автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Разработка специального математического обеспечения нейросетевого прогнозирования и оптимизации потоков заявок в социо-технических системах

На правах рукописи

ТЕРЕХОВ Александр Станиславович

РАЗРАБОТКА СПЕЦИАЛЬНОГО МАТЕМАТИЧЕСКОГО ОБЕСПЕЧЕНИЯ НЕЙРОСЕТЕВОГО ПРОГНОЗИРОВАНИЯ И ОПТИМИЗАЦИИ ПОТОКОВ ЗАЯВОК В СОЦИО-ТЕХНИЧЕСКИХ

СИСТЕМАХ

Специальность* 05 13 11 - Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Воронеж - 2004

Работа выполнена в Воронежском государственном техническом университете

Научный руководитель

доктор технических наук, профессор Подвальный Евгений Семенович

Официальные оппоненты:

доктор технических наук, профессор Родионов Олег Валерьевич;

кандидат технических наук, доцент Жданов Алексей Алексеевич

Ведущая организация

Курский государственный технический университет

Защита состоится 23 декабря 2004 г. в 1000 часов в конференц-зале на заседании диссертационного совета Д 212.037.01 Воронежского государственного технического университета по адресу: 394026, г.Воронеж, Московский просп., 14.

С диссертацией можно ознакомиться в библиотеке Воронежского государственного технического университета.

Автореферат разослан « 22 » ноября 2004 г.

Ученый секретарь диссертационного совета

Питолин В.М.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В последние годы, благодаря развитию информационных технологий как в фундаментальных, так и в прикладных исследованиях, все более широкое применение получают методы вычислительной математики. И, зачастую, для достижения заданной цели требуется решение нескольких взаимосвязанных задач.

Одним из основополагающих требований, предъявляемых к эффективно функционирующим социо-техническим системам, будь то производственное предприятие или медицинское учреждение, является рациональное управление, которого, в свою очередь, невозможно достичь без проведения качественного планирования. В рамках планирования деятельности системы чаще всего решается задача рационального использования ресурсов. Задача же управления потоком поступающих заявок осталась без должного внимания. Между тем, проведение анализа, прогнозирования и планирования потока заявок позволит повысить общую эффективность функционирования системы.

Ключевым фактором в решении данной задачи является информация о входящем потоке заявок на обслуживание. Зачастую, данные о входящем потоке в обозначенных системах представляют собой короткие, зашумленные временные ряды. Разработав эффективные модели их прогнозирования, мы сможем воздействовать на управляемую составляющую потока: проведение различных плановых мероприятий; что позволит более эффективно использовать имеющиеся ресурсы обслуживающей системы. В контексте настоящей работы примером таких плановых мероприятий может служить проведение профилактических осмотров в медицинском учреждении.

Как отмечено выше, задача прогнозирования входящего потока исследована недостаточно. Нет формулировки задачи в общем виде, что связано с отсутствием методов, учитывающих особенности прогнозируемой функции, когда заранее неизвестны особенности распределения входящего потока заявок. Эффективным методом решения подобных задач может быть применение универсальных аппроксиматоров широкого класса многомерных нелинейных функций - искусственных нейронных сетей (НС). Актуальной задачей является исследование и разработка более эффективных нейросетевых методов, обеспечивающих прогнозирование коротких зашумленных временных рядов.

По результатам решения задачи прогнозирования, учитывая колебания входных потоков заявок на обслуживание, а также различный состав проходимых заявками элементов системы, возникает задача оптимального распределения планируемых потоков по временным интервалам обслуживания. Поэтому, разработка соответствующего оптимизационного алгоритма позволит улучшить эффективность функционирования социо-технической системы без закупки дополнительного оборудования или других ресурсов и, следовательно, является актуальной задачей.

ЮС. НАЦИОНАЛЬНАЯ БИБЛИОТЕКА

«

Тематика диссертационной работы соответствует научному направлению Воронежского государственного технического университета «Вычислительные системы и программно-аппаратные электротехнические комплексы».

Цель и задачи исследования. Целью работы является разработка математического и программного обеспечения оптимального распределения планируемых потоков заявок по временным интервалам обслуживания на основе повышения эффективности нейросетевых методов прогнозирования. В соответствии с целью поставлены и решены следующие задачи:

- анализ пригодности нейросетевых структур для прогнозирования коротких временных рядов, их применимость к поставленной задаче, и разработка улучшенных структур сетей и алгоритмов настройки;

- формирование модели обработки потоков заявок и разработка метода оптимизации распределения плановых потоков заявок по временным интервалам обслуживания в социо-технических системах;

- разработка алгоритмов и программных средств прогнозирования потока заявок с последующей оптимизацией распределения загрузки;

- экспериментальное исследование программной модели управления потоком заявок, состоящей из нейросетевой компоненты для прогнозирования входящего потока и комбинаторной компоненты оптимизации планового распределения потоков заявок.

Методы исследования. В работе использованы методы системного анализа, теории искусственных нейронных сетей, многомерной и комбинаторной оптимизации, линейного программирования, статистического анализа и объектно-ориентированного программирования.

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

- комбинированная нейросетевая модель прогнозирования, представляющая собой интеграцию обобщенно-регрессионной сети и многослойного персептрона, обладающая улучшенными аппроксимирующими способностями;

- модифицированный алгоритм обучения обобщенно-регрессионной нейронной сети, отличающийся настройкой отклонения радиальных элементов (нейронов), позволяющий улучшить поведение сети при небольшом количестве обучающих выборок;

- оптимизационная модель и алгоритм выбора распределяемого для обслуживания подмножества заявок, учитывающие мощность обслуживающих элементов, отличающиеся адаптивным подходом к оценке необходимых для обслуживания мощностей;

- многошаговый метод оптимизации распределения планируемых потоков по временным интервалам обслуживания, учитывающий различный набор обслуживающих элементов, проходимый заявками разного типа, и отличающийся использованием метода последовательного улучшения плана для проведения локальной оптимизации.

Практическая значимость работы. Практическая значимость работы заключается в создании специального программного комплекса прогнозирования и оптимизации потоков заявок в обслуживающих системах.

Реализация результатов работы. Основные теоретические и практические результаты работы внедрены в составе медицинской информационной системы в практическую деятельность медико-санитарной части Стойленского ГОК и урологического отделения Воронежской областной клинической больницы. Эффект от внедрения заключается в более эффективном использовании ресурсов медицинских учреждений.

Апробация работы. Основные положения и результаты диссертационной работы докладывались на: Международной научно-практической конференции «Теория активных систем» (Москва, 2001); XV Международной научной конференции «Математические методы в технике и технологиях» (Тамбов, 2002); Международной научно-практической конференции «Социально-экономическое развитие регионов: реальность и перспективы» (Воронеж, 2003); Региональной научно-технической конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве» (Воронеж, 2003); Республиканской научной конференции «Современные сложные системы управления» (Воронеж, 2003); Межвузовских научных конференциях «Системы управления и информационные технологии» (Воронеж, 2001-2002); VI-VIII Республиканских научных конференциях «Современные проблемы информатизации» (Воронеж, 2001-2003); Международной научной конференции «Системные проблемы надежности, качества информационных и электронных технологий» (Москва, 2004); научных семинарах кафедры ABC ВГТУ (Воронеж, 20002004).

