автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.09, диссертация на тему:Прогнозирование рецидивирующего инфаркта миокарда на основе имитационного моделирования нейроструктур

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ПРИМЕНЕНИЯ МАТЕМАТИЧЕСКИХ МЕТОДОВ ПРИ ПРОГНОЗИРОВАНИИ ТЕЧЕНИЯ И ОСЛОЖНЕНИЙ ИНФАРКТА МИОКАРДА.

1.1. Современное состояние проблемы смертности от инфаркта миокарда.

1.2. Основные задачи и проблемы прогнозирования в медицине.

1.3. Анализ методов прогнозирования.

1.4. Классификация математических методов применительно к диагностике инфаркта миокарда.

1.5. Цель и задачи исследования.

ГЛАВА 2. НЕЙРОСЕТЕВЫЕ МОДЕЛИ И ПРИНЦИПЫ ИХ ОБУЧЕНИЯ ПРИМЕНИТЕЛЬНО К ПРОГНОЗУ РЕЦИДИВИРУЮЩЕГО ТЕЧЕНИЯ ИНФАРКТА МИОКАРДА.

2.1. Анализ задач, решаемых с помощью искусственных нейронных сетей.

2.2. Анализ структур, типов и математических моделей нейросетей.

2.3. Постановка и возможные пути решения обучения нейронных сетей, использующиеся при прогнозировании рецидива инфаркта миокарда.

2.4. Выводы второй главы.

ГЛАВА 3. МОДЕЛИРОВАНИЕ И АЛГОРИТМИЗАЦИЯ ДИАГНОСТИКИ РЕЦИДИВА ИНФАРКТА МИОКАРДА.

3.1. Разработка моделей и алгоритмов для оптимальной настройки параметров нейронных сетей.

3.2. Статистическая оценка прогностических признаков прогноза рецидивирующего течения инфаркта миокарда.

3:3. Оптимизация числа нейронов в скрытых слоях нейронной сети. .;.

3.4. Выводы третьей главы.

ГЛАВА 4. РЕАЛИЗАЦИЯ И АПРОБАЦИЯ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ В КЛИНИЧЕСКИХ УСЛОВИЯХ.

4.1. Общее описание комплекса прогнозирования.

4.2. Функциональная структура программного комплекса прогнозирования.

Актуальность проблемы. Среди заболеваний, ставших за последние годы самой частой причиной смерти взрослого населения, первое место занимают заболевания сердечно-сосудистой системы. Согласно официальной статистике за первое полугодие 1999 г. в России скончалось от ишемии 285 788 человек. Понятен поэтому столь острый интерес исследователей к изучению причин смерти при этом заболевании и их исключению всеми возможными средствами. К числу таких средств можно отнести и прогнозирование рецидива инфаркта миокарда, так как это заболевание является одним из немногих острых патологических состояний, при которых своевременное определение прогноза позволяет выбрать оптимальный план лечения и в значительной степени повлиять на течение болезни, ведь рецидивирующее течение является причиной смерти почти 80% больных, переживших острый период инфаркта миокарда. В связи с этим особо актуальной стала проблема быстрой и точной диагностики данного заболевания на ранних стадиях.

Немалую помощь в прогнозировании рецидива инфаркта миокарда может оказать применение современных компьютерных технологий. Автоматизированный подход позволит объединить многолетний опыт работы в этой области.

Перспективным направлением в данной области является использование интеллектуальных систем на основе искусственных нейронных сетей, которые позволяют с успехом решать проблемы распознавания образов, выполнения прогнозов, оптимизации, ассоциативной памяти и управления. Известны и иные, более традиционные подходы к решению этих проблем, однако они не обладают необходимой гибкостью за пределами ограниченных условий. Искусственные нейронные сети дают многообещающие альтернативные решения, и многие приложения выигрывают от их использования. 5

Работа выполнена в соответствии с межвузовской комплексной научно-технической программой 12.11 "Перспективные информационные технологии в высшей школе" в рамках одного из основных направлений Воронежского государственного технического университета "Биокибернетика, компьютеризация в медицине".

