Нейронечёткая модель и программный комплекс формирования баз знаний экспертных систем

Размещено на http://www.allbest.ru/

АВТОРЕФЕРАТ

диссертации на соискание учёной степени

кандидата технических наук

нейронечёткая модель и программный комплекс формирования баз ЗНАНИЙ экспертных систем

05.13.18 - Математическое моделирование, численные методы и комплексы программ

КАТАСЁВ Алексей Сергеевич

Казань 2006

Работа выполнена в Казанском государственном техническом университете им. А.Н. Туполева

Научный руководитель:доктор технических наук, профессор

Глова Виктор Иванович

Официальные оппоненты:доктор технических наук, профессор

Захаров Вячеслав Михайлович

доктор технических наук, профессор

Латыпов Рустам Хафизович

Ведущая организация:институт проблем информатики

Академии Наук Республики Татарстан

(ИПИ АН РТ), г. Казань

Защита состоится «___» ___________ 2006 г. в ___ часов на заседании диссертационного совета Д 212.079.01 в Казанском государственном техническом университете им. А.Н. Туполева по адресу: 420111, г. Казань, ул. К. Маркса, д. 10, зал заседаний Учёного совета.

С диссертацией можно ознакомиться в библиотеке Казанского государственного технического университета им. А.Н. Туполева.

Автореферат разослан «___» ___________ 2006 г.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Глобальная информатизация стимулировала разработку в различных проблемных областях человеческой деятельности автоматизированных диагностических систем. Это, как правило, интеллектуальные системы, моделирующие процесс рассуждения эксперта при принятии им решения - экспертные системы (ЭС). Основным элементом ЭС является база знаний, представленная множеством систематизированных правил, описывающих закономерности предметной области. Данные правила формулируются экспертом или формируются на основе анализа больших статистических массивов данных.

В первом случае эксперт явно или неявно формализует свои знания, опыт и интуицию в рамках выбранной модели представления знаний. Это сложный процесс, требующий большой аналитической работы.

Второе направление связано с разработкой и применением новых математических методов, способных эффективно анализировать статистические данные и извлекать из них полезные знания при минимуме работы эксперта. Использование данного подхода перспективно для формирования баз знаний экспертных систем нового поколения - мягких экспертных систем - в таких предметных областях как медицина, промышленность, нефтяная отрасль и др.

Для всех из них характерны следующие особенности:

Ш резкое увеличение объёмов обрабатываемой информации;

Ш необходимость одновременной обработки разнотипной информации;

Ш её нечёткость, качественность и субъективный характер;

Ш отсутствие формальных подходов к решению задач;

Ш необходимость решать задачи, свойственные только человеку;

Ш многокритериальность решаемых задач в условиях нечёткости критериев.

Актуально создание интеллектуальных систем обработки информации, способных эффективно решать поставленные задачи в указанных условиях.

Исследованию данной проблемы посвящены работы следующих учёных: Заде Л.А., Ларичева О.И., Поспелова Д.А., Аверкина А.Н., Финна В.К., Вагина В.Н., Кобринского Б.А., Загоруйко Н.Г., Ярушкиной Н.Г., Паклина Н.Б., Батыршина И.З., Подольской М.А., Гловы В.И., Аникина И.В. и др.

Однако, несмотря на это, многие вопросы обработки данных в указанных предметных областях не рассматривались. Таким образом, актуальной задачей является разработка адекватных моделей, эффективных алгоритмов и реализующих их программных комплексов формирования баз знаний экспертных систем. Решению этой задачи посвящена настоящая диссертация.

Объект исследования: базы знаний интеллектуальных человеко-машинных систем поддержки принятия решений - экспертных систем.

Предмет исследования: методы, модели, алгоритмы и стратегии получения знаний для экспертных систем.

Цель работы: повышение эффективности построения баз знаний нечётких экспертных систем на основе моделей и алгоритмов интеллектуального анализа данных, формирующих правила принятия решений.

Научная задача: разработка формальной модели, алгоритма её обучения и программного комплекса формирования баз знаний экспертных систем.

Достижение поставленной цели и задачи потребовало решения вопросов:

Ш анализа эффективности методов интеллектуальной обработки информации и стратегий получения знаний для экспертных систем;

Ш разработки нейронечёткой модели формирования баз знаний, алгоритма её обучения и правил инициализации параметров;

Ш реализации программного комплекса на базе нейронечёткой модели;

Ш выполнения исследований для оценки эффективности работы модели;

Ш обучения нечёткой нейронной сети на множестве обучающих выборок.

Методы исследования. Для решения обозначенных вопросов использованы методы математического моделирования, нечёткой логики, искусственных нейронных сетей, мягких вычислений.

Достоверность полученных результатов. Предложенные в диссертационной работе модели и алгоритмы обоснованы теоретическими решениями и не противоречат известным положениям других авторов. Практическая апробация и внедрение в промышленную эксплуатацию результатов работы подтвердили эффективность метода формирования баз знаний экспертных систем.