Публикации. По результатам исследований опубликовано 15 печатных работ, в том числе 6 без соавторов. В работах, опубликованных в соавторстве, лично соискателем предложены: [4, 7, 12] - нейросетевые методы прогнозирования; [8, 13] - критерии и основные этапы планирования профилактических медицинских осмотров; [1, 3] - общий состав автоматизированных рабочих мест в медицинской системе.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 119 наименований. Основная часть изложена на 126 страницах, содержит, 42 рисунка и 14 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, определены цели и задачи исследования, их научная новизна и практическая значимость, приведены основные этапы выполнения работы.

В первой главе проанализировано современное состояние человеко-машинных систем управления. Такие системы рассматриваются как социо-

технические, причем их сложность не позволяет строить точные аналитические модели их функционирования. Проведен анализ функционирования социо-технических систем в области обработки потоков заявок. В исходном виде статистическая информация, описывающая потоки заявок, представляет собой короткие, зашумленные временные ряды (например, данные, полученные в результате мониторинга по годам или месяцам).

Описывается задача прогнозирования входящих потоков заявок, рассматриваются методы ее решения. На основе анализа методов формализации поставленной задачи сделан вывод об удобстве применения нейросетевых моделей. Приведен обзор основных нейросетевых моделей, используемых при прогнозировании: линейная сеть, многослойный персептрон (MLP) и сеть с радиальными базисными элементами (RBF).

Рассмотрены характеристики процесса прохождения потоков заявок различного типа по обслуживающим элементам системы, обозначены преимущества, достигаемые при оптимизации распределения загрузки. Осуществлен обзор основных целей планирования, приведены различные применяемые к планированию подходы. Описана задача рационального планирования распределения загрузки, в которой используются результаты прогнозирования входящих потоков заявок.

Далее, учитывая результаты проведенного анализа, выдвинута задача разработки более эффективных нейросетевых моделей, с последующим решением задачи об оптимизации загрузки системы обслуживания заявок на основе проведенного прогнозирования входящих потоков.

Во второй главе сформулированы и решены задачи разработки модифицированных нейросетевых моделей прогнозирования и оптимизации распределения загрузки обслуживающей системы, целью которой является равномерное распределение загрузки обслуживающих элементов.

Для снижения вычислительных затрат на прогнозирование воспользуемся нелинейными НС. Обоснован выбор варианта нейронных сетей, не требующих больших затрат вычислительных ресурсов на настройку - это обобщенно-регрессионные нейронные сети (GRNN), являющиеся подклассом сетей RBF. Окончательная оценка выхода такой сети получается как взвешенное среднее выходов по всем обучающим наблюдениям (1):

где

Л*, У - точки обучающей выборки; а - отклонение радиального элемента. Для поставленной задачи такая сеть работает наиболее эффективно при использовании вместо Евклидовой метрики расстояния по Манхеттену.

С целью повышения аппроксимирующих способностей обобщенно-регрессионной сети была модифицирована ее структура путем замены линейных элементов второго промежуточного слоя нелинейными (рис.1).

Рис. 1. Комбинированная нейронная сеть

Последние 2 слоя получившейся нейронной сети представляют собой, по сути, многослойный персептрон, поэтому нам требуется обучать такую сеть. Предлагается обучать эти два слоя по стандартному алгоритму обратного распространения ошибки. Первый, радиальный слой, как и обычно, содержит в себе все векторы обучающей выборки.

Полученная нейронная сеть дает удовлетворительные результаты при аппроксимации рассматриваемых временных рядов, однако имеет ряд недостатков: более сложный алгоритм настройки, чем для MLP и GRNN сетей в отдельности, большой объем необходимой оперативной памяти, скорость настройки все еще значительно уступает скорости обучения GRNN сети.

Другим путем получения более эффективного инструмента прогнозирования коротких временных рядов будет более качественная настройка исходной обобщенно-регрессионной сети. Традиционное обучение GRNN сети сводится к созданию нейронов, соответствующих векторам обучающей выборки. При этом отклонения радиальных элементов задаются эмпирическим путем. Предлагается производить оптимизацию значений таким образом, чтобы увеличить область данных, охватываемую радиальными элементами.

На первом этапе определяется область изменения отклонений а. Если входные данные нормированы в интервале [0, 1] (или, во избежании граничных значений и связанных с ними проблем [0.1, 0.9]), то область определения и будет выглядеть следующим образом (2):

где п - количество обучающих векторов.

На втором этапе определяются расстояния между центрами радиальных нейронов. Значения с для каждого нейрона выбираются пропорционально расстоянию до ближайшего соседа из полученного интервала определения.

Таким образом, разработаны две более эффективные нейросетевые модели прогнозирования коротких зашумленных временных рядов. В первом случае точность прогноза повышается за счет модификации структуры GRNN сети, а во втором - за счет модифицированного алгоритма настройки.

Далее проводится тестирование различных нейросетевых моделей с целью изучения возможностей нейросетевого прогнозирования с последующим выбором сети, оптимальной по соотношению точности прогноза к затрачиваемому времени.

Для проведения тестирования искусственно генерировались временные ряды с характерными особенностями рассматриваемых рядов: наличие тренда, сезонной составляющей и различного рода случайных компонент.

Оценка временных затрат на обучение проводится на временном ряде со слабовыраженным синусоидальным трендом, сезонной составляющей с периодом 10 отсчетов и нормально распределенного шума (рис. 2).

Для второго ряда (рис. 3) взяты данные с интернет-сайта Дж.С.Армстронга «Принципы прогнозирования» // marketing.wharton.upenn.edu/forecast/.

В|>»«и (XI

Рис. 2.1-й тестовый временной ряд

^ »ЮМЗОЯКИЮМ»

Врмм{Х)

Рис. 3.2-й тестовый ряд

По результатам проведенных тестов (таблица 1) при сравнении наиболее оптимальной (по соотношению точность/скорость обучения) из MLP сетей (1 скрытый слой с 7-ю нейронами) с GRNN сетью, можно отметить следующее:

- по точности аппроксимации при достаточно хорошей настройке MLP сеть выигрывает;

- по объему занимаемой оперативной памяти на коротких временных рядах GRNN сеть потребует меньших затрат;

- по времени настройки обобщенно-регрессионная сеть (даже с проведением предложенной настройки отклонений а) выигрывает у сетей других типов.

Таблица 1

Результаты тестирования нейронных сетей

Ряд1 Ряд 2

Тип НС Обучение 1, с Ошибка MSE Обучение 1, с Ошибка MSE

MLP-3 5.40 2.99*10"4 2.93 7.08* Ю-4

MLP-5 6.78 2.52*10" 3.81 6.41 »10"4

MLP-7 8.96 2.39*10"4 5.24 6.15М0-4

MLP-10 17.76 2.27*10"1 10.47 5.78*10"1

GRNN-MLP 7.82 2.13*10"' 4.09 5.96*10"4

GRNN (оптим.) 0.04 2.31*10"* 0.02 6.53*10"*

Таким образом, для решения задачи прогнозирования коротких временных рядов обоснован выбор GRNN сети с модифицированным алгоритмом настройки. Выбранная обобщенно-регрессионная сеть применялась при решении реальной задачи прогнозирования на материалах ежегодного территориального мониторинга заболеваемости раком почки в регионах Воронежской области.