Цели и задачи исследования. Целью диссертационной работы является синтез и модификация алгоритмов и моделей прогнозирования рецидива инфаркта миокарда.

Для достижения поставленной цели в работе решались следующие задачи:

- разработка алгоритмов исключения параметрической избыточности для обработки статистической информации с последующим построением формализованных моделей заболеваний на основе нейросетевых технологий;

- создание моделей, алгоритмов прогнозирования рецидива инфаркта миокарда;

- формирование информационного обеспечения автоматизированной подсистемы прогнозирования, классификации, диагностики и проведение ее технической реализации;

- осуществление верификации прогностических моделей по результатам клинических исследований и проведение пробной эксплуатации программного комплекса.

Методы исследования основаны на нейровычислениях, теории искусственного интеллекта, теории линейных последовательных машин и многослойных персептронов, имитационном моделировании, теории вероятностей, экспериментальных исследованиях и методах вычислительной математики, объектно-ориентированном подходе к разработке нейронных модулей. 6

Научная новизна. Основные результаты диссертации, выносимые на защиту и имеющие научную новизну:

Алгоритмические схемы обработки медицинской информации, позволяющие выявить и исключить недостоверные сообщения, выбрать оптимальное признаковое пространство, характеризующееся минимальной размерностью при достаточной информативности.

Имитационные модели базовых элементов нейротехнологий, использующих инвариантное описание и позволяющие получить заданную модель нейросети.

Алгоритмы создания имитационной модели нейросети на основе базовых компонентов, отличающихся высокой адаптацией к особенностям задач прогнозирования и классификации образов и хранения информации в нейронных сетях за счет обучения системы и элементов ее самообучения.

Структура программно-методического комплекса, обеспечивающего проведение анализа и оптимизации настройки внутренних параметров и структурной адаптации моделей нейронных сетей на структурном и функциональном этапах создания проекта.

Практическая ценность работы заключается в следующем:

Разработанная модель прогноза рецидива инфаркта миокарда позволяет врачу с высокой степенью точности (более 90%)( благодаря использованию нейросетевых технологий и модификации алгоритмов) производить диагностику заболевания, а следовательно и выбор оптимальной превентивной терапии.

Создано программное и информационное обеспечение модели прогноза рецидивирующего течения инфаркта миокарда, реализованное в виде универсальной пакетной системы, имеющей развитые средства проектирования различных предметных областей прогнозирования, имеет модульный принцип и реализовано по технологии «клиент-сервер». 7

Реализация результатов работы. Внедрение программного комплекса для прогнозирования рецидивирующего течения инфаркта миокарда произведено на базе П кардиологического отделения Городской Клинической Больницы Скорой Медицинской помощи г.Воронежа и кардиологического отделения Городской Клинической Больницы №17. Материалы диссертации используются в учебном процессе межвузовской кафедры «Системного анализа и управления в медицинских и педагогических системах» ВГТУ при обучении студентов специальности 19.05.00 - «Биотехнические и медицинские аппараты и системы».

Результаты внедрения подтверждаются соответствующими актами.

Апробация работы. Материалы диссертации докладывались и обсуждались на Юбилейной конференции посвященной 10-летию ГКБ СМП (г.Воронеж, 1996г.), Научно-практической конференции "Патология сердечно-сосудистой системы (г.Москва, 1997г.); Международной конференции "Применение ЭВМ в медицине" (г.Москва, 1996г.); Научно-практической конференции (г.Липецк, 1997г.);У Международной конференции «Математика. Компьютер. Образование» (г.Москва, 1998г.); II Международной конференции «Реабилитация больных с сердечно-сосудистыми заболеваниями» (г. Москва, 1997г.); III Международной электронной конференции «Современные проблемы информатизации» (1998г.); семинарах кафедр «Системы автоматизированного проектирования и информационные системы», «Медицинские и гуманитарные системы».

