Размещено на http://www.allbest.ru/

2

АВТОРЕФЕРАТ

диссертации на соискание ученой степени

кандидата технических наук

Информационная технология построения экспертной системы на основе нейросетевой модели и c распределенным вводом данных

05.25.05 - Информационные системы и процессы,

правовые аспекты информатики

Неудахин Александр Викторович

Тамбов - 2009

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования "Тамбовский государственный университет имени Г.Р. Державина"

Научный руководитель: доктор технических наук, профессор Арзамасцев Александр Анатольевич

Официальные оппоненты: доктор технических наук, профессор Кудинов Юрий Иванович

доктор технических наук, профессор Зайцев Александр Владимирович

Ведущая организация: ГОУ ВПО "Воронежский государственный университет".

Защита состоится "25" декабря 2009 г. в 15.00 часов на заседании диссертационного совета Д 212.260.05 при ГОУ ВПО "Тамбовский государственный технический университет" по адресу: 392000, г. Тамбов, ул. Советская, д.106, Большой актовый зал.

Отзыв на автореферат в двух экземплярах, заверенных гербовой печатью, просим направлять по адресу: 392000, г. Тамбов, ул. Советская, д.106, ТГТУ, ученому секретарю диссертационного совета Д 212.260.05 Селивановой З. М.

С диссертацией можно ознакомиться в научной библиотеке Тамбовского государственного технического университета.

Автореферат разослан "24" ноября 2009 года.

Ученый секретарь диссертационного совета, доктор технических наук, доцент Селиванова З.М.

Общая характеристика работы

Актуальность исследования. Необходимость в экспертных системах (ЭС), как в интеллектуальных помощниках, способных решать трудноформализуемые задачи, существует во многих сферах человеческой деятельности: промышленности, научных исследованиях, социальной и экономической областях.

В то же время, создание и эксплуатация таких систем, характеризуется в настоящее время рядом трудностей и ограничений:

высокой трудоемкостью процессов построения баз знаний ЭС, связанной с формализацией знаний экспертов и их машинным представлением, а в некоторых случаях невозможностью такой формализации вследствие большого количества невербальных данных, влияющих на оценку эксперта;

необходимостью привлечения дополнительного круга специалистов - инженеров по знаниям и разработки специализированного программного обеспечения или адаптации существующих ЭС под конкретные условия рассматриваемой предметной области;

преобладанием локального подхода к организации взаимодействия с ЭС, тогда как в настоящее время все большое распространение и доступность получают сетевые информационные системы, например, веб-ориентированные.

Таким образом, становится актуальной задача разработки новой информационной технологии, позволяющей устранить вышеуказанные трудности и ограничения, путем автоматизированного формирования базы знаний для конкретной предметной области на основе распределенного сетевого ввода данных.

Решение данной задачи возможно за счет использования в качестве системы представления знаний в ЭС моделей искусственных нейронных сетей (ИНС-моделей). Применение таких моделей позволит обеспечить автоматизированное формирование развивающейся (по мере поступления информации от источников) системы представления знаний, отличающейся высокой степенью адаптируемости к эмпирическим данным и существенной гибкостью за счет алгоритмов выбора начальной структуры ИНС и ее модификации.

Поскольку формирование развивающейся системы представления знаний ЭС предполагает ее совершенствование на основе постоянно поступающих новых данных от распределенных терминалов, в качестве одного из главных условий реализации данного класса ЭС является разработка системы сетевого доступа, позволяющей обеспечить передачу информации, а также управление ЭС посредством веб-интерфейса.

Преимуществами предлагаемых способов решения задачи разработки информационной технологии являются: отсутствие пространственных ограничений по взаимному расположению источников данных, самой ЭС и ее пользователей; независимость процедуры формирования базы знаний от области использования ЭС; автоматизированная генерация знаний.

Цель диссертационной работы. Повышение эффективности процесса построения ЭС путем разработки информационной технологии, предполагающей использование развивающейся системы представления знаний на базе ИНС-модели и системы распределенного сетевого ввода данных.