Научная новизна работы заключается в следующем:

1) предложена нейронечёткая модель формирования баз знаний экспертных систем в рамках нечётко-продукционной модели представления знаний;

2) разработан алгоритм обучения нечёткой нейронной сети и правила инициализации её параметров;

3) обоснованы критерии качества обучения нейронечёткой модели.

Теоретическая значимость работы заключается в разработке:

1) модели, расширяющей возможности получения знаний для использования их в механизмах выводов экспертных систем;

2) алгоритма настройки её параметров с точки зрения обучающей выборки.

Практическая ценность диссертационной работы заключается в разработке и реализации программного комплекса на базе нечёткой нейронной сети, производящего анализ статистических данных и формирующего систему нечётко-продукционных правил для их использования в экспертных системах.

По проблеме диссертационной работы опубликовано 18 работ, в том числе 1 статья в журнале из списка, рекомендованного ВАК РФ, 5 статей и 12 тезисов докладов.

С целью апробации основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях: международной конференции «Нечёткие множества и мягкие вычисления в экономике и финансах» (Санкт-Петербург, 2004); второй ежегодной международной научно-практической конференции «Инфокоммуникационные технологии глобального информационного общества» (Казань, 2004); седьмой международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Санкт-Петербург, 2004); международной научно-методической конференции «Инновационное образование в техническом университете» (Казань, 2004); региональной научно-методической конференции «Профессиональные компетенции в структуре модели современного инженера» (Нижнекамск, 2005); третьей ежегодной международной научно-практической конференции «Инфокоммуникационные технологии глобального информационного общества» (Казань, 2005); международной молодёжной научной конференции «Туполевские чтения», посвящённой 1000-летию города Казани (Казань, 2005); четвёртой ежегодной международной научно-практической конференции «Инфокоммуникационные технологии глобального информационного общества» (Казань, 2006).

Реализация результатов работы. Результаты исследования:

Ш внедрены в промышленную эксплуатацию в виде системы предупреждения аварийных ситуаций в процессах поддержания пластового давления, решающей задачу оперативного выявления утечек из водоводов;

Ш использованы при построении базы знаний экспертной диагностической системы в вертеброневрологии на данных развития и особенностей клинических проявлений остеохондроза поясничного отдела позвоночника;

Ш внедрены в учебный процесс Казанского государственного технического университета им. А.Н. Туполева и используются при изучении материалов дисциплины «Математические основы человеко-машинных систем»;

Ш внедрены в учебный процесс Нижнекамского химико-технологического института и используются при изучении материалов дисциплины «Системы искусственного интеллекта».

Пути дальнейшей реализации. Созданный программный комплекс планируется использовать в составе мягких экспертных систем как инструмент эксперта для формирования и динамического пополнения баз знаний. Оптимизацию системы правил перспективно проводить на базе генетических методов.

На защиту выносятся следующие результаты:

Ш нейронечёткая модель формирования баз знаний экспертных систем;

Ш алгоритм её обучения и правила инициализации параметров;

Ш программный комплекс для автоматизации формирования нечётко-продукционных правил из набора статистических данных.

Структура и объём диссертации. Диссертация изложена на 194 страницах машинописного текста, содержит 62 рисунка, 7 таблиц, состоит из введения, четырёх глав, заключения, списка использованной литературы из 93 наименований на 9 страницах и 2 приложений на 20 страницах.

Сведения о личном вкладе автора. Разработана нейронечёткая модель формирования баз знаний экспертных систем, предложен алгоритм её обучения, реализован программный комплекс на базе нечёткой нейронной сети, проведены прикладные исследования при работе с комплексом для оценки эффективности использования нейронечёткой модели в решении практических задач.

Разработана и реализована система предупреждения аварийных ситуаций на водоводах НГДУ «ДжалильНефть» ООО «ТатНефть». Проведена опытная эксплуатация системы, разработан план мероприятий по внедрению в промышленную эксплуатацию. Предложена методика оперативного обнаружения утечек из водоводов, реализованная в программном комплексе.

Разработаны этапы последовательного интеллектуального анализа разнотипных медицинских данных. В рамках данных этапов проведён анализ статистических данных диагностики поясничного остеохондроза. Выявлены значимые признаки и их группы, оказывающие максимальное влияние на тяжесть течения заболевания. Подготовлены обучающие выборки и проведено обучение нечёткой нейронной сети с получением системы правил.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы проводимых исследований, сформулирована цель работы, приведена структура диссертации.