Публикации. Основные результаты диссертации опубликованы в 13 печатных работах, перечень которых приведен в конце автореферата.

Структура и объем работы. Диссертация состоит из введения, четырех глав с выводами и заключения, изложена на 138 листах машинописного текста, содержит список литературы из 151 наименований , 25 рисунков, 6 таблиц, 4 приложения.

4.5. ВЫВОДЫ ЧЕТВЕРТОЙ ГЛАВЫ

На базе предложенных математических моделей, методов и алгоритмов разработано программное и информационное обеспечение программно-методического комплекса для формирования общей базы знаний интеграции системы прогнозирования рецидивирующего инфаркта миокарда.

1. Программный комплекс прогнозирования построен по модульному принципу и содержит реализацию вышеперечисленных методов с возможностью их применения в любой предметной области, особенно в медицине, изучающей такую сложную систему, как человеческий организм, где часто приходится сталкиваться с далеко не линейными зависимостями. Комплекс прогнозирования включает в себя гибко настраиваемую информационную систему, словарь данных для описания различных предметных областей и полностью описанную и настроенную информационную область прогнозирования рецидивирующего течения инфаркта миокарда и реализован по технологии "клиент-сервер". Серверная часть реализована на основе корпоративной реляционной базы данных Oracle версии 8.1.5. Клиентская часть выполнена как приложение к среде Windows NT/95/98/2000 с использованием описанных инструментальных средств.

2.Разработана функциональная структура программного комплекса.

3. Данные верификации логической модели процесса диагностики и выбора лечения показали полное соответствие диагнозам больных, полученным по экспертной информации. Положительный результат верификации позволяет использовать эту модель в терапевтической практике и обучении студентов.

4. Проведена клиническая апробация программного комплекса для прогнозирования рецидивирующего течения инфаркта миокарда на базе П кардиологического отделения Городской Клинической Больницы Скорой Медицинской помощи г.Воронежа. Получены положительные результаты.

133

ЗАКЛЮЧЕНИЕ

В ходе работы получены следующие результаты:

1. Проведен анализ и классификация современных методов и подходов, направленных на повышение эффективности диагностического процесса при рецидивирующем течении инфаркта миокарда.

2. Выполнен анализ задач, решаемых нейронными сетями, и выявлены особенности, которыми должна обладать задача для ее успешного решения нейронной сетью и построения прогноза.

3. Сделано исследование математических моделей, реализующих функции основных компонент — нейронных узлов, слоев, памяти и многослойных сетей для формирования структуры нейросети применительно к прогнозированию рецидива инфаркта миокарда. Описаны принципы и правила обучения нейронных сетей.

4. Разработаны оптимизационные модели, позволяющие проводить оптимизацию настройки внутренних параметров и структурную адаптацию нейронных сетей.

5. Предложен алгоритм построения формализованных моделей на основе нейросетевых технологий. Полученный алгоритм позволяет производить диагоностику заболевания с высокой степенью достоверности.

6. Предложены алгоритмические схемы обработки медицинской информации, позволяющие выявить и исключить недостоверные сообщения, выбрать оптимальное признаковое пространство, характеризующееся минимальной размерностью при достаточной информативности.

7. Разработаны алгоритмы получения имитационной модели нейросети на основе базовых компонентов, отличающихся высокой адаптацией к особенностям задач прогнозирования и классификации образов и хранения

134 информации в нейронных сетях за счет обучения системы и элементов ее самообучения.

8. Разработано программное и информационное обеспечение модели прогноза рецидивирующего течения инфаркта миокарда.

9. Произведена верификация логической модели процесса диагностики и выбора лечения, которая показала полное соответствие диагнозам больных, полученным по экспертной информации.

