе нейросетевых систем управления.

3.2. Применение прогностических моделей течения атеросклеротического поражения различной локализации при выборе оптимальной стратегии лечения пациента.

3.3. Проведение экспертного оценивания влияния организационной культуры предприятия на эффективность его функционирования.

Выводы третей главы.

4. РАЗРАБОТКА СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ОБЪЕКТАМИ.

4.1. Программная реализация нейрокомпьютерного эмулятора.

4.2. Управление слабоформализуемыми объектами с применением нейрокомпьютерного эмулятора.

4.3. Применение системы для моделирования течения атеросклеротического поражения при выборе оптимальной стратегии лечения пациента на базе

Воронежской областной клинической больницы №1.

Выводы четвертой главы.

Актуальность темы. Последние фундаментальные результаты общей теории самоорганизации показывают, что современная наука управления, как и другие науки, начинает переходить на путь естественности, т.е. на новые концептуальные основы. К такому новому направлению в современной науке управления относится теория нейросетевых самообучающихся систем.

На практике объективно существуют причины, вследствие которых классические подходы к достижению необходимых целей управления на основе обратной связи по измеряемым сигнальным переменным оказываются недостаточными из-за априорной и текущей неполноты информационного обеспечения систем управления.

Неполнота информации об управляемом объекте приводит, во-первых, к снижению качества работы системы и даже к потере ее устойчивости, т.е. работоспособности; во-вторых, к последующему увеличению затрат на расчет и реализацию более эффективной системы управления для сохранения требуемого качества ее функционирования; в-третьих, к снижению возможности эволюции аппаратно-программного обеспечения системы в процессе ее эксплуатации.

Потенциальные приложения искусственных нейронных сетей просматриваются в тех задачах, когда в силу неопределенности, например из-за недостатка информации, традиционные решения не эффективны, а обычные вычисления непомерно трудоемки или же не адекватны решаемой задаче. Искусственные нейронные сети применяются для решения множества задач обработки информации, диагностики болезней и состояния технических устройств, для прогнозирования событий.

Управление на основе многослойной нейронной сети позволяет решать трудно формализуемые задачи управления сложными социальноэкономическими объектами в тех нередких случаях, когда априорные "жесткие" модели и алгоритмы не адекватны реальному состоянию управляемого процесса.

Многослойные нейронные сети находят применение и как идентификаторы состояния нелинейных динамических объектов, успешно конкурируя с традиционными линейными и нелинейными идентификаторами. В силу упомянутых свойств такие сети служат универсальным средством построения моделей практически любых нелинейных структур, в том числе и нестационарных.

С позиций современной теории управления применение многослойных нейросетей как регуляторов объектов адекватно задачам, возникающим в тех нередких случаях, когда аналитический синтез системы управления становится весьма трудоемкой задачей из-за сложности или недостоверности используемой математической модели объекта. Такая ситуация неизбежна, если объект - многосвязный и содержит нелинейности, а его функционирование сопровождается неконтролируемыми изменениями во времени его динамических свойств.

В силу относительной новизны теоретическая проработка управления социально-экономическими объектами на основе нейросетевых технологий отечественными специалистами выглядит еще весьма скромно, а требуемое для интеллектуальной поддержки программное обеспечение практически отсутствует. В этой ситуации особую значимость приобретает исследование возможностей повышения эффективности управления слабоформализуемыми объектами (СФО) на основе нейросетевых технологий, а так же разработка специализированного программного комплекса интеллектуальной поддержки.

Таким образом, актуальность диссертации определяется необходимостью повышения эффективности управления СФО на основе выбора оптимальных управляющих воздействий с использованием современных нейросетевых технологий.

Диссертационная работа выполнена в рамках одного из основных направлений Воронежского государственного технического университета "Проблемно-ориентированные системы управления "

Цель и задачи исследования. Целью исследования является разработка моделей, алгоритмов и информационного комплекса, обеспечивающих повышение эффективности управления слабоформализуемыми объектами в социально-экономических системах на основе нейросетевых технологий, а также создание методологии выбора оптимальных управляющих воздействий.

Для достижения поставленной цели необходимо решить следующие задачи: проанализировать пути повышения эффективности управления СФО в социально=экономических системах на основе нейросетевых технологий и определить основные требования к интеллектуальной системе управления состоянием объекта; исследовать особенности проектирования и настройки нейросетевых моделей управления, оценить эффективность алгоритмов обучения, и определить методы проектирования оптимальной нейросетевой структуры; разработать алгоритмическое обеспечение принятия управленческих решений в социально-экономических системах на основе нейросетевых технологий; разработать методику проведения моделирования состояния СФО под воздействием управляющих воздействий на основе нейросетевых технологий. разработать программно-методический комплекс интеллектуальной поддержки управления СФО в социально-экономических системах, обеспечивающий помощь проблемно-ориентированному специалисту при решении задач выбора наиболее эффективных воздействий; внедрить результаты исследования в практику управления СФО с использованием компьютерной системы.