Для достижения поставленной цели необходимо решить следующие основные задачи:

- проанализировать индустрию ЭС: исследовать современные разработки и технологии построения, определить стратегии их совершенствования;

- построить концептуальную модель ЭС, позволяющую использовать развивающуюся систему представления знаний, основанную на ИНС-модели, посредством веб-интерфейса;

искусственная нейронная сеть экспертная система

- разработать информационную технологию построения ЭС на основе нейросетевых моделей и с распределенным вводом данных;

- создать аналитические модели для планирования процессов формирования развивающейся системы представления знаний ЭС, и соответствующую функциональную модель ее жизненного цикла;

- разработать специализированное программное обеспечение (ПО), позволяющее осуществлять построение, совершенствование и эксплуатацию ЭС с распределенным вводом данных и использующей нейросетевую модель знаний;

- провести апробацию ПО на примере создания ЭС для медицинских и социологических исследований.

Объект исследования - аналитическая и функциональная модели для обеспечения процессов разработки экспертных систем.

Предмет исследования - технология построения экспертной системы на основе нейросетевой модели и с распределенным вводом данных.

Научная новизна работы:

- разработана информационная технология построения экспертной системы, использующей нейросетевую модель знаний при распределенном вводе данных, отличающаяся способами организации первичного накопления информации и выбора начальной структуры ИНС-модели, основанными на соответствии числа степеней свободы модели и количества записей в базе данных (БД); технологическим приемом поэтапного совершенствования и модификации ИНС-модели на основе новых данных, поступающих с терминалов;

- предложены аналитические модели для планирования процессов формирования развивающейся системы представления знаний, на основе учета плотности поступления данных с терминалов;

- построена функциональная модель жизненного цикла ЭС, основанной на указанных принципах.

Положения, выносимые на защиту:

- информационная технология построения ЭС на основе нейросетевой модели и с распределенным вводом данных;

- аналитические модели для планирования процессов формирования развивающейся системы представления знаний;

- функциональная модель жизненного цикла указанной ЭС.

Практическая значимость проведенного диссертационного исследования заключается в разработке новой информационной технологии построения ЭС и специализированного программного комплекса, позволяющих повысить уровень адаптируемости ЭС к данным из различных предметных областей (например, медицины, социологии), а также достичь централизованности и оперативности процессов их построения, сопровождения и эксплуатации, упрощения процедуры формирования базы знаний за счет автоматизированного построения и обучения ИНС-моделей.

Реализация и внедрение результатов работы.

Представляемая работа проводилась в рамках научно-исследовательских работ "Разработка параллельных алгоритмов математического моделирования на основе нейросетевых методов и символьных вычислений" (Тамбов, 2009-2010 г. г.). Она также поддержана грантом "Фонда содействия развитию малых форм предприятий в научно-технической сфере" в рамках выполнения проекта "Разработка компьютерных систем для обеспечения наукоемких процессов" государственный контракт № 6379р /8845 от "31" октября 2008 г.

Практические результаты работы внедрены в производственный процесс ООО "КреоВектор" г. Тамбова, ООО "Гранит" г. Тамбова и в учебный процесс Тамбовского государственного университета им. Г.Р. Державина.

Публикация результатов. По результатам диссертации опубликовано 13 научных работ, из них 7 статей (4 статьи в изданиях из перечня ВАК для публикации научных результатов диссертаций на соискание ученой степени доктора и кандидата наук), 5 тезисов докладов в материалах Международных, Всероссийских и внутривузовских конференций, 1 свидетельство о государственной регистрации программы для ЭВМ.

Научная апробация работы. Основные результаты диссертационной работы представлялись и обсуждались на Всероссийской научно-методической конференции "Инновационные технологии обучения: проблемы и перспективы" (г. Липецк, 2008); XIV Международной открытой научной конференции "Современные проблемы информатизации в проектировании и информационных системах" (г. Воронеж, 2009); XIII Всероссийской научной конференции преподавателей и аспирантов "Державинские чтения" (г. Тамбов, 2008); XII Международной научно-практической конференции-выставки "Актуальные проблемы информатики и информационных технологий" (г. Тамбов, 2008); XIV Всероссийской научной конференции преподавателей и аспирантов "Державинские чтения" (г. Тамбов, 2009).