Ю.Выполнена клиническая апробация программного комплекса для прогнозирования рецидивирующего течения инфаркта миокарда на базе П кардиологического отделения Городской Клинической Больницы Скорой Медицинской помощи г.Воронежа, которая показала улучшение диагностики рецидивирующего течения инфаркта миокарда, сокращение времени обследования, а также снижение затрат, связанных с курацией больных данной патологии.

1. Автандилов Г.Г., Яблучанский Н.И., Салбиев Ф.И., Непомнящих Л.И. Количественная морфология и математическое моделирование инфаркта миокарда. Новосибирск: Наука, 1984.

2. Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений. М.: Статистика, 1974. - 147 с.

3. Айвазян С.А. и др. Прикладная статистика: Исследование зависимостей: Справ, изд./ С.А. Айвазян, И.С. Енюков, Л.Д. Мешалкин; Под ред. С.А. Айвазяна. М.: Финансы и статистика, 1985. 487с.

4. Айвазян С.А. и др. Прикладная статистика: Основы моделирования и первичная обработка данных: Справ, изд./ С.А. Айвазян, И.С. Енюков, Л.Д. Мешалкин; Под ред. С.А. Айвазяна. М.: Финансы и статистика, 1983. 487 с.

5. Аведьян Э. Д. Алгоритмы настройки многослойных нейронных сетей //Адаптивные и робастные системы: сб. статей М.: 1995. - С. 106 - 118.

6. Алперт Дж., Френсис Г. Лечение инфаркта миокарда.- Москва: Практика, 1994.

7. Ананченко В.Г., Сыркин А.Л., Извекова М.Л. и др. Прогнозирование течения и исхода острого инфаркта миокарда. Сов.мед.,1988,М5 - с.236.

8. Афончинов Ю.В., Титов В.И., Байдаков И.П. Инфаркт миокарда с наличием или отсутствием патологического зубца Q. Кардиология, 1991,N5 с.88-91.

9. Бакаев A.A., Гриценко В.И., Козлов Д.Н. Методы организации и обработки баз знаний. Киев. Наукова думка, 1993.

10. П.Барцев С. И. Некоторые свойства адаптивных сетей (программная реализация). Красноярск: Институт физики СО АН СССР, 1987. - 132 с.

11. Бейли Н. Математика и биология в медицине.- М.:Мир, 1970.-269с.

12. Беллман Р. Математические модели в медицине. М.: Мир, 1987.

13. Н.Бестужев Лада И.В. Прогнозирование как особая форма подхода кпроблемам будущего/ Сов. социал. ассоц.; Сов. Оргкомитет по подг.УП междунар. социол. Конгресса; АН СССР; Ин-т. соц. Исслед.-М., 1970г.

14. Бешелев С.Д., Гурвич Ф.Г. Математико-статистические методы экспертных оценок.-М.: Статистика, 1980.

15. Биологическая и медицинская кибернетика. Справочник / О.П. Минцер, Б.Н. Угаров и пр. Киев: Наукова думка, 1986.

16. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. (Вып.1). М.: Мир, 1974.

17. Василенко В.Х. Врачебный прогноз.- Душанбе: Дониш, 1982.

18. Васин Ю.Г., Великовская JI.M. Тохштейм JI.E.,Морозов В.А., Неймарк Ю.И. Полные системы признаков электрокардиограмм и других медицинских кривых. Автоматизация. Организация. Диагностика. М.: Наука, 1971 -с.160-168.

19. Венецкий И.Г. Вероятностные методы в демографии. М.: Финансы и статистика, 1981.

20. Великовская JI.M., Чистякова Л.Г., Брейдо М.Д. и др. Опыт диагностики прединфарктного состояния с помощью ЭВМ. М.: Наука, 1971 - с.21-32.

21. Вишнев С.М. Основы комплексного прогнозирования. -М.: Наука, 1977.

22. Ганелина И.Е., Шальнев В.И., Дерягина Г.Г. Диагностика и лечение инфаркта миокарда. Тбилиси, 1987.