Методы исследования. При выполнении работы использованы основные положения системного анализа, методы нейросетевого моделирования, математической статистики, исследования операций и принятия решений, теории управления.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной: схема автоматизированного управления СФО, отличающаяся использованием многослойной нейронной сети прямого действия в качестве инструмента формирования функций управления, соответствующих целевым условиям; алгоритм построения самообучающихся нейросетевых систем управления СФО, обеспечивающий оптимальный выбор топологии нейросетевой модели, и использующий на этапе обучения модификацию градиентного алгоритма обратного распространения ошибки, в котором величина шага на каждой итерации определяется инерционным соотношением в соответствии с предварительной оценкой характера связи; многоэтапная схема оптимизации структуры нейросетевой модели отличающаяся последовательным упрощением нейронной сети за счет удаления наименее значимых синапсов и нейронов; структура системы интеллектуальной поддержки управления СФО, позволяющая на основе программного нейроимитатора отрабатывать в автоматическом и интерактивном режимах предпочтительный вариант управляющих воздействий на планируемый период времени.

Практическая ценность работы и результаты внедрения. Разработано методическое обеспечение по проведению моделирования состояния СФО в социально-экономических системах под воздействием управляющих воздействий на основе нейросетевых технологий. Создан программно-методический комплекс интеллектуальной поддержки управления СФО, обеспечивающий помощь проблемно-ориентированному специалисту при решении задач выбора наиболее эффективных воздействий. На основе комплекса разработано методическое обеспечение диагностики влияния состояния организационной культуры компании на эффективность ее деятельности, создан программно-методической комплекс прогнозирования эффективности терапии атеросклероза различных локализаций.

Результаты работы внедрены в практику Воронежской областной клинической больницы №1. Это позволило при лечении больных с атеросклеротическими поражениями различной локализации повысить эффективность терапии и снизить потребность в дорогостоящих импортных лекарственных препаратах за счет выбора оптимальной стратегии лечения пациента.

Апробация работы. Результаты диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: Всероссийской конференции "Интеллектуальные информационные системы" (Воронеж, 2004), Всероссийской конференции "Интеллектуальные информационные системы" (Воронеж, 2000-2002), Международной конференции "Interactive systems: The problems of human - computer interaction" (Ульяновск, 1999).

Публикации. По теме диссертации опубликовано 17 печатных работ.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка используемой литературы, включающего 169 наименований, приложения. Основная часть работы изложена на 135 страницах, содержит 19 рисунков и 3 таблицы.

ВЫВОДЫ ЧЕТВЕРТОЙ ГЛАВЫ

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

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

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

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

ЗАКЛЮЧЕНИЕ

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

В процессе решения перечисленных научных задач получены следующие основные результаты:

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

2. Исследованы особенности проектирования и настройки нейросетевых моделей управления; произведена оценка эффективности алгоритмов обучения; предложен метод проектирования оптимальной нейросетевой структуры.

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

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

5. Разработан алгоритм построения самообучающихся нейросетевых систем управления СФО, основанный на оптимальном выборе топологии нейросетевой модели, и использующий на этапе обучения модификацию градиентного алгоритма обратного распространения ошибки, в котором величина шага на каждой итерации определяется инерционным соотношением в соответствии с предварительной оценкой характера связи;

6. Описана структура системы интеллектуальной поддержки управления СФО, позволяющая на основе программного нейроимитатора отрабатывать в автоматическом и интерактивном режимах предпочтительный вариант управляющих воздействий на планируемый период времени;

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

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

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

1. Аведьян Э.Д. Алгоритмы настройки многослойных нейронных сетей // Автоматика и телемеханика. 1995. №4. с. 106-118.

2. Агеев А.И., Грачев М.В. Организационная культура современной корпорации. // Мировая экономика и международные отношения. 1990. N 6. - с. 47-52.

3. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989. 606с.

4. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Исследование зависимостей. М.: Финансы и статистика, 1983. - 402с.

5. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.-472с.

6. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998. 1022с.

7. Аксенов С.Л. Менеджмент персонала. М.:ЭКСМО, 1998. - 304 с.

8. Алмазов В.А., Чирейкин Л.В. Трудности и ошибки диагностики заболеваний сердечно-сосудистой системы. Л.: Медицина, 1985. - 215с.

9. Амосов Н.М., Зайцев Н.Г., Мельников А.А. Медицинская информационная система. Киев: Наукова думка, 1971.-441 с.

10. Антомонов Ю.Г. Моделирование биологических систем. Справочник. К.: Наукова думка, 1977. 478с.