Постановка задачи оптимального распределения планируемых потоков по временным интервалам обслуживания базируется на следующей информации: нормативы (мощность), известные для каждого обслуживающего элемента системы; прогнозируемый объем потока заявок в единицу времени по каждому виду обслуживающего элемента.

Допустим, что у нас т маршрутов прохождения заявок по системе обслуживания (т.е. различных комбинаций элементов, которые должны пройти заявки того или иного типа), и п - общее количество разновидностей элементов обслуживания (устройств). На рисунке 4 кружками обозначены устройства, а линиями различного типа - виды маршрутов.

Будем рассматривать не сами маршруты, а только набор обслуживающих устройств, проходимых заявками того или иного типа без учета последовательности. Такие наборы удобно представлять в виде бинарной матрицы, строки которой будут соответствовать типам заявок, а на пересечении строки и столбца будем ставить 1, если прохождение /-го обслуживающего элемента требуется для /'-го типа заявок, и 0 в противном случае. Обозначим через Ьц элементы полученной матрицы (3).

Рис.4. Примеры маршрутов прохождения заявок

где N - общее количество разновидностей маршрутов, М - количество типов проходимых подразделений.

Тогда планируемая нагрузка в единицу времени по каждому виду обслуживающего элемента будет (4):

г 1,2.....,1

(4)

где - количество заявок класса (маршрута), запланированных на рассматриваемый временной интервал.

Определим множество М(5):

где - общее количество заявок, входящих в класс, соответствующий маршруту.

Будем стремиться к максимизации общего количества заявок, назначаемых на обслуживание на рассматриваемый временной интервал (6):

шах^дг,. (6)

Полученная задача решается «Методом последовательного улучшения плана», относящегося к методам линейного программирования. Данный метод позволяет, отправляясь от некоторого исходного опорного плана и постепенно

улучшая его, получить через конечное число итераций оптимальный план или убедиться в неразрешимости задачи. В данном случае план X = (х/, Хг,.., х,) задачи линейного программирования (записанной в канонической форме) называется опорным, если система векторов условий, соответствующая его положительным компонентам линейно независима.

Таким образом, решена задача назначения на обслуживание в системе оптимального количества заявок в рамках одного временного интервала. По условиям исходной задачи требуется провести подобную оптимизацию для нескольких последовательных временных отрезков, учитывая тот факт, что на разных временных интервалах доступные мощности обслуживающих элементов различны. Для этого требуется решить 2 задачи:

а) выбрать наиболее соответствующее доступным мощностям (по результатам прогнозирования на выбранный временной интервал) подмножество заявок;

б) решить описанную выше задачу распределения на выбранный интервал и перейти к следующему.

Оптимизация загрузки элементов обслуживания базируется на решении задачи для каждого временного интервала последовательно несколько раз, увеличивая с каждым шагом количество рассматриваемых маршрутов, и сравнивая результаты последовательных шагов по некоторому критерию (рис. 5).

Здесь важными являются критерии выбора очередного маршрута для проведения оптимизации:

1) выбираются те типы заявок, обслуживание которых за оставшиеся несколько временных интервалов невозможно;

2) выбираются заявки, обслуживание которых может быть полностью осуществлено в рассматриваемый промежуток времени;

3) выбираются заявки, которые приведут к наименьшему превышению мощности подразделений.

После распределения нагрузки по всем временным интервалам мы можем столкнуться с 3-мя вариантами:

а) большой запас мощности;

б) запасы мощностей по месяцам минимальны и заявки распределены;

в) осталось некоторое количество не распределенных заявок.

В первом и третьем случаях мы пропорционально уменьшаем (увеличиваем) распределяемую мощность всех элементов обслуживания и переходим к началу алгоритма. Во втором случае считаем полученное распределение нагрузки оптимальным.

Таким образом, получен алгоритм долгосрочного планирования загрузки обслуживающей системы, позволяющий уравнять нагрузку на обслуживающие элементы с учетом сезонных колебаний входящих потоков заявок.

Рис.5. Алгоритм решения задачи планирования загрузки

В третьей главе осуществлена алгоритмизация методов нейросетевого прогнозирования и решения задачи оптимизации загрузки обслуживающей системы.

В рамках решения задачи оптимизации загрузки обслуживающей системы построены алгоритмы планирования загрузки и алгоритм выбора заявок (рис. 6).

Рис.6. Алгоритм выбора подмножества заявок для обслуживания в рассматриваемый интервал времени

Особенностью приведенного алгоритма выбора типа заявок является адаптивный подход к оценке доступной мощности устройств системы обслуживания, а также критерии выбора заявок того или иного типа, что соответствует разному набору проходимых заявкой устройств.

В силу малой доступности технической базы для реализации предложенных нейросетевых методов, проводилось их моделирование на традиционных персональных компьютерах. В рамках осуществления алгоритмизации обучения и моделирования нейронных сетей разработаны следующие алгоритмы:

- настройка смешанной нейронной сети;

- модифицированное обучение ОККМ сети с настройкой отклонений с;

- функционирование смешанной нейронной сети;

- функционирование ОККМ сети.

Описывается разработанный алгоритм, моделирующий функционирование ОККМ сети на компьютерах, построенных по принципам фон-Неймана, и отличающийся максимальной экономией оперативной памяти. В алгоритме требуется место для хранения только двух, одинаковой длины (по размеру заданного окна) векторов (входного образа и образа радиального элемента), а также для значения у и минимума с максимумом, используемых при прямом и обратном масштабировании данных, соответствующих исходному вектору входного образа, в то время как в традиционной реализации память резервируется сразу под все обучающие образы и соответствующие им значения минимума и максимума.

В четвертой главе осуществлена реализация специального программного обеспечения нейросетевого прогнозирования и планирования потоков заявок в обслуживающих системах. Описывается архитектура модулей, позволяющая раскрыть детали реализации программных компонентов и их функциональное взаимодействие на примере построения медицинской автоматизированной системы. Одним из примеров обслуживающей системы, где стоит задача оптимизации загрузки путем распределения управляемых потоков заявок с различным маршрутом прохождения, является медицинское учреждение (например, поликлиника). Поэтому разработана инвариантная часть медицинской системы, обеспечивающая сбор информации, и ее хранение и взаимодействующая с модулями прогнозирования и планирования потоков заявок (пациентов).

Разработано программное средство, осуществляющее прогнозирование заданного количества отсчетов по значениям исходного временного ряда. Функциональная схема модуля приведена на рис. 7.

Построение прогноза рассматривается как необходимая внешняя функция, которая используется для планового распределения загрузки. Разработанный программный модуль оптимизации загрузки устройств имеет функции организации интерфейса с базой данных, откуда запрашивается необходимая для его работы информация. Структурное построение модуля реализовано по схеме «документ-вид» (рис. 8).