23. Гафаров В.В. Инфаркт миокарда (вопросы эпидемиологии) //Терапевт. Архив 1993. Т.65, №1. С. 31-37.

24. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А. Очерки о совместной работе математиков и врачей. М.: Наука, 1989 - с.272

25. Гельфанд И.М. Обзор некоторых задач медицинской диагностики и прогнозирования // Вопросы кибернетики. 1983. - вып. 85.

26. Гельфанд И.М., Семенюк Э.П., Губергер М.П. и др. Некоторые задачи классификации и прогнозирования из различных областей медицины // Вопросы кибернетики. 1985. - Вып. 112.

27. Гичев Ю.П. и др. Медико-биологические аспекты комплексной оценки состояния организма // Бюл. АМН СССР.-1981.

28. Горбань А.Н. Обучение нейронных сетей. М.:изд. СССР-США СП» ParaGraph», 1990.-160с.

29. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.-276с.

30. Динамическое прогнозирование и распознавание ситуаций на основе аппарата нечеткой логики и конечно-автоматной модели представления137временных последовательностей/ Деветков В.В., Румбешт В.В. // Вестн. МГТУ, Сер. Приборостр. 1995. - N1 - с. 74-84,128.

31. Добров Г.М., Ершов Ю.В. Экспертные оценки в научно-техническом прогнозировании.- Киев: Наукова думка, 1987.

32. Джеффри Е. Хинтон. Как обучаются нейронные сети //В мире науки, 1992. -N11-N12. С. 103- 107.

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

34. Зб.Задачи классификации и их программное обеспечение / B.C. Казанцев. М.: Наука, 1990.37.3ацепина С.А., Львович Я.Е., Фролов В.Н. Теория управления: Учеб. пособие. Воронеж; Изд-во ВГУ, 1989.

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

36. Иванченко А. Г. Персептрон система распознавания образов // К.: Наукова думка, 1972 - С. 55.

37. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев: Техника, 1986.

38. Инфаркт миокарда. Новые перспективы в диагностике и лечении: Пер. С англ. Под ред. Э.Кордцея и Х.Дж.Свона. М.: Медицина, 1977 - 296 с.

39. Кант В.И. Математические методы и моделирование в здравоохранении. -М.: Медицина, 1987.

40. Картавцев В. В. Нейронная сеть предсказывает курс доллара? //Компьютеры + программы, 1993. N 6(7) - С. 10 - 13.

41. Когаловский М.Р. Технология баз данных на персональных ЭВМ. М.: Финансы и статистика, 1992. - 224 с.

42. Компьютерная биометрика/ Под. Ред. В.Н. Носова. М.: Издательство МГУ, 1990.

43. Коц Я.И., Сермягина Н.Ф., Екимов А.К. Математический подход к проблеме ранней диагностики сердечной недостаточности//Кардиология.- 1989.

44. Крутько В.Н., Никитин Е.В., Саркисов A.C. Методология имитациолнного моделирования в медико-биологических приложениях.- М.: ВНИИСИ, 1991.138

45. Кузнецов В.А., Антонов О.С., Кузнецова Н.И. Диагностика и лечение инфаркта миокарда. Тбилиси, 1987.

46. Кузнецов С.И. Инвариантное моделирование в медицине на базе кластерного анлиза. Воронеж: Изд-во ВГУ, 1997.

47. Куссуль В. М., Байдык Т. Н. Разработка архитектуры нейроподобной сети для распознавания формы объектов на изображении //Автоматика, 1990. N5 -С. 56-61.

48. Ланкастер П. Теория матриц. М:. Наука, 1978. - 560 с.

49. Ластед Л. Введение в проблему принятия решений в медицине. Пер. с англ. -М.: Мир, 1971.-282 с.

50. Лорьер Ж.-Л. Системы искусственного интеллекта: Пер. с франц. М.: Мир,1991.-521 с.

51. Лисичкин В.А. Теория и практика прогностики.- М.: Наука, 1972.