В первой главе рассматриваются вопросы и проблемы построения интеллектуальных человеко-машинных систем поддержки принятия решений. Анализируются методы повышения эффективности формирования баз знаний экспертных систем. Показывается, что при решении данной задачи целесообразно наряду с экспертными методами использовать методы интеллектуального анализа данных. Доказывается необходимость разработки нечёткой нейронной сети для обработки данных и построения модели предметной области в виде нечётко-продукционных правил. Ставятся задачи по разработке архитектуры нейронечёткой модели, алгоритма её обучения и правил инициализации параметров.

Для решения неформализованных задач требуется разработка систем поддержки принятия решений - экспертных систем, основой которых является база знаний. Перед разработчиками ЭС постоянно встают проблемы трудности «добычи» и формализации знаний, а также поиска новых способов их получения. Для этого используют извлечение, приобретение и формирование знаний.

При извлечении и приобретении знаний, в общем случае, требуется человек-эксперт, излагающий свои знания и опыт в рамках формальной модели, что накладывает ограничения на использование таких подходов.

Процессы формирования знаний привлекают разработчиков и исследователей своими способностями к автоматическому получению знаний, интерпретации баз данных путём извлечения «скрытых» в них закономерностей.

Существование «скрытых» знаний обусловлено большими объёмами накопленных данных. Для их анализа используются специальные методы Data Mining: статистические пакеты, нейронные сети, эволюционные методы, алгоритмы поиска логических связей и закономерностей, а также гибридные модели, сочетающие в себе достоинства различных технологий.

Применение методов Data Mining является составной частью технологии Knowledge Discovery in Databases - обнаружение знаний в базах данных. Основные этапы данного процесса:

1) выборка исходного набора данных - понимание и формулировка задачи анализа, создание наборов данных, получение обучающей выборки;

2) подготовка (предобработка) данных заключается в получении качественных, корректных данных с точки зрения методов их анализа;

3) преобразование (трансформация) данных осуществляется путём их сглаживания, агрегирования, обобщения, нормализации;

4) data mining - использование различных инструментальных средств для нахождения закономерностей в данных;

5) оценка (постобработка) данных - проверка построенных моделей и интерпретация полученных результатов.

Для обработки разнотипной, качественной, нечёткой с выраженным субъективным характером либо неполной и неточной информации большое распространение получили нейросетевые модели и нечёткие системы. До недавнего времени эти направления развивались независимо, обладая достоинствами, недостатками, возможностями и ограничениями при решении практических задач.

Эффективность нечётких систем обусловлена:

1) возможностью формализации их средствами нечётких лингвистических категорий, используемых человеком при решении задачи;

2) хорошей интерпретируемостью;

3) отсутствием необходимости в задании обучающей выборки при условии возможности формализации решения задачи человеком-экспертом.

Основные недостатки систем, базирующихся на нечёткой логике:

1) исходный набор постулируемых нечётких правил должен формироваться человеком-экспертом и может оказаться неполным или противоречивым;

2) формирование нечёткой модели требует большой предварительной аналитической работы эксперта;

3) вид и параметры функций принадлежности (ФП) выбираются субъективно и могут оказаться не вполне отражающими реальную действительность;

4) невозможно автоматическое приобретение знаний.

Эффективность нейронных сетей обусловлена возможностью:

1) аппроксимировать функциональные зависимости в данных;

2) выражать «выход-выход» на основе обучения с минимумом предварительной аналитической работы человека-эксперта;

3) автоматически приобретать знания.

Недостатками нейронных сетей являются:

1) требование наличия объёмной и представительной обучающей выборки; информация нейронечеткий обучение знание

2) плохая интерпретируемость, невозможность объяснить результат.

Представленные недостатки не могут быть преодолены в рамках рассмотренных направлений в отдельности, что делает каждое из них пригодным для решения одних классов задач и менее пригодным для других классов.

В настоящее время значительную актуальность приобрело создание гибридных технологий, обладающих достоинствами как нейронных сетей, так и нечётких систем. Примером являются нечёткие нейронные сети (ННС).

Их использование позволяет реализовать подход к формированию ФП нечётких множеств: выбирается параметризованная функция формы, параметры которой настраиваются с помощью алгоритма обучения нейронной сети с точки зрения обучающей выборки. В результате осуществляется аппроксимация экспериментальных данных с помощью нечётких систем.

Пусть нечёткой нейронной сетью должно быть реализовано отображение , где - вектор входных значений, - значение выхода (). В результате обучения будет получена система правил вида:

ЕСЛИ есть И есть И ... И есть ТО ,

где - нечёткие числа, - вещественные числа.

Для более гибкого описания закономерностей предметной области необходимо учитывать важность нечётких ограничений на значения входных параметров и достоверность сформированных правил. Этому требованию удовлетворяет нечётко-продукционная модель представления знаний:

«ЕСЛИ есть () И ... И есть () ТО возможно « [](1)

где - параметры правила; - их нечёткие ограничения; - веса ограничений; - степень уверенности эксперта в достоверности сформированного правила (CERTAINTY FACTOR); T_jT - назначаемый результат.