Структура и объем диссертации. Диссертация состоит из введения, трех глав, заключения, списка литературы (163 наименования), имеет объем 121 машинописную страницу без приложений, содержит 35 рисунков, 14 таблиц.

Содержание работы

Во введении обоснована актуальность темы диссертации, сформулированы цель и задачи исследования, охарактеризована научная новизна и практическая значимость результатов работы, приведены данные о внедрении и апробации этих результатов, выделены основные положения, выносимые на защиту, приведен краткий обзор содержания диссертации.

В первой главе "Анализ индустрии экспертных систем. Определение цели и постановка задач исследования" приведены основные характеристики областей применения ЭС и их классификация по типу решаемых задач. Представлены примеры существующих разработок ЭС и достигнутые с помощью их применения результаты. Обоснованы позиции практической эффективности использования ЭС и тенденции их дальнейшего развития.

Рассмотрена структура типичных ЭС, основанных на моделях знаний, представленных в символо-логическом виде. Описаны характеристики и функциональные возможности компонентов таких ЭС. Выделены режимы функционирования и круг специалистов, привлекаемых для их построения. Приведены основы традиционной технологии построения ЭС. Охарактеризованы каждый из шести ее этапов (идентификация, концептуализация, формализация, выполнение, тестирование, эксплуатация).

В результате обзора существующих способов компьютерной реализации ЭС, охарактеризованы трудности и ограничения, возникающие при их использовании, такие как извлечение экспертных знаний и формализация их в символо-логическом виде, сложность адаптации к условиям различных предметных областей и т.д. Также проведена классификация средств компьютерной реализации ЭС по способу взаимодействия с пользователями, способам представления знаний экспертов и механизмам принятия решений. Таким образом, выделены классы систем, ориентированных на локальное взаимодействие (локальные ЭС) и систем, ориентированных на удаленное использование (веб-ориентированные ЭС). По сравнению с локальным подходом, веб-ориентированный обладает следующими преимуществами: простота и оперативность доступа, общедоступность, простота распространения и удобство сопровождения, эффективность и оперативность обновлений базы знаний, централизированность процессов сбора и обработки данных для всего контингента пользователей системы, снижение стоимости управления и модернизации ЭС. По способам представления знаний экспертов и механизмам принятия решений, существующие разработки обобщены в 3 класса систем: первый класс - это системы, использующие традиционную базу знаний, основанную на символо-логическом представлении знаний экспертов; второй класс - это системы, использующие математические модели и традиционные базы знаний; третий класс - это системы, использующие аппарат искусственных нейронных сетей для представления знаний экспертов. Определено, что из полученных в результате обобщения классов, наиболее приемлемым для использования является третий класс систем, так как обладает следующими отличительными характеристиками: инвариантность предметной области использования, самостоятельная система компьютерного представления знаний экспертов, прогностические свойства.

Вторая глава "Разработка информационной технологии построения экспертной системы на основе нейросетевой модели и с распределенным вводом данных" посвящена разработке информационной технологии построения ЭС, сочетающей в себе функциональные преимущества развивающейся системы представления знаний на основе ИНС-модели и распределенной сетевой системы ввода данных.

Здесь приводятся основы аппарата ИНС, являющегося базой для формирования самостоятельной системы представления знаний экспертов в нейросетевых ЭС. Отмечены различия в характере знаний, закладываемых (в формализованном виде) в традиционные ЭС, и знаний, генерируемых нейросетевой ЭС. Выделены основы реализации веб-ориентированных ЭС.

Для объединения функциональных преимуществ нейросетевых и веб-ориентированных ЭС разработана концептуальная модель веб-ориентированной нейросетевой экспертной системы (рис.1). Основными отличительными компонентами такой модели от традиционной являются: веб-интерфейс, позволяющий осуществлять распределенный ввод данных; база данных, используемая для долговременного хранения технической информации; развивающаяся система представления знаний экспертов, основанная на нейросетевой модели.