Были реализованы следующие компоненты медицинской информационной системы: спроектирована и реализована структура базы данных на основе одной из известных СУБД; построена подсистема сбора первичной информации о пациентах, включающая в себя регистратуру и рабочее место врача.

Рис.8. Структура модуля оптимизации загрузки

Представленная медицинская автоматизированная система реализована и внедрена на базе медико-санитарной части Стойленского горнообогатительного комбината.

Взаимодействие модулей в рамках полной интегрированной автоматизированной системы медицинского учреждения представлено на рисунке 9 Модуль планирования профилактических осмотров войдет в подсистему планирования деятельности медицинского учреждения в целом

Сплошными линиями обозначены управляющие воздействия (возможно, совмещенные с данными), а пунктирными - чистые информационные потоки, т е, например, из АРМа лечащего врача нельзя инициализировать процедуру оптимизации медицинских осмотров

Рис.9. Взаимодействие модулей прогнозирования и планирования в составе медицинской информационной системы

Для разработки программ применялись объектно-ориентированные среды программирования Borland C++ Builder и Microsoft Visual C++, а также СУБД Borland Interbase. Программные модули предназначены для работы на платформе Win32 Для доступа к СУБД использовались функции библиотеки ODBC. Основные программные модули прошли регистрацию в Государственном фонде алгоритмов и программ

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В результате решения задачи оптимизации планирования загрузки обслуживающих систем на основе повышения эффективности нейросетевых методов прогнозирования потока заявок, были получены следующие результаты:

1. Предложена комбинированная нейросетевая модель прогнозирования, представляющая собой интеграцию обобщенно-регрессионной сети и многослойного персептрона, обладающая улучшенными аппроксимирующими способностями.

2. Предложен модифицированный алгоритм настройки обобщенно-регрессионной нейронной сети, позволяющий настроить отклонения радиальных элементов (нейронов) таким образом, чтобы улучшить поведение сети при небольшом количестве обучающих выборок.

3. Предложены оптимизационная модель и алгоритм выбора распределяемого для обслуживания подмножества заявок, учитывающие мощность обслуживающих элементов, отличающиеся адаптивным подходом к оценке необходимых для обслуживания мощностей.

4. Разработан многошаговый метод оптимизации распределения планируемых потоков по временным интервалам обслуживания, учитывающий различный набор обслуживающих элементов, проходимых заявками разного типа, и отличающийся использованием метода последовательного улучшения плана для проведения локальной оптимизации.

5. Результаты работы реализованы в виде специального программного комплекса прогнозирования и оптимизации потоков заявок в социо-технических системах, внедренного в составе медицинской информационной системы в практическую деятельность медико-санитарной части Стойленского ГОК и урологического отделения Воронежской областной клинической больницы

6. Основные программные модули прошли регистрацию в Государственном фонде алгоритмов и программ.

Основные результаты диссертации опубликованы в следующих работах:

1. Лейкин МА., Солдатов ЕА, Терехов А.С. Информатизация подсистемы здравоохранения на примере медсанчасти Стойленского ГОК // Теория активных систем: Сб. науч. тр. М.: ИПУ РАН, 2001. Т.2. С. 109-110.

2. Комплексная компьютеризация медсанчасти Стойленского горнообогатительного комбината / СЛ.Подвальный, РААбсатаров, А.С.Терехов, М.АЛейкин // Современные проблемы информатизации: Сб. науч. тр. Воронеж: Центр.-Чернозем. кн. изд-во, 2001. С. 75-76.

3. Терехов А.С. Подзадачи комплексной информационной системы медико-санитарной части // Системы управления и информационные технологии: Межвуз. сб. науч. тр. Воронеж: ВГТУ, 2001. С. 84-88.

4. Подвальный СЛ., Терехов А.С. Использование нейросетевых методов при прогнозировании потока пациентов медсанчасти // Математические методы в технике и технологиях: Сб. науч. тр. Тамбов: ТГТУ, 2002. Т.5. С. 50-51.

5. Терехов А.С. Прогнозирование временных рядов с помощью нейронных сетей // Системы управления и информационные технологии: Межвуз. сб. науч. тр. Воронеж: ВГТУ, 2002. С. 76-80.

6. Терехов А.С. Этапы решения задачи прогнозирования протока пациентов с использованием нейросетей // Современные проблемы информатизации в непромышленной сфере и экономике: Сб. науч. тр. Воронеж: ВГТУ, 2002. С. 45-46.

7. Стрельников Д.В., Терехов А.С. Персептронный распознаватель образов // М.: ФАП ВНТИЦ, 2003. №50200300751.

8. Терехов А.С, Подвальный Е.С. Планирование профилактических медицинских осмотров на основе прогнозов посещаемости // Современные сложные системы управления: Сб. науч. тр. Воронеж: ВГАСУ, 2003. Т.2 С. 83-86.

9. Терехов А.С, Подвальный Е.С Прогнозирование посещаемости поликлиники с использованием нейросетей // М.: ФАП ВНТИЦ, 2003. №50200300135.

10. Терехов А.С, Подвальный Е.С. Регистратура медико-санитарной части // М.:ФАП ВНТИЦ, 2003. №50200300136.

11. Терехов А.С Задача планирования профилактических медицинских осмотров // Современные проблемы информатизации в непромышленной сфере и экономике: Сб. науч. тр. Воронеж: ВГТУ, 2003. С 55-56.

12. Терехов А.С. Комбинирование нейронных сетей различного типа // Социально-экономическое развитие регионов: реальность и перспективы: Сб. науч. тр. Воронеж: ВГТУ, 2003. С. 451-456.

13. Терехов А.С Подсистема планирования профилактических медицинских осмотров // Системы управления и информационные технологии. Вып. 10: Межвуз. сб. науч. тр. Воронеж: «Научная книга», 2003. С 133-138.

14. Терехов А.С Тестирование различных нейросетевых моделей, применяемых для прогнозирования временных рядов // Системные проблемы надежности, качества, информационных и электронных технологий: Сб. науч. тр. М.: Радио и связь, 2004. 4.6. С. 148-153.

15. Терехов А.С. Предварительная и постобработка данных при прогнозирование временных рядов с помощью нейронных сетей // Системные проблемы надежности, качества, информационных и электронных технологий: Сб. науч. тр. М.: Радио и связь, 2004. 4.6. С. 144-148.

Подписано в печать 19.11.2004. Формат 60x84/16. Бумага для множительных аппаратов. Усл. печ. л. 1,0. Тираж 90 экз. Заказ №¿/91.

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

»24787

СОДЕРЖАНИЕ.

ВВЕДЕНИЕ.

1. СОЦИО-ТЕХНИЧЕСКИЕ СИСТЕМЫ. ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ И УПРАВЛЕНИЯ ПОТОКОМ ЗАЯВОК.

1.1. Обзор социо-технических обслуживающих систем.

1.2. Задача прогнозирования потоков заявок.

1.3. Применение нейронных сетей в задачах прогнозирования.

1.4. Цели планирования. Оптимизация загрузки обслуживающих устройств.

1.5. Общая постановка задачи.