52. Литвак Б.Г. Экспертная информация: Методы получения и анализа. М.: Радио и связь, 1982.

53. Львович Я.Е., Фролов М.В. Моделирование биотехнических и медицинских систем / Под ред. В.Н. Фролова: Учеб. пособие. ВГТУ, МУВТ. Воронеж, 1994. 194 с.

54. Мажара Ю.П., Олесин А.И. Прогнозирование и лечение жизнеугрожающих осложнений острого инфаркта миокарда на догоспитальном этапе и в клинике: Метод.рекомендации. Л.:ЛНИИСП, 1991

55. Маколкин М.Д. Экспериментальные статистические методы построения алгоритмов прогноза инфарктов миокарда//Мед.техника. 1988. №6.

56. Максимов Г.К, Синицын А.Н. Статистическое моделирование многомерных систем в медицине.-Л: Медицина, 1983.

57. Малая Л.Т., Власенко М.А., Микаяев И.Ю. Инфаркт миокарда. М.: Медицина, 1980 - с. 487.

58. Мартыненко В.Ф. Классификация прогнозов и методов прогнозирования.-М.: ЦИУВ, 1973.

59. Масалович А. И. От нейрона к нейрокомпьютеру //Журнал доктора Добба, 1992-N 1-С. 20-23.

60. Мейер Б., Бодуэн К. Методы программирования: В 2-х томах.ТЛ. Пер. с франц. Ю.А.Первина. Под ред. и с предисловием А.П.Ершова.- М.:Мир,1992. 456 с.:ил.139

61. Мельников В.Г. Информационное моделирование в клинической медицине.- Киев: Наукова думка, 1978.- 210с.

62. Минаков Э.В., Нестеровский И.П., Соболев Ю.А. Методика оценки степени обоснованности врачом диагноза. Компьтеризация в медицине. Воронеж, 1990 с. 121-127.

63. Минский М., Пейперт С. Персептроны. М.: МИР, 1971. 261 с.

64. Многомерный статистический анализ и вероятностное моделирование случайных процессов.-М.: Наука, 1990.

65. Мостеллер Ф., Тьюки Дж. Анализ данных, регрессия. М.: Финансы и статистика, 1982. - 305 с.

66. Мышкис А.Д. Элементы теории математических моделей. М.: Физматлит, 1994. - 192 с.

67. Петленко В.П., Барановский А.Ю. Методологичесие основы прогнозирования в медицине // Клин. мед.-1992.-№1.

68. Превентивная терапия осложнений острого периода инфаркта миокарда: Методические рекомендации / A.B. Иванов, С.А. Копылов, С.И. Кузнецов, В.И. Поздняков. Воронеж, 1997.

69. Провоторов В.М. Инфаркт миокарда.

70. Рабочая книга по прогнозированию/ Отв. Ред. И.В. Бестужев-Лада.-М.: Мысль, 1989.

71. Раушенбах Г.В., Филлипов О.В. Экспернын оценки в медицине. Научный обзор. М.: ВНИИМИ, 1983.

72. Розенблат Ф. Аналитические методы изучения нейронных сетей //Зарубежная радиоэлектроника, 1965 N 5 - С. 40- 50.

73. Розенблат Ф. Принципы нейродинамики //М.: Мир, 1965. 302 с.

74. Саркисов A.C. Системная динамика парадигма моделирования // Системное моделирование и методы.- М.: ВНИИСИ, 1988.

75. Сержантов В.Ф., Корольков A.A. Философия и медицина.- Л., 1986.

76. Скурихин А.Н. Нейронные сети: определения, концепции, применение. Обзор.-М.: ЦНИИ атоминформ, 1991.

77. Соколов Е. Н., Вайтнявичус Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютеру.-М.: Наука, i989. 283 с.

78. Суворов С. В., Матихина Н. Ю. Программное моделирование нейроподобных структур //Распределенная обработка информации.Улан-Уде, 1989. С. 28.