Разработанная нечёткая нейронная сеть позволяет формировать систему правил в виде модели (1). Для этого решаются вопросы:

1) разработки структуры нечёткой нейронной сети;

2) инициализации параметров функций принадлежности;

3) разработки алгоритма обучения нейронной сети;

4) обучения построенной сети и оценки качества полученных моделей.

Их решение позволило реализовать механизм анализа накопленных данных и построения модели предметной области в виде нечётко-продукционных правил.

Во второй главе описывается структура ННС, решаются вопросы идентификации её параметров. Приводится схема функционирования сети, описываются формы кривых для задания ФП нечётких множеств. Предлагается алгоритм обучения нейронечёткой модели, а также его реализация. Обосновываются критерии качества обучения, показывается сходимость разработанного алгоритма.

Структура нечёткой нейронной сети определяется количеством нейронов во входном и выходном слоях, числом градаций входных нейронов и алгоритмом нечёткого логического вывода на модели (1).

Первые параметры задают количество нейронов в соответствующих слоях нейронной сети. Последний определяет число слоёв и их функциональность.

Нулевой слой сети содержит входные Р-нейроны (, , - их количество), сигналы которых образуют нечёткие градации , где , - число градаций. Для их моделирования используются треугольная, трапецеидальная, гауссова, двойная и сдвоенная гауссовы ФП.

Множество А-нейронов образует первый слой нейронной сети (, , =* - количество А-нейронов). Выходами нейронов являются значения функций принадлежности, определяющие степень срабатывания условных частей правил. С каждым А-нейроном связан параметр , определяющий важность ограничения на входное значение -го нейрона.

Второй слой сети состоит из И-нейронов, определяющих условные части правил, совокупность которых образует полную систему , , =. На выходе формируется оценка степени срабатывания условий правила, характеризующая удовлетворение значений нейронов ограничениям .

В третьем слое рассчитывается коэффициент достоверности решения, равный произведению оценок степени срабатывания условий правила и степени доверия к принятому решению . Множество Comp-нейронов , , - их количество.

Четвёртый слой содержит выходных Т-нейрона: (). Их выходами являются взвешенные нормированные оценки общего коэффициента достоверности решения.

Пример ННС с двумя входами, тремя выходами и тремя градациями:



Рис. 1. Пример структуры нечёткой нейронной сети

Схема функционирования нечёткой нейронной сети.

1) На каждый i_p -й вход нейронной сети последовательно подаются значения из обучающей выборки (, n - объём выборки).

2) Рассчитываются значения функций принадлежности нейронов первого слоя , где - ФП i_g-й градации i_p-го нейрона.

3) Вычисляются выходные значения И-нейронов согласно выражению

.

4) Оцениваются коэффициенты достоверности решения , где - степень доверия к принятому решению; - веса ограничений, для которых значения нейронов известны ().

5) Рассчитываются выходы каждого Т-нейрона:

, где ; .

Здесь - входные значения нейрона ; - веса связей и .

Максимальная активность нейрона достигается при условии коллинеарности векторов и . Это условие лежит в основе алгоритма обучения.

Алгоритм обучения нечёткой нейронной сети.

1) Задаются начальное значение адаптивного шага обучения (0<<1), желаемая среднеквадратичная ошибка выхода нейронной сети E_m, а также минимальный порог изменения ошибки при обучении .

2) Рассчитываются весовые коэффициенты А-нейронов и производится инициализация соответствующих параметров ФП.

3) Определяются значения векторов .

4) Выбирается очередной выходной нейрон.

5) На вход ННС подаются последовательно образы из обучающей выборки, соответствующие данному нейрону. Для каждого входного образа:

производится фаза прямого распространения сигнала по нейронной сети, определяется взвешенная активность выходного нейрона;

вычисляется среднеквадратичная ошибка выхода нейронной сети для i-го входного образа , где - абсолютная ошибка выхода; - требуемое значение выхода;

для минимизации изменяются выходы Comp-нейронов;

вычисляются требуемые значения выходов И-нейронов , t - момент времени;

рассчитываются среднеквадратичные ошибки выходов И-нейронов , где - абсолютная ошибка выхода, - требуемое значение выхода;

для минимизации модифицируются параметры ФП соответствующих А-нейронов.

6) Вычисляется среднее значение ошибки выхода нейронной сети для всех входных образов: .

7) Рассчитывается изменение ошибки выхода: .

8) Если 0, то процесс обучения заканчивается.

9) Если , то происходит переход к шагу 10 алгоритма, иначе процесс обучения нечёткой нейронной сети заканчивается.

10) Проверяется условие невозрастания . Если <0, то уменьшается адаптивный шаг обучения и происходит переход к 5-му шагу алгоритма. Алгоритм функционирует до тех пор, пока средняя ошибка выхода сети не станет меньше заданной или изменение ошибки не будет превышать минимально допустимый уровень.