11. Антоненко JI. "Мягкая составляющая" в мировой экономике // Мировая экономика и международные отношения. 1997. N 1. - с. 77-84.

12. Афифи А., Эйзен С. Статистический анализ: подход с использованием ЭВМ. Пер. с англ. М.: Мир, 1982. - 488с.

13. Ахутин В.М. Анализ и синтез биотехнических систем // Моделирование физиологических и биологических процессов. М. 1977. С. 3-7.

14. Балантер Б.И. Вероятностные модели в физиологии. М., Наука, 1977.-252с.

15. Балантер Б.И., Ханин М.А., Чернавский Д.С. Введение в математическое моделирование патологических процессов. М.: Медицина, 1980. -264с.

16. Бейли Н. Статистические методы в биологии / Пер. с англ.: Под ред. В.В. Налимова. М.: Изд-во «Иностр.лит.», 1962.

17. Беллман Р. Математические методы в медицине / Пер. с англ.: Под ред. Л.Н. Белых. М.: Мир, 1987. - 200 с.

18. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983. 432с.

19. Бухштабер В.М., Зеленюк Е.А., Зубенко А.А. Конструирование интерактивных систем анализа данных. М.: Финансы и статистика, 1989.

20. Вальд А. Последовательный анализ / Пер. с англ.; Под ред. В.А. Севастьянова. М.: Наука, 1960.

21. Вальд А. Статистические решающие функции // Позиционные игры; Под ред. Н.Н. Воробьева и Н.Н. Врублевской. М.: Наука, 1967. - С. 300-522.

22. Ван дер Варден Б.Л. Математическая статистика / Пер.с нем.; Под ред. Н.В.Смирнова, М.: Изд-во «Иностр.лит.», 1960.

23. Вентцель Е.С. Теория вероятностей. М.: Наука, 1998.

24. Вишнев С.М. Основы комплексного прогнозирования. М.: Наука, 1977.-287с.

25. Галушкин А. Современные направления развития нейрокомпью-терных технологий в России // Открытые системы. 1997. Na 4(24). С. 25-28.

26. Гельфанд И.М. Лекции по линейной алгебре. М.:ГИТЛ, 1951.

27. Гельфанд И.М., Семенюк Э.П. Некоторые задачи классификации и прогнозирования из различных областей медицины // Вопросы кибернетики, 1985. Вып. 112. - С. 65-127.

28. Гизатулин Ш.Х., Амиров А.Х. Компьютерные истории болезни // Terra Medica, 1996. №2. - С. 2-5.

29. Глакц С. Медико-биологическая статистика / Перевод с англ.; Под ред. Н.Е. Бузикашвили и Д.В. Самойлова. М.: Практика, 1999.

30. Горбань А.Н. Обучение нейронных сетей. М.: Параграф, 1990.160 с.

31. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. — Новосибирск: Наука (Сиб. отделение), 1996. 276 с.

32. Гордненко Е.К., Лукьяница А.А. Искусственные нейронные сети: I. Основные определения и модели / Изв. РАН. Сер. Техническая кибернетика. 1994. № 5. С. 79-92.

33. Гроссберг С. Внимательный мозг // Открытые системы. 1997. №4(24). С. 29-33.

34. Гублер Е.В. Вычислительные методы анализа и распознавания патологических процессов. Л.: Медицина, 1978. - 294с.

35. Гублер Е.В. Информатика в патологии, клинической медицине и педиатрии. Л.: Медицина, 1990. -210с.

36. Делекторская Л.И., Пименова Л.М., Кадашева О.Г. Оценка диагностической информативности лабораторных тестов // Клин. лаб. диагн. -1992.-№ 1-2.-С. 49-58.

37. Дорофеюк А.А. Алгоритмы автоматической классификации (обзор). Автоматика и телемеханика, 1971, №12 - С. 23-31.

38. Дунаевский О.А., Михеев В.А., Колесников О.Д. // Программные процессы и системы. 1989. - №4. - С. 42-45.

39. Енюков И.С. Методы, алгоритмы, программы многомерного статистического анализа. М.: Финансы и статистика, 1986. 174с.

40. Зацепина С.А., Львович Я.Е., Фролов В.Н. Теория управления: Учебное пособие. Воронеж. 1989. 197 с.

41. Зацепина С.А., Львович Я. Е., Фролов М.В. Управление в биотехнических и медицинских системах / Под ред. В.Н. Фролова: Учеб.пособие. Воронеж: ВГТУ, 1994. 145с.

42. Информатика и медицина: Сборник статей. М.: Наука, 1997.

