Проектирование адаптивной сети нейро-нечеткого вывода для контроля критической зависимости параметров гемодинамики по модели измерений предрейсовых осмотров (стр. 7 из 9)

Первый способ позволяет легко получить результаты с достаточно высокой степенью нечеткости в целом, но он не слишком эффективен. Поэтому целесообразно применить второй способ.

2.2.4 Усовершенствованный метод диагностики

Выше мы рассмотрели случай, когда существует решение обратной задачи при некотором заданном значении а. Однако, например, если а = 0,6, решение существует, но при а > 0,8 уже не существует, т. е. прийти к решению не всегда возможно. Обычно в подобных случаях недостаточно информации о симптомах, и лучше повторить диагностику после получения более полной информации. Следовательно, необходимо рассмотреть какие-либо методы выбора нужных симптомов. Например, в случае ошибочных исходных данных можно использовать усовершенствованную диагностику, которая позволяет прийти к правильному диагнозу. Такая диагностика состоит в следующем.

Прежде всего рассмотрим следующий вектор

, элементами которого являются ЛЗИ элементов нечеткого множества болезней по отношению к симптомам:

. (2.22)

i-й базовый вектор А определим следующим образом:

, (2.23)

где а. л. означает «абсолютная ложь».

-вектор, в котором только i-й элемент есть

, а все остальные элементы - а.л. Другими словами, учитывается только возможность появления болезни i, а уровень ЛЗИ для всех остальных болезней есть а.л. Кроме того, предложим следующие варианты ЛЗИ, относящиеся к

L = {ложь, неизвестно, истина, абсолютная истина}. Если применить к формулам (2.6), (2.7) правила нечеткий «модус поненс» и нечеткий «модус олленс» соответственно, то для i, j получим следующие формулы:

, (2.24)

. (2.25)

Приближение (среднее арифметическое ожидаемое значение)

полученное с помощью ЧЗИ для симптома, предсказанного в случае

, есть вектор, элементы которого имеют следующий вид:

. (2.26)

Аналогично определим среднее арифметическое значение b для реально наблюдаемых симптомов. Элементы

зададим следующим образом:

. (2.27)

Направление новых наблюдений можно определить с учетом геометрической формы

, т.е. чтобы определить группу симптомов, которые следует проверить, вычислим разность

. Алгоритм вычислений заключается в следующем. Сначала рассмотрим обычное расстояние

. (2.28)

есть разность ожидаемых значений истинности симптомов при

. Это один из способов определения расстояния, кроме него можно рассматривать другие расстояния. Кратчайшее расстояние

определим следующим образом:

, (2.29)

а именно

. (2.30)

Запомним

, удовлетворяющую следующему условию:

. (2.31)

представляет собой значение, при котором

является минимальным для

при любой болезни i. При этом пусть

-это

, задающее

. Затем вычислим

такое, что

. (2.32)

определяет

для болезней, среди которых есть номер болезни с самым маленьким

. Учитывая значения истинности симптомов, определим базовый вектор

для болезни, разность ожидаемых и наблюдаемых значений для которой наименьшая:

. (2.33)

Этот вектор позволяет создать относительный критерий истинности значений для симптомов. Кроме того, получим

, т.е.

, который можно сравнить с

для каждого элемента.

Итак, можно указать группу симптомов, соответствующую номеру с наибольшим значением

Если прогнозируется появление одновременно двух и более болезней, данный алгоритм предполагается усовершенствовать, например путем изучения комбинации базовых векторов

2.2.5 Выводы и база знаний

В качестве методов нечетких выводов с использованием нечеткой информации известны продукционные правила, выводы с помощью нечетких отношений и другие методы. В данной системе из-за того, что знания имеют иерархическую структуру (что позволяет делать окончательную оценку с использованием промежуточных гипотез об оценке результатов обследования, рекомендаций по образу жизни и других гипотез) и есть необходимость запуска механизма выводов не в режиме диалога, а по факту ввода данных, использованы выводы с помощью продукционных правил с прямым построением цепочки рассуждений. По мере прослеживания правил метод построения цепочки увеличивает нечеткость, поэтому в системе результаты выдаются на втором или третьем уровне иерархии.

При вводе данных клинических анализов, информации, полученной при расспросе пациента, и при выводе тяжести болезни или других сведений используются непосредственные значения или лингвистические значения

ности. Механизм выводов является независимой подсистемой (рисунок 2.4). На входы поступают данные из базы фактов и базы знаний, а на выход передаются результаты выводов, их достоверность и объяснение процесса выводов.

Рисунок - 2.4 Схема механизма выводов.

Для выводов использован нечеткий «модус поненс», представляющий собой расширение правила «модус поненс» - дедуктивного вывода в классической логике. Это правило можно представить следующим образом:

Если

, тогда

, (2.34)

где

-нечеткие множества в полных пространствах

, соответственно их элементы обозначим через

. Знак

обозначает импликацию.

Если можно получить информацию

о пространстве U для нечеткого отношения

между некоторыми объектами

, о которых имеется знание, то как результат можно вывести информацию о V из