79. Сыркин A.JI. Инфаркт миокарда. М.: Медицина, 1991 - с.303.

80. Сыркин А.Л., Маркова А.И., Райнова JI.B. Рецидивирующий инфаркт миокарда.- М.: Медицина, 1981.

81. Трикоз Д. В. Нейронные сети: как это делается? //Компьютеры + программы, 1993.-N4(5). С. 14-20.

82. Тэнк Д. У., Хопфилд Д. Д. Коллективные вычисления в нейроноподобных электронных схемах //В мире науки, 1988. N 2 - С. 44- 53.

83. Цуприков С. Нейронные вычисления берутся на вооружение финансистами //Moscow: Computerworld, 1985 N 7 - С. 57- 58.

84. Фролов В.Н. Моделирование и оптимизация сложных систем (избранные главы). ВГТУ, Воронеж, 1997.

85. Хейс Д. Причинный анализ в статистических исследованиях.- М.: Финансы и статистика, 1981.

86. Химмельблау Д. Анализ процессов статистическими методами.-М.: Мир, 1988.

87. Цыпкин Я.З. Адаптация и обучение в автоматических системах.-М: Наука, 1968-256с.

88. Чазов Е.И. Болезни сердца и сосудов. Руководство для врачей : Т-2.-М.: Медицина, 1992.-c.509.

89. Шевченко Ю.Л., Шихвердиев Н.Н., Оточкин А.В. Прогнозирование в кардиохирургии;- С.-Петербург: Наука, 1996.-c.200.

90. Шиган Е.Н. Методы прогнозирования и моделирования в социально -гигиенических исследованиях.- М.: Медицина, 1986.

91. Широков Ф.В. Нейрон и доллар. Нейротехнология в сфере финансовых услуг // Деловой партнер, пилотный номер.

92. Штейн Л.Б. Опыт прогнозирования в медицине с помощью ЭВМ.-Л.:1987.

93. Янг Э. Прогнозирование научно- технического прогресса.- М.: Прогресс, 1979.

94. Aarts Е. H. L., Korst J. H. M. Boltzmann machines and their applications1.ct. Notes Comput. Sci., 1987. V.258. P. 34 - 50.

95. Aarts E. H. L., Korst J. H. M. Boltzmann machines for travelling salesman problem //European J. Oper. Res, 1989. V.39. P. 79 - 95,

96. Abu-Mostafa Y. S., Jaques J. N. St. Information capacity of the Hopfïeld mode! //IEEE Trans. Inform. Theory, 1985. V.31. P. 461.141

97. Ackley D. H., Hinton G. E., Sejnowski T. J. A learning algorithm for Bolzmann machines //Cognit. Sci., 1985. V.9. N 1. P. 147 - 169.

98. Aleksander Igor, Morton Helen An introduction into neural computing. London: TJ Press Ltd, 1991. 180 c.

99. Amari S. Field theory of self-organizing neural networks //IEEE Trans. Syst., Man, Cybern, 1983. V. 13. P. 741.

100. Artificial Intelligence //Amsterdam: Time-Life-Books, 1986. N3 - P. 15.

101. Athale R., Stirk C. W. Compact architectures for adaptive neural nets //Ibid, 1989.-V.28.N4. P. 38.

102. Bardcev S. I., Okhonin V. A. The algorithm of dual functioning (back-propagation): general approach, vesions and applications. Krasnojarsk: Inst, of biophysics SB AS USSA 1989. 150 p.

103. Carpenter G. A., Grossberg S. A massively parallel architecture for a self-organizing neural pattern recognition machine //Comput. Vision Graphics Image Process, 1986. V.37. P. 54 - 115.

104. Cohen M. A., Grossberg S. Absolute stability of global pattern formation and parallel memory storage by competitive neural networks //IEEE Trans. Syst., Man, Cybernet, 1983. V.13. N 5. P. 815 - 826.