2. РАЗРАБОТКА МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ И ОПТИМИЗАЦИИ ПОТОКОВ ЗАЯВОК.

2.1. Нейросетевые модели прогнозирования: модификация и тестирование.

2.1.1. Постановка задачи прогнозирования.

2.1.2. Подготовка данных для прогнозирования.

2.1.3. Применение GRNN сетей.

2.1.4. Модификация нейронных сетей и методов обучения.

2.1.5. Тестирование различных нейросетевых моделей, применяемых для прогнозирования коротких временных рядов.

2.2. Многошаговая оптимизация распределения нагрузок.

2.2.1. Постановка задачи распределения нагрузок.

2.2.2. Основные этапы оптимизации.

2.2.3. Локальная оптимизация методами линейного программирования.

2.3. Выводы по второй главе.

3. АЛГОРИТМИЗАЦИЯ МЕТОДОВ НЕЙРОСЕТВОГО ПРОГНОЗИРОВАНИЯ И МНОГОШАГОВОЙ ОПТИМИЗАЦИИ.

3.1. Вычислительные схемы и алгоритмы нейросетевых моделей.

3.2. Алгоритмизация оптимизационной задачи.

3.4. Трудоемкость многошаговой последовательной оптимизации

3.5. Выводы.

4. РЕАЛИЗАЦИЯ СПЕЦИАЛЬНОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ.

4.1. Подсистема прогнозирования потока заявок.

4.2. Подсистема планирования профилактических медицинских осмотров.

4.3. Особенности разработанной медицинской информационной системы.

4.4. Внедрение автоматизированной медицинской системы в рамках МСЧ Стойленского ГОК.

4.5. Оценка эффективности модуля прогнозирования.

4.6. Выводы.

Актуальность темы. В последние годы, благодаря развитию информационных технологий, как в фундаментальных, так и в прикладных исследованиях, все более широкое применение получают методы вычислительной математики. И, зачастую, для достижения заданной цели требуется решение нескольких взаимосвязанных задач.

Одним из основополагающих требований, предъявляемых к эффективно функционирующим социо-техническим системам, будь то производственное предприятие или медицинское учреждение, является рациональное управление, которого, в свою очередь, невозможно достичь без проведения качественного планирования. В рамках планирования деятельности системы чаще всего решается задача рационального использования ресурсов. Задача же управления потоком поступающих заявок осталась без должного внимания. Между тем, проведение анализа, прогнозирования и планирования потока заявок позволит повысить общую эффективность функционирования системы.

Ключевым фактором в решении данной задачи является информация о входящем потоке заявок на обслуживание. Зачастую, данные о входящем потоке в обозначенных системах представляют собой короткие, зашумленные временные ряды. Разработав эффективные модели их прогнозирования, мы сможем воздействовать на управляемую составляющую потока: проведение различных плановых мероприятий; что позволит более эффективно использовать имеющиеся ресурсы обслуживающей системы. В контексте настоящей работы примером таких плановых мероприятий может служить проведение профилактических осмотров в медицинском учреждении.

Как отмечено выше, задача прогнозирования входящего потока исследована недостаточно. Нет формулировки задачи в общем виде, что связано с отсутствием методов, учитывающих особенности прогнозируемой функции, когда заранее неизвестны особенности распределения входящего потока заявок. Эффективным методом решения подобных задач может быть применение универсальных аппроксиматоров широкого класса многомерных нелинейных функций - искусственных нейронных сетей (НС). Актуальной задачей является исследование и разработка более эффективных нейросетевых методов, обеспечивающих прогнозирование коротких зашумленных временных рядов.

По результатам решения задачи прогнозирования, учитывая колебания входных потоков заявок на обслуживание, а также различный состав проходимых заявками элементов системы, возникает задача оптимального распределения планируемых потоков по временным интервалам обслуживания. Поэтому, разработка соответствующего оптимизационного алгоритма позволит улучшить эффективность функционирования социо-технической системы без закупки дополнительного оборудования или других ресурсов и, следовательно, является актуальной задачей.

Тематика диссертационной работы соответствует научному направлению Воронежского государственного технического университета «Вычислительные системы и программно-аппаратные электротехнические комплексы».

Цель и задачи исследования. Целью работы является разработка математического и программного обеспечения оптимального распределения планируемых потоков заявок по временным интервалам обслуживания на основе повышения эффективности нейросетевых методов прогнозирования. В соответствии с целью поставлены и решены следующие задачи:

- анализ пригодности нейросетевых структур для прогнозирования коротких временных рядов, их применимость к поставленной задаче, и разработка улучшенных структур сетей и алгоритмов настройки;

- формирование модели обработки потоков заявок и разработка метода оптимизации распределения плановых потоков заявок по временным интервалам обслуживания в социо-технических системах;

- разработка алгоритмов и программных средств прогнозирования потока заявок с последующей оптимизацией распределения загрузки;

- экспериментальное исследование программной модели управления потоком заявок, состоящей из нейросетевой компоненты для прогнозирования входящего потока и комбинаторной компоненты оптимизации планового распределения потоков заявок.

Методы исследования. В работе использованы методы системного анализа, теории искусственных нейронных сетей, многомерной и комбинаторной оптимизации, линейного программирования, статистического анализа и объектно-ориентированного программирования.

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

- комбинированная нейросетевая модель прогнозирования, представляющая собой интеграцию обобщенно-регрессионной сети и многослойного персептрона, обладающая улучшенными аппроксимирующими способностями;

- модифицированный алгоритм обучения обобщенно-регрессионной нейронной сети, отличающийся настройкой отклонения радиальных элементов (нейронов), позволяющий улучшить поведение сети при небольшом количестве обучающих выборок;

- оптимизационная модель и алгоритм выбора распределяемого для обслуживания подмножества заявок, учитывающие мощность обслуживающих элементов, отличающиеся адаптивным подходом к оценке необходимых для обслуживания мощностей;

- многошаговый метод оптимизации распределения планируемых потоков по временным интервалам обслуживания, учитывающий различный набор обслуживающих элементов, проходимый заявками разного типа, и отличающийся использованием метода последовательного улучшения плана для проведения локальной оптимизации.

Практическая значимость работы. Практическая значимость работы заключается в создании специального программного комплекса прогнозирования и оптимизации потоков заявок в обслуживающих системах.

Реализация результатов работы. Основные теоретические и практические результаты работы внедрены в составе медицинской информационной системы в практическую деятельность медико-санитарной части Стойлен-ского ГОК и урологического отделения Воронежской областной клинической больницы. Эффект от внедрения заключается в более эффективном использовании ресурсов медицинских учреждений.

Апробация работы. Основные положения и результаты диссертационной работы докладывались на: Международной научно-практической конференции «Теория активных систем» (Москва, 2001); XV Международной научной конференции «Математические методы в технике и технологиях» (Тамбов, 2002); Международной научно-практической конференции «Социально-экономическое развитие регионов: реальность и перспективы» (Воронеж, 2003); Региональной научно-технической конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве» (Воронеж, 2003); Республиканской научной конференции «Современные сложные системы управления» (Воронеж, 2003); Межвузовских научных конференциях «Системы управления и информационные технологии» (Воронеж, 2001-2002); VI-VIII Республиканских научных конференциях «Современные проблемы информатизации» (Воронеж, 2001-2003); Международной научной конференции «Системные проблемы надежности, качества информационных и электронных технологий» (Москва, 2004); научных семинарах кафедры ABC ВГТУ (Воронеж, 2000-2004).