43. Исаков П.Н. Исследование характеристик слабоформализуемых объектов на основе нейросетевых технологий //Труды Всероссийской конференции "Интеллектуальные инф.системы",Воронеж:2001, 4.1 с. 110

44. Исаков П.Н. Оптимизация управления слабоформализуемыми объектами на основе нейросетевого моделирования // Интеллектуальные информационные системы: Тр. Всерос. Конф. Воронеж: ВГТУ, 2004 С. 8-9.

45. Исаков П.Н. Проблема управляемости нейросетевых моделей слабоформализуемых объектов. // Тр. Всерос. Конф. "Интеллектуальные инф.системы",Воронеж:2001,4.1 с.85

46. Исаков П.Н. Управление слабоформализуемыми объектами с использованием нейрокомпьютерного эмулятора // Высокие технологии в технике, медицине, экономике и образовании: Межвуз.сб.науч. тр. Воронеж. ВГТУ, 2004. 4.1. С.118-122.

47. Исаков П.Н., Альтварг М.С. Диагностика организационной культуры на основе нейросетевых технологий // Высокие технологии в технике, медицине, экономике и образовании: Межвуз.сб.науч. тр. Воронеж. ВГТУ, 2000.4.1. С. 125-132

48. Исаков П.Н., Альтварг М.С. Особенности формирования организационной культуры на базе компьютерных технологий // Высокие технологиив технике, медицине, экономике и образовании: Межвуз.сб.науч. тр. Воронеж. ВГТУ, 2000. 4.1. С.133-137

49. Исаков П.Н., Бабкин А.П., Львович Я.Е., Чопоров О.Н. Моделирование развития атеросклероза на основе нейротехнологий // Интеллектуальные информационные системы: Тр. Всерос. Конф. Воронеж: ВГТУ, 2000 С. 106-107.

50. Исаков П.Н., Бабкин А.П., Чопоров О.Н. Моделирование развития атеросклероза на основе нейросетей // Окружающая среда и здоровье человека: сб. науч. и практ. работ. Старый Оскол, 2000. С. 222-226

51. Исаков П.Н.,Бабкин А.П., Чопоров О.Н. Обучение нейронных сетей как многокритериальная задача оптимизации //ВЕСТНИК ВГТУ "САПР и системы автоматизации производства "Выпуск 3.1, Воронеж:2001 с.153-155

52. Исаков П.Н., Бабкин А.П., Чопоров О.Н. Разработка прогностических моделей течения атеросклеротического поражения различной локализации // Компьютеризация в медицине. Воронеж: Из-во ВГТУ, 2001. С.95-100

53. Исаков П.Н., Лаврентьев А.А., Разинкин К.А. Автоматизация диагностики развития осложнений у кардиохирургических больных // Компьютеризация в медицине: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2000. С.43-47

54. Исаков П.Н., Лаврентьев А.А., Разинкин К.А. Моделирование состояния кардиохирургических больных в послеоперационном периоде на основе инновационных технологий // Компьютеризация в медицине: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2000. С.48-53.

55. Исаков П.Н., Львович И.Я., Назаренко Е.А. Проблемы управления при неполной информации о математической модели динамических объектов // Прикладные задачи моделирования и оптимизации: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2002. С. 74-79.

56. Исаков П.Н., Львович И.Я., Назаренко Е.А. Оптимизация процесса обучения нейросетевых моделей поведения слабоформализуемых объектов // ВЕСТНИК ВГТУ "Проблемно-ориентированные системы управле-ния"Выпуск 2.1, Воронеж:2001 с.19-21

57. Искусственный интеллект. Справочник. Т. 1, 2 / Под ред. Э.И. Попова. М.: Радио и связь, 1990. 340с.

58. Исскуственный интеллект. Модели и методы. Справочник. Кн.2 / Под ред. Д.А. Поспелова. М.: Радио и связь, 1990.

59. Исследования по общей теории систем: Сборник переводов / Под ред. В.Н. Садовского и Э.Г. Юдина. М.: Прогресс, 1969.

60. Кабаси X. Методы и проблемы извлечения знаний // Приобретение знаний/ Пер. с англ.; Под ред. Н.Г. Волкова. М.: Мир, 1990. - С. 68-88.

61. Кант В.И. Методология системного подхода и ее применение в практике здравоохранения. М.: Медицина, 1978. 135с.

62. Капекки В., Меллер Ф. Выявление информативных признаков и группировка // Математика в социологии. М.: Мир, 1977. С. 301-338.

63. Кендалл М., Стюарт А. Статистические выводы и связи / Пер.с англ.; Под ред. А.Н. Колмогорова и Ю.В. Прохорова. М.: Наука, 1973.

64. Клир Дж. Системология. Автоматизация решения системных задач / Пер. с англ; Под ред. А.Н. Горлина. М.: Радио и связь, 1990.

65. Кристофидес Н. Теория графов. Алгоритмический подход. М.: Мир, 1978.-432с.