Алгоритм обучения ННС можно представить в виде блок-схемы (см. рис. 2).

Рис. 2. Блок-схема алгоритма обучения нечёткой нейронной сети

Для реализации алгоритма обучения рассчитываются вектора весов связей и весов ограничений W, производится инициализация параметров функций принадлежности, настраиваются значения выходов Comp-нейронов, а также значения параметров ФП с точки зрения обучающей выборки.

Вычисление весовых коэффициентов производится статистически. Данный параметр в модели (1) определяет уверенность эксперта в сформированном правиле, его универсальность. С точки зрения обучающей выборки это может быть выражено частотой встречаемости шаблона правила в выборке.

Значения коэффициентов определяются как , где - общее количество раз, когда проявлялась активность -го нейрона при подаче на вход нейронной сети обучающей выборки, соответствующей i_T-му выходному нейрону; - объём выборки для нейрона . Причём .

Веса ограничений определяются по правилу , где - общее количество раз, когда проявлялась активность i_g-го А-нейрона, соответствующего i_p-му входу; - число строк в обучающей выборке, соответствующей i_T-му выходному нейрону. Причём .

Для определения начальной формы функций принадлежности разработаны правила инициализации их параметров. Пример инициализации различных типов ФП приведён на рис. 3.



Рис. 3. Пример инициализации различных типов функций принадлежности:

а - треугольная;б - трапецеидальная;

в - гауссова и сдвоенная гауссова;г - двойная гауссова

Разработаны правила обучения параметров нечёткой нейронной сети.

Обучение выходных значений Comp-нейронов требует минимизации среднеквадратичной ошибки выхода нейронной сети :

.

Обучение параметров функций принадлежности требует минимизации среднеквадратичной ошибки выхода И-нейронов :

,

где - параметр ФП, соответствующий i_g-й градации i_P-го входа сети.

В диссертации приведены формулы настройки значений параметров нечёткой нейронной сети с течением времени. Качество обучения при этом определяется точностью аппроксимации данных в обучающей выборке.

Увеличение количества входов сети и числа градаций входных нейронов приводит к возрастанию времени обучения, повышению точности аппроксимации. При слишком большом количестве входов и их градаций одновременно ухудшается естественно-языковая интерпретация получаемых правил, достоверность каждого из них и веса их параметров уменьшаются.

Обобщение данных и формирование правил - сложная задача, которая заключается в достижении баланса между числом правил вывода и точностью аппроксимации функциональной зависимости. В некоторых случаях достаточная точность может быть обеспечена только большим числом правил или использованием лингвистических переменных, термы которых сложно интерпретировать в качественных категориях. В этом случае следует пожертвовать точностью аппроксимации для получения разумного числа удобных для восприятия правил.

Сходимость алгоритма обучения нечёткой нейронной сети обусловлена следующими основными факторами:

Ш настройка параметров нейронной сети производится в рамках алгоритма обратного распространения ошибки;

Ш в результате обучения происходит нечёткая и лингвистическая аппроксимация функциональных зависимостей в данных системой продукций.

Сходимость алгоритма обратного распространения ошибки обусловлена его способностью минимизировать среднеквадратичную ошибку выхода многослойных нейронных сетей. Для этого с целью настройки синаптических связей используется метод градиентного спуска в пространстве весовых коэффициентов. С уменьшением ошибки выхода происходит настройка параметров правил с точки зрения обучающей выборки. При этом происходит аппроксимация имеющихся данных нечёткими гранулами, наделёнными лингвистической интерпретацией.

Экспериментальная способность нечёткой нейронной сети к аппроксимации с одновременным уменьшением ошибки обучения не противоречит принципам работы алгоритмов обучения нечётких моделей, что указывает на сходимость разработанного алгоритма обучения нейронной сети.

В третьей главе проводится исследование алгоритма обучения нечёткой нейронной сети. Описывается разработанное программное обеспечение, его назначение и пример функционирования. Изучаются режимы работы нечёткой нейронной сети, а также возможность её использования в составе мягких экспертных систем. Проводится сравнение используемых ФП по критериям «скорость обучения» и «точность аппроксимации». Анализируется временная сложность вычисления при обучении нейронной сети. Исследуется влияние пропущенных значений во входных данных на качество её обучения.

Для решения задачи аппроксимации функциональных зависимостей в экспериментальных данных нечёткими правилами продукций разработан программный комплекс «Нечёткая нейронная сеть» (Fuzzy Neural Network), реализованный в среде программирования Borland Delphi 6.0.

Имеется несколько режимов работы нейронной сети.

Режим обучения сети предназначен для её параметрической адаптации к предъявляемым данным. Для этого минимизируется квадратичная сумма разностей между требуемым t_i и полученным U(t_i, Y) значением выхода нейронной сети, усреднённая на N примерах:

F(Y) = U(t_i, Y)- t_i)² min,

где Y - вектор параметров функций принадлежности. Вид функции F(Y) целиком зависит от данных из обучающей выборки.