Публикации. По результатам исследований опубликовано 15 печатных работ, в том числе 6 без соавторов. В работах, опубликованных в соавторстве, лично соискателем предложены: [4, 7, 12] - нейросетевые методы прогнозирования; [8, 13] - критерии и основные этапы планирования профилактических медицинских осмотров; [1, 3] - общий состав автоматизированных рабочих мест в медицинской системе.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 122 наименований. Основная часть изложена на 128 страницах, содержит, 45 рисунка и 14 таблиц.

5. Результаты работы реализованы в виде специального программного комплекса прогнозирования и оптимизации потоков заявок в обслуживающих системах, внедренного в составе медицинской информационной системы в практическую деятельность медико-санитарной части Стойленского ГОК и урологического отделения Воронежской областной клинической больницы.

6. Основные программные модули прошли регистрацию в Государственном фонде алгоритмов и программ.

ЗАКЛЮЧЕНИЕ

В результате решения задачи оптимизации планирования загрузки обслуживающих систем на основе повышения эффективности нейросетевых методов прогнозирования потока заявок были получены следующие результаты:

1. Предложена комбинированная нейросетевая модель прогнозирования, представляющая собой интеграцию обобщенно-регрессионной сети и многослойного персептрона, обладающая улучшенными аппроксимирующими способности.

2. Предложен модифицированный алгоритм настройки обобщенно-регрессионной нейронной сети, позволяющий настроить отклонения радиальных элементов (нейронов) таким образом, чтобы улучшить поведение сети при небольшом количестве обучающих выборок.

3. Разработан многошаговый метод оптимизации долгосрочного планирования, учитывающий различный набор обслуживающих элементов, проходимых заявками разного типа, и отличающийся использованием метода последовательного улучшения плана для проведения локальной оптимизации.

4. Предложены оптимизационная модель, критерии и алгоритм выбора типа заявок, учитывающие мощность обслуживающих элементов, отличающиеся адаптивным подходом к оценке мощностей.

1. Аведьян Э.Д. Алгоритмы настройки многослойных нейронных сетей // Автоматика и телемеханика, 1995. N4. - с. 106-118.

2. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985. 487 с.

3. Андрейчиков А.В. Анализ, синтез и планирование решений в экономике. М.: Финансы и статистика, 2002, 368 с.

4. Аттетков А.В., Галкин С.В., Зарубин B.C. Методы оптимизации (Сер. Математика и техническом университете). М.: Из-во МГТУ им. Н.Э. Баумана, 2001.-440 с.

5. Баженова И.Ю. Visual С++ 6.0. М.: Диалог-МИФИ, 1999. 416 С.

6. Балабанов И. Т. Анализ и планирование финансов хозяйствующего субъекта. М.: Финансы и статистика, 2000. 156 с.

7. Баркалов С.А. Разработка и исследование моделей и механизмов оптимизации и оценки календарных планов в управлении проектами: Дис. доктора техн.наук: 05.13.10. Воронеж, 1999. 400 л.

8. Бородин В.И. Рационализация управления медицинским обслуживанием населения региона на основе информационного мониторинга и моделей конечных результатов: Дис.канд. мед. наук: 05.13.09. Воронеж, 1998. -130л.

9. Бочаров П.П., Печинкин А.В. Теория массового обслуживания. М.: РУДН, 1995.-529 с.

10. Бриллинджер Д. Временные ряды. Обработка данных и теория. М.: Мир., 1980.-536с.

11. Бусыгин А.В. Эффективный менеджмент: Учеб. для вузов по эконом. спец. М.: Финпресс, 2000. 1056 с.

12. Буцев А.В., Первозванский А.А. Локальная аппроксимация на искусственных нейросетях / Автоматика и телемеханика, 1995. N9. - с. 127136.

13. Васильев C.JI. Управление инновационными процессами в здравоохранении региона на основе рационализации доклинических исследований и ресурсного обеспечения: Дис. канд. мед. наук: 05.13.01. Воронеж, 2001. -156 л.

14. Владзимирский А.В., Лях Ю.Е. Структура телемедицинских систем удаленного консультирования. / Современные проблемы информатизации: Тезисы докладов IV Международной электронной научной конференции. Воронеж, 1999. с. 54.

15. Власова Е.А. Ряды: учеб. для вузов. 2-е изд. (Сер. Математика и техническом университете) / Под ред. Зарубина B.C., Крищенко А.П. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. 612 с.

16. Воеводин В.В. Информационная структура алгоритмов. М. МГУ, 1997.- 139 с.

17. Волобуев Н.А., Неганов В.А., Нефедов Е.И., Романчук П.И. Кван-тово-механические эффекты при работе ионных каналов. / Вестник новых медицинских технологий. 1997, №1-2. - с. 16.

18. Волькенштейн М.В. Биофизика: Учеб. руководство. М.: Наука, Гл. ред. физ.-мат. лит., 1988. 592 с.

19. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов / Общая ред. Галушкина А.И. М.: ИПРЖР, 2000. 416 с.

20. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир, 1985.-509 с.

21. Главные компоненты временных рядов: метод «Гусеница», Под редакцией Д.Л.Данилова и А.А.Жиглявского. Санкт-Петербургский университет, 1997.-310 с.

22. Гнеденко Б.В., Коваленко И.Н. Введение в теорию массового обслуживания. 2-е изд., перераб. и доп., М.: Наука, 1987. 336 с.

23. Головченко В.Б. Прогнозирование временных рядов по разнородной информации. Новосибирск: Наука. Сибирская издательская фирма РАН, 1999. — 88 с.

24. Гольдштейн Г .Я. Основы менеджмента. Таганрог: ТРТУ, 1995, -148 с.

25. Горбань А. Н. Обучение нейронных сетей. М.: СП Параграф, 1990. -159 с.

26. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. -276 с.

27. Грешилов Д.Д., Стакун В.А., Стакун JI.A. Математические методы построения прогнозов. М.: Радио и связь, 1997.— 112 с.

28. Гуськов Е.Б. Разработка рациональной организационной структуры управления многопрофильным лечебным учреждением на основе компьютерных технологах: Дис. . канд. мед. наук: 05.13.09. Воронеж,2000. 114 л.

29. Данцинг Д.Б. Линейное программирование, его применения и обобщения. М: Прогресс, 1966. 600с.

30. Дейт К. Введение в системы баз данных 6-е изд. Киев: Диалектика, 1998.-784 с.

31. Демьянова О.П. Прогнозирование и рациональный выбор лечебно-профилактических мероприятий на основе моделирования и формирования гинекологического мониторинга: Дис.канд.мед.наук : 05.13.09.-Воронеж, 1998.- 173 л.

32. Джейн А., Мао Ж., Моиуддин М. Введение в искусственные нейронные сети. / Открытые системы, 1997. -N4. с. 16-24.