66. Кульбак С. Теория информации и статистика / Пер. с англ.; Под ред. А.Н. Колмогорова. М.: Наука, 1967.

67. Курант Р., Гильберт Д. Методы математических функций. Т.1. -М.: Гостехиздат, 1981.

68. Куренков Н. И., Лебедев Б. Д. Энтропийные методы определения обобщенных характеристик систем в задачах механики // Механика композиционных материалов и конструкций. Т.З., 1997. № 3. С. 97-105.

69. Ларичев О.И., Мечитов А.И., Мошкович Е.М., Фуремс Е.М. Выявление экспертных знаний. М.: Наука, 1989.

70. Ластед Л. Введение в проблему принятия решений в медицине / Пер. с англ; Под. ред. М.Л.Быховского. М.: Мир, 1971.

71. Лорьер Ж.Л. Системы искусственного интеллекта / Пер. с франц. М.: Мир, 1990.-378с.

72. Львович И.Я. Вариационное моделирование и оптимальный выбор проектных решений. Воронеж: издательство ВГТУ, 1997. 114 с.

73. Львович И .Я., Федорков Е.Д. Математические основы информатики, Воронеж: изд. ВГТУ, 1997. 98с.

74. Львович Я.Е. Управление в биологических и медицинских системах / Я.Е. Львович, М.В. Фролов. Воронеж: ВГТУ, 1994. 183с.

75. Малета Ю.С., Тарасов В.В Математические методы статистического анализа в биологии и медицине, Вып. 2. М.: Изд-во МГУ, 1982.

76. Малета Ю.С., Тарасов В.В. Математические методы статистического анализа в биологии и медицине. Вып. 1. — М.: Изд-во МГУ, 1982.

77. Месарович М. Общая теория систем и ее математические основы // Исследования по общей теории систем. Сб. переводов; Под ред. В.Н. Садовского и Э.Г. Юдина. М.: Прогресс, 1969. - С. 165-180.

78. Минский М., Пейперт С. Перцептроны. — М.: Мир, 1971. 262 с.

79. Минцер О.П., Цуканов Ю.Т. Клиническое прогнозирование. Киев, 1983.

80. Моделирование биотехнических и медицинских систем: Учеб. пособие / Я.Е. Львович, М.В. Фролов, К.А. Разинкин и др.; Под ред. В.Н. Фролова. Воронеж: Изд-во ВГТУ, 1994. С. 114-119, 157-161, 165-169, 176180.

81. Неймарк Ю.И. Распознавание образов и медицинская диагностика / Ю.И. Неймарк, З.С. Баталова, Ю.Г. Васин, М.Д. Бредо, М.: Наука, 1972. -328с.

82. Нейроинформатика. А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кирдин и др. Изд-во КГУ, 1998.

83. Нейроинформатика и ее приложения // Тез. докл. 5-го Всерос. сем., 3-5 октября 1997 г. / Под ред. А.Н. Горбаня. — Красноярск: КГТУ. 1997. 190 с.

84. Новые концепции общей теории управления // Сб. науч. трудов / Под ред. А.А. Красовского. —Москва-Таганрог: ТРТУ, 1995. 184 с.

85. Осипов Г.С. Приобретение знаний интеллектуальными системами. М.: Наука, 1997.

86. Ошибки клинической диагностики / Под ред. С.С. Вайля. Л.: Медгиз. 1961.

87. Переверзев-Орлов B.C. Проблемы и концепции построения интеллектуальных партнерских систем // Компьютеры и познание. М.:1990. -С. 52- 57.

88. Перегудов Ф.И. Тарасенко Ф.П. Введение в системный анализ -М.: Высшая школа, 1989. 368с.

89. Поллард Дж. Справочник по вычислительным методам / Пер. с англ.; Под ред. П.П. Пархоменко. М.: Энергия, 1982. 344с.

90. Поспелов Г.С. Искусственный интеллект основа новой информационной технологии. - М.: Наука, 1988.

91. Построение экспертных систем / Под ред. Ф. Хейес-Рота, Д. Уо-термана, Д. Лената / Пер. с англ.; Под ред. В.Л. Стефанюка. М.: Мир, 1987.

92. Представление и использование знаний / Под ред. X. Уэно, М. Исидзука; Пер. с англ. М.: Мир, 1989.

93. Приобретение знаний / Под ред. С. Осуги, Ю. Саэки; Пер. с японского под ред. Н.Г. Волкова. М.: Мир, 1990.

94. Проблемы вычислительной диагностики / Под ред. Е.В. Гублера. -М.: Наука, 1969.