После обучения нейронная сеть готова к генерации нечётких правил и представления их в удобном виде. Большое количество правил требует их фильтрации и привлечения экспертов для оценки сформированных закономерностей.

На тестовой выборке данных происходит оценка качества (адекватности) полученной модели. Величина оценки определяется по формуле:

,

где E_обуч - ошибка при обучении, E_тест - ошибка при тестировании.

Обученная нейронная сеть является системой нечёткого логического вывода. Она может использоваться как инструмент эксперта в составе мягкой экспертной системы и позволяет заменить (или дополнить) эвристический процесс построения базы знаний на процесс автоматизированного её формирования, извлекая закономерности из статистических выборок данных.

При обучении нечёткой нейронной сети стоит задача выбора типа ФП. Проведённые эксперименты позволили определить наилучшую (треугольную) и наихудшую (трапецеидальную) функции принадлежности по критериям «скорость обучения» и «точность аппроксимации».

Важным вопросом при обучении нечёткой нейронной сети является длительность процесса обучения. Для уменьшения ошибки выхода требуется изменение параметров нейронной сети. С увеличением их количества повышается время t прохождения и обработки входных сигналов, которое оценивается по формуле:

t n_A + n_И + n_C = n_P * n_g + 2 * .

Значение данного параметра экспоненциально возрастает при увеличении количества градаций и числа входных нейронов сети.

Качество обучения нечёткой нейронной сети в первую очередь определяется полнотой данных в обучающей выборке, их репрезентативностью. Выборки нередко имеют пропущенные значения. В результате на вход программы анализа подаётся таблица с пропущенными ячейками. Большинство из известных методов не рассчитаны на такую работу, что является сдерживающим фактором их использования. Актуально применение методов, не требующих борьбы с пробелами и способных работать на некомплектных выборках. Этому требованию удовлетворяет разработанная нечёткая нейронная сеть.

В четвертой главе рассматриваются практические вопросы формирования баз знаний на примере системы медицинской диагностики и комплексной системы предупреждения аварийных ситуаций технологического оборудования в процессах поддержания пластового давления. Анализируются особенности диагностического процесса в медицине. Рассматриваются этапы анализа медицинских данных на базе нечёткой нейронной сети. Приводятся примеры сформированных правил в рассматриваемых предметных областях. Описывается разработанная методика оперативного обнаружения утечек из водоводов. Даётся сравнение нечёткой нейронной сети с аналогичными программными методами и средствами формирования баз знаний экспертных систем.

В медицинских исследованиях проводится поиск и обоснование взаимосвязей различных качественных и количественных параметров в различных возрастных, половых, клинических группах, для определения их значимости для диагностики, прогноза течения заболевания, выбора тактики лечения, экспертизы трудоспособности. Признаки, обладающие наибольшей положительной и отрицательной связью, наиболее информативны в процессе диагностики и исследуются у пациента в первую очередь.

В процессе создания базы знаний диагностической системы в медицине важно определить и стандартизировать основные этапы сбора и анализа информации для обработки её с помощью нечёткой нейронной сети и выработки важных для врача правил. Каждый из этапов является изолированным логическим процессом с измерением параметров, их анализом, принятием этапного решения.

Для проверки возможности применения нечёткой нейронной сети на всех этапах медицинской диагностики использованы данные клинического, нейро-ортопедического, рентгенокомпьютернотомографического обследования 230 женщин в возрасте от 15 до 92 лет и 180 мужчин в возрасте от 16 до 81 года с различными синдромами поясничного остеохондроза на стационарном этапе обострения и в стадии начинающейся ремиссии. Контрольную группу составили 20 женщин в возрасте от 20 до 70 лет и 20 мужчин в возрасте от 17 до 73 лет, никогда не страдавших поясничными вертеброгенными болями.

Клиническое нейроортопедическое обследование проведено по методике В.П. Веселовского, Я.Ю. Попелянского. Рентгеновская компьютерная томография проводилась на рентгеновском компьютерном томографе SOMATOM AR.HP spiral фирмы SIEMENS при сканировании с шагом 3/3 мм. Изучены количественные и качественные характеристики состояния структур позвоночно-двигательных сегментов, собственных мышц позвоночника и паравертебральных мышц на уровне L_III- S_I по методике М.А. Подольской, З.Ш. Нуриева.

Для получения системы продукций и их параметров измерено более 500000 количественных и качественных значений признаков течения поясничного остеохондроза по 822 параметрам. Подготовка обучающих выборок для ННС проведена в соответствии с разработанной и описанной в первой главе методикой. Учтено оптимальное количество входных и выходных параметров системы для численной и лингвистической интерпретации формируемых правил. В результате обучения сети на более чем 100 обучающих выборках получено более 500 правил, значимость которых оценивалась экспертами - специалистами-вертеброневрологами высокой квалификации.