33. Джонсон М. Харт. Системное программирование в среде Win32 2-е издание. М.: Вильяме, 2001. - 464 с.

34. Дмитренко Л.Б. Управление лечебно-диагностическим процессом в дневном стационаре поликлиники на основе компьютерных технологий: Дис.канд. мед. наук: 05.13.09. Воронеж, 1996. 201 л.

35. Дьяконов В., Круглов В. Математические пакеты расширения MathLab. С-Пб.:Питер-пресс, 2001, 475 л.

36. Емалетдинова Л.Ю. Автоматизация управления лечебно-диагностическими процессами в медицинских учреждениях на основе оптимизационных моделей и экспертного оценивания: Дис. . доктора техн. наук: 05.13.09.-Воронеж, 1999. 267 л.

37. Заенцев И.В. Нейронные сети: основные модели / Учебное пособие. Воронеж: ВГУ, 1999. 76 с

38. Заславский E.JI. Оптимизация структурных компонентов функционирования ЛПУ в условиях инновационных процессов медицинского обслуживания: Дис. канд. техн. наук: 05.13.09. Воронеж, 2000. 120 л.

39. Ивченко Г.И., Каштанов В.А., Коваленко И.Н. Теория массовогооб-служивания: Учеб. пособие для вузов. / М.: Высш. школа, 1982. 256 с.

40. Каллан Р. Основные концепции нейронных сетей. : Пер. с англ. М.: Издательский дом "Вильяме", 2001. 288 с.

41. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком, 2002. 382 с.

42. Кузнецов Г.Г. Проблема выбора информационной системы для лечебно-профилактического учреждения. / Медицина и жизнь, 2002. N12. - с. 43.

43. Кузнецов Г.Г. Экономический эффект от использования информационных систем в лечебно профилактических учреждениях. / МедКомТех: Сб. тр., - М., 2003. - с. 71.

44. Куффлер С., Николе Дж. От нейрона к мозгу. М.: Мир, 1979. 440с.

45. Лейкин М.А., Солдатов Е.А., Терехов А.С. Информатизация подсистемы здравоохранения на прмере медсанчасти Стойленского ГОК / Теория активных систем: Сб. тр. Москва: ИЛУ им. В.А.Трапезникова, 2001. -т.2. с. 109.

46. Лейкин М.А., Терехов А.С. Типовая интегрированная информационная система (ИИС) медико-санитарной части (МСЧ) предприятия на примере МСЧ стойленского ГОК / Системы управления и информационные технологии: Сб. тр. Воронеж: ВГТУ, 2001. - с. 95-99.

47. Липатова Н. Прогнозирование прибыли. М.: Финансы, 1995. 204с.

48. Липский Н. Комбинаторика для программистов. М.: Мир, 1985. -374 С.

49. Малышев А.Н. Введение в вычислительную линейную алгебру. Новосибирск: Наука, 1991. 228 с.

50. Малышенкова С.А. Моделирование и оптимизация программмно-ситуационных структур управления медицинским обслуживанием промышленного развитого региона: Дис. . канд. техн. наук: 05.13. 01.-Воронеж, 2001.- 151 л.

51. Минский М., Пайперт С. Персептроны. М.: Мир, 1971.-261 с.

52. Миркес Е.М. Нейрокомпьютер. Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. 418 с.

53. Назаренко Е.А. Управление многопрофильным стандартом на основе моделирования и компьютеризации организационной и лечебно-диагностической деятельности: Дис.доктора мед. наук : 05.13.09. Воронеж, 1998.-387 л.

54. Назаров В.Н. Моделирование принятия решений в автоматизированной системе управления региональным энергопотреблением: Дис. . канд. техн. наук: 05.13.16;05.13.06. Воронеж, 2002. 158 л.

55. Нейронные сети: история развития теории. Кн. 5 / Под ред. Галушкина А.И., Цыпкина Я.З. М.: ИПРЖР, 2001. 840 с.

56. Нейронные сети. STATISTICA Neural Networks : Пер. с англ. М.: Горячая линия -Телеком, 2000. — 182 с.

57. Нейросетевые системы управления / Терехов В.А., Ефимов Д.В., Тюкин И.Ю. и др. СПб: Издательство С-Петербургского университета, 1999. 264 с.

58. Олафсен Ю., Скрайбнер К., Дэвид К. MFC и Visual С++ 6. Энциклопедия программиста. М.: ДиаСофтЮП , 2003. 992 с.

59. Осовский С. Нейронные сети для обработки информации / Пер. с польского Рудинского И.Д. М.: Финансы и статистика, 2002, 344 с. (33)

60. Пападимитру X., Стайглиц К. Комбинаторная оптимизация. Алгоритмы и сложность. М: Мир, 1985, 512с.

61. Перегудов Ф.П., Тарасенко Ф.П. Введение в системный анализ. М: Высшая школа, 1989. 367 с.

62. Петросян C.JI. Оптимизация управления региональным лечебно-диагностическим комплексом на основе интеграции медицинских и компьютерных технологий: Дис.доктора мед. наук : 05.13.09. Воронеж, 1998. 268 л.

63. Подвальный Е.С., Терехов А.С. Планирование профилактических медицинских осмотров на основе прогнозов посещаемости / Современные системы управления: Сб. тр. Воронеж, 2003. - т.2 с. 83-86.

64. Подвальный С.Л., Терехов А.С. Использование нейросетевых методов при прогнозировании потока пациентов медсанчасти / Математические методы в технике и технологиях: Сб. тр. Тамбов: ТГТУ, 2002. - т.5. с. 50.

65. Подорожко С.Л. Рационализация управления поликлиническим медицинским учреждением на основе прогоностических оптимизационных моделей: Дис. канд. мед. наук: 05.13.09. Воронеж, 1999. 118 с.

66. Пригожин А.И. Социология организаций. М.: Наука, 1980. 256 с.

67. Рейнгольд Э., Нивергельт Ю. Комбинаторные алгоритмы. Теория и практика. М: Мир, 1980. 470 с.

68. Родионов О.В. Моделирование и рациональный выбор лечения на основе биомедицинской интегрированной учебно- исследовательской системы: Дис.доктора техн.наук: 05.13.09. Воронеж, 1996. 295 л.

69. Розенблатт Ф. Принципы нейродинамики (Перцептроны и теория механизмов мозга). М.: Энергия, 1965. 480 с.

70. Саати Т.Л. Элементы теории массового обслуживания и ее приложения. / Пер. с англ. М.: Сов. радио, 1971. 520 с.

71. Савенков С.Н. Автоматизированная медико-технологическая система для лабораторной службы лечебной службы лечебно-профилактических учреждений: Дис.канд. техн. наук: 05.13.09. Курск, 1998. -235 л.

72. Снитюк В.Е., Шарапов В.М. Эволюционно-параметрическая оптимизация RBF-сети // нейрокомпьютеры: разработка, применение. N5, 2003. - с.41-49.

73. Соколов Е. Н., Вайткявичюс Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. М.: Наука, 1989. 238 с.

74. Соколов Е. Н., Шмелев Л. А. Нейробионика. (Организация нейро-подобных элементов и систем). М.: Наука, 1983. 280 с.