95. Разинкин К.А., Родионов О.В., Федорков Е.Д. Оценка динамики и выбор управления при лечении хронических заболеваний // Высокие технологии в технике, образовании, медицине: Межвуз. сб. науч.тр. Воронеж: ВГТУ, 1994.-С. 83-93.

96. Райбман Н.С., Чадеев В.М. Адаптированные системы управления технологическими процессами. Москва: ИПУ, 1972. С. 58.

97. Розенблатт Ф. Принципы нейродинамики: Перцептрон и теория механизмов мозга. — М.: Мир, 1965. 480 с.

98. Советов Б .Я. Теория информации. Л.: Изд-во Ленингр. ун-та, 1987. 184 с.

99. Советов Б.Я., Яковлев С.А. Моделирование систем. Москва: Высшая школа, 1985 г. 210 с.

100. Справочник по теории вероятностей и математической статистике / B.C. Королюк, Н.И. Портенко, А.В. Скороход и др. М.: Наука, 1985. -640с.

101. Статистические методы для ЭВМ / Под ред. К. Экслейна, Э. Рэл-стона, Г. Уилфа; Пер. с англ. М.: Наука, 1986.

102. Томилов В.В. Формирование организационной культуры экономических систем // Проблемы теории и практики управления. 1995. - N 1. -с. 69-73

103. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. -М: Синтег, 1998. 376с.

104. Тьюки Д.У. Анализ данных, вычисление на ЭВМ и математика // Современные проблемы математики. М., 1977. - С. 41-64.

105. Тюрин Ю.Н., Макаров А.А Анализ данных на компьютере. М.: Финансы и статистика, 1995.

106. Уилкс Д. Математическая статистика. М.: Наука, 1967.

107. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика / Пер. с англ -М.: Мир, 1992. 240с.

108. Фролов В.Н. Выбор тактики лечения с применением математических методов. Воронеж, ВГТУ, 1977.

109. Харари Ф., Палмер Э. Перечисление графов / Пер. с англ. М.: Мир, 1977.

110. Холлендер М., Вулф Д.А Непараметрические методы статистики. -М.: Финансы и Статистика, 1983.

111. Шекшня С.В. Управление персоналом современной организации / Учебно-практическое пособие. М.:"Интел-Синтез", 1997. - 336 с.

112. Шеннон Р. Имитационное моделирование систем Искусство и наука. - М.: Мир, 1978. - 418с.

113. Шорников Б.С. Классификация и диагностика в биологическом эксперименте. М., Наука, 1979.

114. Эшби У.Р. Введение в кибернетику / Пер. с англ.; Под ред. А.Н. Колмогорова. М.: Изд-во "Иностр. Лит", 1959.

115. Эшби У.Р. Принципы самоорганизации // Принципы самоорганизации / Пер. с англ.; Под ред. А.Я. Лернера. М.: Мир, 1966. - С. 314-343.

116. Яглом А. М., Яглом И. М. Вероятность и информация М.: Наука,1973.

117. Ball G.H. ISODATA, an iterative method of multivariate data analysis and pattern classification // IEEE Intern. Conf. New York. 1966. 375p.

118. Barron A.R. Universal approximation bounds for superposition of a sigmoida function // IEEE Trans. Inform. Theory. 1993. Vol. 39. P. 930-945.

119. Baxt W.G. Application of artifical neural networks to clinical medicine // Lancet, 1995 Oct 28-346 (8983). P. 1135-1138.

120. Brown A. Organizational Culture. London: Pitman Publishing, 1995. -345p.

121. Card W. The computer, the clinical and the future. Practitioner, 1978. - V/220, N1317. - P. 431-435.

122. Chester D. Why two hidden layers are better than one // IEEE Int. Joint. Conf Neural Networks, IJCNOTO. 1990. P. 265-268.

123. Cox D.R.- Regression models and life-tables // J.Royal Stat.Soc. -1972. -V.34-P. 187-202.

124. Cybenco G. Approximation by superpositions of a sigmoidal function //Math Control Signal Systems. 1989. № 2. P. 303-314.

125. Girosi F., Poggio T. Represetation propeties of networks: Kolmo-gorov's theorem is irrelevant//Neural Computation. 1989. № 1. P. 465-469.

126. Girosi F., Poggio T. Networks and the best approximation property // Biological Cybernetics. 1990. № 63. P. 169-176.

127. Dichinson С J. The use and potential use of simulation models in clinical medicine // Real-time computer in patient management. London, 1976. -P. 171-174.

128. Engle R.L. Attempts to use computers as diagnostic aids in medical decision making: a thirty year experience // Perspect. Biol.Med. -1992. -V.35. № 2.-P. 207-219.

129. Fang Y., Sejnowski T.J. Faster learning for dynamic recurrent back propagation //Neural Computation. 1990. № 2. P. 270-273.