Разработанная нечёткая нейронная сеть отвечает логике постановки диагноза экспертом и моделирует этапы его интеллектуальной деятельности. В большинстве случаев сформированные правила совпадали с мнениями экспертов, что позволяет использовать ННС в составе экспертных диагностических систем.

Проверка сети на медицинских данных позволила с большой точностью автоматизировать процесс диагностики. Это заложило математический фундамент создания экспертных систем нового поколения в любой отрасли медицины. Данные вертеброневрологического анализа послужили лишь многофакторной моделью, способной описать закономерности возникновения, развития, клинических особенностей заболевания, долгосрочного прогноза состояния пациентов. При соблюдении правил отбора информации, её стандартизации, ввода в нейронную сеть, созданная модель может служить математической оболочкой, способной в короткие сроки решать сложные экспертные задачи в медицине.

В рамках НИОКР № 1178-04 разработана система предупреждения аварийных ситуаций технологического оборудования в процессах поддержания пластового давления (ППД). Её внедрение на диспетчерских пунктах в цехах ППД необходимо для оперативного выявления утечек из водоводов по результатам анализа получасовых расходов воды. Система производит мониторинг состояния водоводов и оповещает диспетчера о наступлении аварийных ситуаций, принимая решение на основании сформированной базы знаний.

Для её формирования наряду с экспертами использовалась нечёткая нейронная сеть, с помощью которой обрабатывалась статистическая информация, представлявшая собой значения (в м³) получасовых расходов воды по всем водоводам цеха ППД-2 НГДУ «ДжалильНефть». Для подготовки обучающих выборок рассчитаны относительные отклонения расхода воды по каждому из водоводов за 0,5 часа и за 1 час. Отклонение по водоводу рассчитывается, как

,

где Q₀ - текущее измерение, Q_0,5 - пол часа назад, Q₁ - час назад, Q{Q_0,5 , Q₁}.

Обучающие выборки включали в себя поля «относительное отклонение по водоводу за 0,5 часа», «относительное отклонение по водоводу за 1 час» и «признак аварии». Последнее поле могло принимать значения 0 или 1. Обучение проводилось с использованием треугольных функций принадлежности.

В результате сформировано множество правил, из которых отобраны наиболее значимые, определяющие условия определения порывов. Кроме того экспертным путём сформулированы дополнительные условия, влияющие на качество диагностики аварийности состояния водоводов. Разработана методика оперативного обнаружения утечек воды на основании экспертных правил и правил, сформированных с помощью нечёткой нейронной сети.

Экспертная система успешно прошла тестирование на лабораторных стендах «ТатАСУНефть», этап опытной эксплуатации и внедрена в промышленную эксплуатацию на диспетчерском пункте ЦППД-2 НГДУ «ДжалильНефть» ОАО «ТатНефть». При работе система показала эффективность используемого алгоритма оперативного обнаружения порывов.

Практическое использование результатов её работы позволило:

Ш повысить уровень безопасности функционирования технологического оборудования в процессах поддержания пластового давления;

Ш оперативно в автоматизированном режиме выявить аварийные ситуации, связанные с утечками на водоводах;

Ш снизить нагрузку на специалистов-технологов и диспетчеров при анализе информации по выявленным авариям.

В заключении диссертационной работы сформулированы научные результаты, полученные в ходе её выполнения, намечены направления перспективных исследований.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1) Проведён анализ эффективности методов интеллектуальной обработки информации и стратегий получения знаний для экспертных систем. Показана актуальность разработки новых математических методов и алгоритмов автоматизированного формирования баз знаний экспертных систем.

2) Разработана нейронечёткая модель формирования баз знаний, алгоритм её обучения и правила инициализации параметров. Структура нечёткой нейронной сети определяется количеством входов, выходов сети, числом градаций входных нейронов, а также алгоритмом нечёткого логического вывода. Алгоритм обучения модели основан на методе градиентного спуска и позволяет минимизировать ошибку выхода нейронной сети.

3) Реализован программный комплекс на базе нейронечёткой модели. Исследованы режимы работы нечёткой нейронной сети. Показана возможность использования комплекса в составе мягких экспертных систем.

4) Выполнены исследования с использованием разработанной нейронной сети для оценки эффективности её работы. Показано, что максимальная скорость обучения и точность аппроксимации достигаются при выборе треугольной функции принадлежности.

5) Проведено обучение нечёткой нейронной сети на множестве обучающих выборок. Нейронная сеть показала свою эффективность при анализе медицинских данных и в задаче формирования правил принятия решений в системах поддержания пластового давления.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Glova V.I., Anikin I.V., Katasev A.S., Pheoktistov O.N. The Knowledge Representation Model in Fuzzy Expert Systems Provided by Computing with Words and PRUF Language // Proceedings of the International Conference on Fuzzy Sets and Soft Computing in Economics and Finance (FSSCEF 2004). Saint-Petersburg, 2004. - p. 202-209.