105. Computing with neural circuits: a model //Science, 1986. V.233. P. 625 - 633.

106. Cross Michael. Brain ware hits Japanese computers IINew Sci. 1988 - 120, #1640-P. 33.

107. Cybenko G. Approximation by superpositions of a sigmodal function //Mathematics of Control, Signals, and Systems, 1989. N 2. P. 303 - 313.

108. Fogelman Soulie F. Neural networks, state of the art, neural computing //London: IBC Technical Services, 1991. C. 65 - 75.

109. Fox G. C., Koller J. G. Code generation by a generalized neural network: general principles and elementary examples //J. Parallel Distributed Comput, 1989. -V.6.N2.P. 388- 410.

110. Funakashi K. On the approximate realization of continuous mappings by neural networks //Neural Networks, 1989. N 2. P. 182 - 192.

111. Hebb D. O. The organization of behaviour. N. Y.: Wiley, 1949. - 265 p.

112. Hecht-Nielsen R. Neurocomputing: picking the human brain //IEEE SPECTRUM, 1988 V. 25. N 3 - P. 36 - 41.

113. Hopfield J. J., Feinstein D. I., Palmer F. G. Unlearning has a stabilizing effect in collective memories //Nature, 1983. V.304. P. 141-152.

114. Hopfield J. J. Neural networks and physical systems with emergent collective computational abilities.//Proc. Natl. Acad. Sci. 1984. V. 9. p. 147-169.

115. Hopfield J. J., Tank D. W. Neural computation of decision in optimization problems //Biol. Cybernet, 1985. V.52. P. 115.

116. J. Hertz, A. Krogh, ftid R. Palmer. Introduction to the theory of neural computation. Redwood City: Addison-Wesley, CA 94065, 1991. - 195 p.

117. Jeffery W., Rosner R. Neural network processing as a tool for friction optimization//Neuronet Comput. Conf., Snowbird, Utah. Apr. 13-16, N.Y., 1986 -P. 241-246.

118. Kimura T., Shima T. Synapse weight accuracy of analog neuro chip // Proceedings of International Joint Conference on Neural Networks. Japan, Nagoya, October 25-29, 1993. - Vol.1. - P. 891-894.

119. Anguita D., Ridella S., Rovetta S. Limiting the effects of weight errors in feed forward networks using interval arithmetic // Proceedings of International Conference on Neural Networks (ICNN'96). USA, Washington, June 3-6, 1996. -Vol.1.-P. 414-417.

120. Edwards P., Murray A. Modelling weight- and input-noise in MLP learning // Proceedings Of International Conference on Neural Networks (ICNN'96). USA, Washington, June 3-6, 1996. - Vol.1. - P. 78-83.

121. Kuzewski Robert M., Myers Michael H., Grawford William J. Exploration of fourword error propagation as self organization structure //IEEE 1st. Int. Conf. Neural Networks. San Diego, Calif., 1987. - P. 89- 95.

122. Lippmonn Richard P. Gold Ben Neuronet classifiers useful for speech recognition //IEEE 1st. Conf. Neural Networks. San Diego, (Calif), 1987 - P. 417-425.

123. Rosenblatt F. Principles of neurodynamics. Spartan.: Washington, D. C., 1962. -162 p.

124. Rumelhart B. E., Hiiiton G. E., Williams R. J. Learning representations by back propagating error //Wature, 1986. V.323. P. 1016 - 1028.

125. Rumelhart B. E., Hinton G. E., Williams R. J. Learning representations by error propagating error //Parallel Distributed Processing, Cambridge, VF: MIT Press, 1986.-V.l. P. 318 -362.

126. Takefuji D. Y. A new model of neural networks for error correction //Proc. 9th Annu Conf. IEEE Eng. Med. and Biol. Soc., Boston, Mass., Nov. 13- 16, 1987. V. 3, New York, N.Y., 1987.-P. 1709- 1710.