130. Fisher R.A. On the mathematical foundation of theoretical statistics // Philos. Trans. Ray. Soc. A. 1922- V.222. - P. 309-368.

131. Girosi F., Poggio T. Represetation propeties of networks: Kolmo-gorov's theorem is irrelevant // Neural Computation. 1989. № 1. P. 465-469.

132. Girosi F., Poggio T. Networks and the best approximation property // Biological Cybernetics. 1990. № 63. P. 169-176.

133. Hebb D.O. The organization of behavior: A neuropsychological theory. — N.-Y.: Wiley, 1949.

134. Hecht-Nielsen R. Kolmogorov's mapping neural network existence theorem // Int. Conf. NN. IEEE Press. 1987. Vol. 3. P. 11-13.

135. Hopfield J.J. Neural Networks and Physical systems with emergent collective computational abilities//Proc. Nat. Sci. USA. 1982. V.79. P. 2554-2558.

136. Hopfield J.J. Neurons with graded response have collective computational properties like those of two-state neurons // Proc. National Acad, of Sci. 1984. № 81. P.3088-3092.

137. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators // Neural Networks. 1989. № 2. P. 359-366.

138. Knowledge Acquisition tools for expert systems / ed. J.H. Boose and B.R. Gaines. London San Diego N.Y. Berkley Boston Tokyo Toronto Academic Press. 1988.- V.l; V.2.

139. Kohonen T. Self-organization and associative Memory. — Berlin: Springer Velag,1987.

140. Levin A.U., Narendra K.S. Control of nonlinear dynamical system using neural networks: Controllability and stabilization // IEEE Trans. Neural Networks. 1993. Vol. 4, № 2. P. 192-206.

141. Levin A.U., Narendra K.S. Control of nonlinear dynamical system using neural networks. Part II; Observability, identification and control // IEEE Trans. Neural Networks. 1996. Vol. 7, № 1. P. 30-42.

142. McGovern P. Human Resource Managment. London: Routledge,1998.

143. Mintzberg H. The Nature of Managerial Work. New York: Harper and Row, 1973.

144. Narendra K.S., Parthsarathy K. Identification and control of dynamic systems using neural networks // IEEE Trans. Neural Networks. 1990. Vol.1, № 1. P. 4-27

145. Neural networks for control // Ed. W. Thomas Miller, Richard S. Sut ton and Paul J. Werbos. — Cambridge, MA: Bradford Books /MIT Press, 1990. 524 c.

146. Neural networks for control systems: A survey/KJ. Hunt, D. Sbar-baro. R. Zbikowski, P.J. Gawthrop // Automatica. 1992. Vol. 28, № 6. P. 10831112.

147. Neyman J., Pearson E.S. On the use and interpretation of certain test criteria for purpose of statistical inference // Biometrika 1928. - V.20A. - P. 175240.

148. Pervozvansky A. Some error bounds for approximation by artifical neural networks // Proc. 13 Triennial World Congress. San Francisco, USA, 1996. P. 157-162.

149. Pheysey D.C. Organizational Cultures: Types and Transformations. -London: Routledge, 1993.

150. Psaltis D. Neural controllers // Proc. IEEE 1-th Int. Conf. on Neural Networks. 1987. Vol. 4. P. 551-558.

151. Psaltis D., Sideris A., Yamamura A.A. A multilayered neural networks controller//' IEEE Control System Magazine. 1988. No 8. P. 17-27.

152. Rummelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature, 1986. V. 323. P. 533-536.

153. Safran C. Using routinely collected data for clinical research // Stat.Med -1991.-V.10. P. 559-564.

154. Schwartz H., Davis S. Matching Corporate and Business Strategy // Organizational Dynamics, 1981. N 10, pp. 30-48.

155. Shortliffe E.H. Clinical decision-support systems // Medical Informatics: computer application in health care. Addison-Wesley. - 1990. - P. 466-502.

156. Van Bemmel J.H. Medical Informatics, Art or Science? // Meth. Inform. Med. 1996.-V.35.-P. 157-172.

157. Van Bemmel J.H.Formalization of medical knowledge — the diagnostic strategies and expert systems // Van Bemmel JH, Gremy F, Zvarova J, eds. Medical Decision Making: Diagnostic Strategies And Expert System. Elsevier Science Publishers BV, 1985.

158. Warwick К., Irwin G.W., Hunt K.J. Neural networks of control and systems. London: Peter Peregrinus, 1988.

159. Waterman D.A. A Guide to Expert System. Addison - Wesly Publication Company, Inc., 1986.

160. Widrow В., Bilello M. Nonlinear adaptive signal processing for inverse cont //Proc. World Congress Neural Networks, San Diego, 1994.

161. Widrow B. Adaptive inverse control I I Prep. 2-th IF AC Workshop Adaptive Systi in Control and Signal Processing. Lund, Sweden, 1986. P. 1-5.