75. Соломахин Б.Я. Автоматизированный анализ информации для управления качеством стационарного обслуживания в условиях обязательного медицинского страхования: Дис.канд.техн.наук: В форме науч.доклада: 05.13.09. Воронеж, 1995.-е. 16.

76. Стрельников Д.В., Терехов А.С. Персептронный распознаватель образов / М.:ФАП ВНТИЦ, 2003, №50200300751.

77. Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. Введение в современную информационную технологию. Воронеж: ВГУ, 1994.-224 с.

78. Терехов А.С., Подвальный Е.С. Прогнозирование посещаемости поликлиники с использованием нейросетей / М.:ФАП ВНТИЦ, 2003, №50200300135.

79. Терехов А.С., Подвальный Е.С. Регистратура медико-санитарной части / М.:ФАП ВНТИЦ, 2003, №50200300136.

80. Терехов А.С. Задача планирования профилактических медицинских осмотров / Современные проблемы информатизации в непромышленной сфере и экономике: Сб. тр. Воронеж: ВГТУ, 2003. - с. 55.

81. Терехов А.С. Подзадачи комплексной информационной системы медико-санитарной части / Системы управления и информационные технологии: Сб. тр. Воронеж: ВГТУ, 2001. - с. 84-88.

82. Терехов А.С. Подсистема планирования профилактических медицинских осмотров / Системы управления и информационные технологии (выпуск 10): Сб. тр. Воронеж: «Научная книга», 2003. - С. 133-138.

83. Терехов А.С. Предварительная и постобработка данных при прогнозирование временных рядов с помощью нейронных сетей / Системные проблемы надежности, качества информационных и электронных технологий: Сб. тр. М.: Радио и связь, 2004. 4.6. - С. 148-153.

84. Терехов А.С. Прогнозирование временных рядов с помощью нейронных сетей. / Системы управления и информационные технологии: Сб. тр. Воронеж: ВГТУ, 2002. - с. 76-80.

85. Терехов А.С. Тестирование различных нейросетевых моделей, применяемых для прогнозирования временных рядов. / Системные проблемы надежности, качества информационных и электронных технологий: Сб. тр. -М.: Радио и связь, 2004. 4.6. С. 148-153.

86. Терехов А.С. Этапы решения задачи прогнозирования протока пациентов с использованием нейросетей / Современные проблемы информатизации в непромышленной сфере и экономике: Сб. тр. Воронеж: ВГТУ, 2002.-с. 45.

87. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М.: Мир, 1992.- 180 с.

88. Федорков Е.Д. Управление в медицинских и социальных системах на основе моделирования и оптимизации дуальных динамических процессов: Дис.доктора техн.наук : 05.13.10, 05.13.09. Воронеж, 1999. 302 с.

89. Феррари Д. Оценка производительности вычислительных систем. М.: Мир, 1981.-576 с.

90. Шумский С.А. Избранные лекции по нейрокомпьютингу. http://neurolec.chat.ru/.

91. Юдин Д.Б., Голыптейн Е.Г. Задачи и методы линейного программирования. М: Сов. радио, 1964. 736 с.

92. Ahlburg D.A., Chatfield С. & others. A Commentary on Error Measures. / International Journal of Forecasting, 1992. N8. - pp. 99-111.

93. Armstrong J.S. An Application of Econometric Models to International Marketing. / Journal of Marketing Research, 1970, N7. - pp. 190-198.

94. Armstrong J.S., Collopy F. Error Measures For Generalizing About Forecasting Methods: Empirical Comparisons. / International Journal of Forecasting, 1992.-N8.-pp. 69-80.

95. Armstrong J.S. Forecasting Principles website. http://www-marketing.wharton.upenn.edu/forecast/.

96. Armstrong J.S. (ed.) Principles of Forecasting: A Handbook for Researchers and Practitioners, Norwell, MA: Kluwer Academic Publishers, 2001. -462 p.

97. Bates D. Using information technology to reduce rates of medication errors in hospitals. / British Medical Journal (BMJ), 2000. N320. - p. 788.

98. Box G.E.P., Jenkins G.M. The Time Series Analysis: Forecasting and Control. Holden-Day, 1976. 189 p.

99. Buchanan B.G., Smith R.G. Fundamentals of expert systems. / Annual Review Computer Science, 1988. N3. - pp. 23-58.

100. Buchanan W. Election predictions: An empirical assessment. / Public Opinion Quarterly, 1986. N50. - pp. 222-227.

101. Coiera E. Recent advances: Medical informatics. / British Medical Journal (BMJ), 1995.-N310.-pp. 1381-1387.

102. Cybenco G. Approximation by superposition of a sigmoidal function / Math. Control Systems and Signals, 1989. N2. - pp. 303-314.

103. Delaney B.C, Fitzmaurice D.A., Riaz A., Hobbs F.D.R. Can computerised decision support systems deliver improved quality in primary care? / British Medical Journal (BMJ), 1999. N319. - p. 1281.

104. Kenneth A. (ed.). The Strategic Management Handbook. New York: McGraw Hill, 1983.-232 p.

105. Lundsgaarde H. Evaluating medical expert systems. / Soc Sci Med, 1987.-N24.-pp. 805-819.

106. Makridakis S., Wheelwright S.C., Hyndman R.J. Forecasting Methods and Applications. New York: John Wiley, 1998. 356 p.

107. Masters T. Signal and Image Processing with Neural Networks: A С++ Sourcebook. New York: Wiley, 1994. 286 p.

108. Mathews, В. P. and A. Diamantopoulos. Judgmental revision of sales forecasts: Effectiveness of forecast selection. / Journal of Forecasting, 1990. N9. -pp. 407-415.

109. Muller В., Reinhardt J. Neural Networks. An introduction. Berlin: Springer-Verlag, 1991. 266 p.

110. Neame R., Kluge E-H. Computerisation and health care: some worries behind the promises. / British Medical Journal (BMJ), 1999. N319. - p. 1295.

111. Rigby M., Roberts R., Williams J. Integrated record keeping as an essential aspect of a primary care led health service. / British Medical Journal (BMJ), 1998.-N317.-p. 582.

112. Ripley B.D. Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press, 1996. 403 p.

113. Sanders, N. R., Mandrodt К. B. Forecasting practices in U. S. corporations. / Interfaces, 1990. N24. - pp. 92-100.

114. Shiskin, J. Decomposition of economic time series. / Science, 1958. -N128.-pp. 1539-1546.

115. Simpson K., Gordon M. The anatomy of a clinical information system. / British Medical Journal (BMJ), 1998. -N316. pp. 1655-1658.

116. Speckt DF. A generalized regression neural network / IEEE Trans Neural Networks, 1991. -N2(6). pp. 568-576.

117. Tonks A., Smith R. Information in practice. / British Medical Journal (BMJ), 1996.-N313.-p. 438.

118. Wayatt J. Hospital information management: the need for clinical leadership. / British Medical Journal (BMJ), 1995.-N311.-pp. 175-178.

119. Wayatt J. Same information, different decisions: format counts. / British Medical Journal (BMJ), 1999. -N318. p. 1501.