Katasev A.S. The methods and instruments of DATA MINING in tasks of technological equipment faults and damages recognition // 7^th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-7-2004). St. Petersburg, 2004. - p. 720-723.

Катасёв А.С., Кривилёв М.А., Зубрин В.Н. Комплексная система предупреждения сбоев и аварий технологического оборудования процессов ППД // XII Туполевские чтения. Международная молодёжная научная конференция. Казань, 2004 г.: тезисы докладов. - С. 46-47.

Катасёв А.С., Кривилёв М.А., Зубрин В.Н. Методы и средства предупреждения аварийных ситуаций в условиях неопределённости // XII Туполевские чтения. Международная молодёжная научная конференция. Казань, 2004 г.: тезисы докладов. - С. 47-48.

Катасёв А.С., Кривилёв М.А. Извлечение структур знаний при решении прикладных задач // Инновационное образование в техническом университете: Международная научно-методическая конференция. Казань, 2004. - С. 86-88.

Катасёв А.С. Технологии Data Mining в задаче диагностики технологического оборудования // Инфокоммуникационные технологии глобального информационного общества: Сб. трудов 2-й ежегодной международной научно-практической конференции. Казань, 2004 - С. 335-339.

Катасёв А.С. Эффективное применение Data Mining в науке и образовании // Профессиональные компетенции в структуре модели современного инженера: Материалы региональной научно-методической конференции. Нижнекамск, 2005. - С. 33-35.

Катасёв А.С., Кривилёв М.А., Гафиятов И.З. Интеллектуальный автоматизированный подход к извлечению правил из баз данных // Инфокоммуникационные технологии глобального информационного общества: тез. докладов 3-й ежегодной международной научно-практической конференции. Казань, 2005. - С. 103-104.

Катасёв А.С. Нейронечёткий подход к извлечению знаний из баз данных // Туполевские чтения: Международная молодёжная научная конференция, посвященная 1000-летию города Казани: Материалы конференции. Казань, 2005. - С. 73-75.

Катасёв А.С., Кривилёв М.А. Методы приобретения знаний для экспертных систем // Туполевские чтения: Международная молодёжная научная конференция, посвященная 1000-летию города Казани: Материалы конференции. Казань, 2005. - С. 75-77.

Катасёв А.С., Кривилёв М.А., Нигматуллина А.Н. Извлечение нечётких правил из баз данных // Туполевские чтения: Международная молодёжная научная конференция, посвященная 1000-летию города Казани: Материалы конференции. Казань, 2005. - С. 82-84.

Катасёв А.С., Кривилёв М.А. Методы и программный комплекс принятия решений, оперативного выявления и предупреждения аварийных ситуаций // Инфокоммуникационные технологии глобального информационного общества: Сб. трудов 3-й ежегодной международной научно-практической конференции. Казань, 2005. - С. 231-239.

Катасёв А.С., Кривилёв М.А. Интеллектуальный автоматизированный подход к формированию баз знаний в экспертных системах // Инфокоммуникационные технологии глобального информационного общества: Сб. трудов 3-й ежегодной международной научно-практической конференции. Казань, 2005. - С. 250-256.

Глова В.И., Аникин И.В., Катасёв А.С. Система предупреждения аварий оборудования в процессах поддержания пластового давления // Вестник Казанского государственного технического университета им. А.Н. Туполева, №2, 2006. - С. 46-49.

Катасёв А.С., Подольская М.А. Влияние числа входных параметров продукционных правил на качество обучения нечёткой нейронной сети при обработке медицинских данных // Инфокоммуникационные технологии глобального информационного общества: тез. докл. 4-й ежегодной междунар. научно-практ. конференции. Казань, 2006. - С. 81-84.

Кривилёв М.А., Катасёв А.С., Подольская М.А. Разработка и реализация нечёткой нейронной экспертной системы диагностики поясничного остеохондроза позвоночника // Инфокоммуникационные технологии глобального информационного общества: тез. докл. 4-й ежегодной междунар. научно-практич. конференции. Казань, 2006. - С. 85-86.

Подольская М.А., Катасёв А.С. Стандартизация этапов сбора и анализа информации при поясничном остеохондрозе позвоночника на основе нечётких нейронных сетей // Инфокоммуникационные технологии глобального информационного общества: тез. докл. 4-й ежегодной междунар. научно-практич. конференции. Казань, 2006. - С. 89-92.

Глова В.И., Подольская М.А., Катасёв А.С. Нечёткая нейронная модель поиска закономерностей распределения разнотипных данных на примере медицинских исследований // Инфокоммуникационные технологии глобального информационного общества: тез. докл. 4-й ежегодной междунар. научно-практич. конференции. Казань, 2006. - С. 103-106.

Размещено на Allbest.ru

...