162. Сравнительный анализ моделей диагностики развития осложнений у КХБ в послеоперационном периоде

163. Осложнение СтатистикаЧ тестированиях Метод диск. риминантного анализа Нейросетевое моделирование

164. Кол % Кол % Кол % Кол % Кал % Кол % Коп % Ксл % Кол % Кол %1. Общая статистика

165. Правильно: 18 72 17 68 16 64 20 80 17 68 18 72 21 84 20 80 23 92 21 84

166. Неуверенно: 5 20 7 28 6 24 5 20 6 24 7 28 4 16 5 20 2 8 4 16

167. Неправильно: 2 8 1 4 3 12 0 0 2 8 0 0 0 0 0 0 0 0 0 0

168. Всего: 25 100 25 100 25 100 25 100 25 100 25 100 25 100 25 100 25 100 25 1001. Осложнение обнаружено

169. Правильно: 9 69 13 76 5 56 10 71 4 66 10 71 15 83 6 75 11 92 6 86

170. Неуверенно: 4 31 4 24 3 33 2 29 1 17 4 29 3 17 2 25 1 8 1 14

171. Неправильно: 0 0 0 0 1 и 0 0 1 17 0 0 0 0 0 0 0 0 0 0

172. Всего: 13 100 17 100 9 100 12 100 6 100 14 100 18 100 8 100 12 100 7 1001. Осложнение отсутствует

173. Правильно: 9 75 6 74 11 68 10 77 13 68 8 73 6 86 14 83 12 92 15 84

174. Неуверенно: 1 8 1 13 3 19 3 23 5 27 3 27 1 14 3 17 1 8 3 16

175. Неправильно: 2 17 1 13 2 13 0 0 1 5 0 0 0 0 0 0 0 0 0 0

176. Всего: 12 100 8 100 16 100 13 100 19 100 11 100 7 100 17 100 13 100 18 100

177. Программный комплекс моделирования развития атеросклероза- Моделирование развития атеросклероза1. ВВЕЗя доза инсулина. м,ед. Индекс Кегле, кг/рост в кв. метрах*10е, (Да/Нет) Длительность ишемической болезни, лет3

178. Максимальный уровень глюкозы, ммоль.л?10 Толщина стенки общей сонной артерж, мкрн 53

179. Рекомендуемые препараты для лечения 6qj

180. Пропанол (анаприлин) 80 мг/день

181. Прогноз зависимости ОСАя ( 0Х )250.0018.6900 27.28 34.57 41.85 49.13 56.41 63.70 70.98 78.26 85.55 92.83 100.1 107.3 114.6 121.9 129.2 136.53 150.01. Параметры моделирования

182. Семейство графиков прогрессирования атеросклероза

183. Нейросетевая модель прогнозирования эффективности терапииатеросклероза сонных артерий ( в качестве передаточной функции использован функциональный преобразователь F(A)=A/(0,1+|A|))

184. Предобработка исходных симптомов для подачи сети:1. Х1= (XI- 52,5)/18, 51. Х2= (Х2- 140)/201. Х3= (ХЗ- 59,5)/20, 51. Х4 = (Х4- 88,5)/14, 51. Х5= (Х5- 65,5)/25, 51. Х6= (Х6- 10) /41. Синдромы 1-го уровня:

185. N21=F{ 0,0596044*Nll-0,06036919*N12+0,3004414*N13+0,1072772*N140,05915488*N15+0,006766542*N16-0, 0990594 9 ) N22=F(-0,2219757*Nll+0,1909907*N12-0,074827 8 9*N13+0,1644343*N14-0,1328503*N15+0, 1970402*N16+0, 004745568 )1. Синдромы 3-го уровня:

186. N31=F( 0,1968797*N21-0,2855221*N22+0, 06370089 )

187. N32=F( -0,2357751*N21+0,3871443*N22-0,04197541 )1. Конечные синдромы:

188. Y =-0, 4 87 9063*N31+0,7503583*N32 + 0, 03557772

189. Постобработка конечных синдромов:1. Y =((Y*205)+315)/2)1. Утверждаю '* врач ВОЬСБ1. Эктов В.Н.2003г.1. АКТ ВНЕДРЕНИЯ

190. ЗаказчикВоронежская областная клиническая больница1. Наименование организации)1. Эктов В.Н.

191. Ф.И.О. руководителя организации)

192. Вид внедренных результатов программно-информационный комплекс, обеспечивающий повышение эффективности лечения атеросклеротических поражений различной локализации.

193. Характеристика масштаба внедрения единичное.

194. Форма внедренияпрограммный комплекс.

195. Заведующий кардиологическим отделением, д.м.н.1. С-----------Кузнецов С.И.