Согласно разработанной модели, решателем является построенная и обученная ИНС, генерирующая решение задачи на основе эмпирических данных, хранящихся в БД.

Рис. 1. Концептуальная модель веб-ориентированной нейросетевой ЭС

Для разработки информационной технологии построения ЭС, соответствующих предлагаемой концептуальной модели, выполнена математическая формализации задач накопления информации и построения на ее основе развивающихся систем представления знаний.

Основные принципы формализации. Пусть имеется распределенная система получения исходной информации, включающая N терминалов, каждый из которых предназначен для ввода n независимых параметров, имеющих m уровней каждый. Работа терминалов организована таким образом, что каждый из них работает лишь часть времени, так, что интервалы их простоя являются случайными величинами, заданными плотностями распределений p₁ (), p₂ (),., p_N (). Время ввода информации не зависит от номера терминала, но линейно зависит от n, т.е. _input = k₁n, где k₁ - некоторый коэффициент пропорциональности. Будем считать, что очередная доля информации добавляется к БД в виде одной записи, когда на i-м терминале (i = 1,., N) каждому независимому параметру x_j (j = 1,., n) присвоен соответствующий уровень l_b (b = 1,., m). Также учитывается, что передача информации с любого терминала в БД осуществляется мгновенно, т.к. это время на несколько порядков меньше времени, затрачиваемого пользователем на ввод информации.

Тогда среднее время одного цикла работы i-го терминала (ввод + ожидание следующего ввода информации), соответствующее добавлению в базу данных одной записи, может быть вычислено как: .

Поэтому за период времени T (например, T = 24 ч) на i-м терминале могут быть осуществлены r_i циклов ввода, соответствующие добавлению в базу данных r_i записей: . Необходимо отметить, что r_i является целым числом, полученным в результате округления в большую сторону полученного из уравнения значения. Соответственно, общее число записей информации в БД, полученное со всех терминалов за период T составит: .

Выполним оценку периода первичного накопления данных в БД, предшествующего первому обучению ИНС-модели.

В соответствии с теоремами А.Н. Колмогорова Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных// Докл. АН СССР. 1956.Т. 108, № 2.С. 179-182.

Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного// Докл. АН СССР. 1957.Т. 114, № 5.С. 953-956. (Цит. по книге: Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996). о представимости функций нескольких переменных с помощью суперпозиций и сумм функций одного переменного, можно утверждать, что каждая непрерывная функция n переменных (в ЭС n соответствует количеству вводимых независимых параметров), заданная на единичном кубе n-мерного пространства, представима в виде: , где функции непрерывны, а функции кроме того, еще и стандартны, т.е. не зависят от выбора функции f.

Фактически это означает, что "минимальная" структура ИНС-модели, позволяющая аппроксимировать функцию n переменных должна иметь следующий вид: входной слой, состоящий из n (n соответствует переменным функции) нейронов, первый скрытый слой, включающий (2n+1) n функциональных нейронов, второй скрытый слой, состоящий из (2n+1) функциональных нейронов, и выходной, суммирующий нейроны (рис.2). Указанная нейронная сеть не является полносвязанной и имеет (2n+1) n+ (2n+1) n+2n+1= (2n+1) ² связей (степеней свободы при обучении ИНС-модели).

Необходимо заметить, что теоремы А.Н. Колмогорова не несут никакой информации о типе нелинейности функций и h. Так, в системе знаний экспертной системы, базируемой на ИНС-модели, используется активационная функция и полносвязанная сеть - многослойный персептрон. Для этого случая число степеней свободы ИНС-модели будет (2n+1) (3n²+n+1). Учитывая, что число записей в БД должно быть не меньше, чем, число степеней свободы, получим оценку для первичного периода накопления данных:

,(1)

где K - параметр, характеризующий число степеней свободы: для ИНС-модели, построенной в соответствии с теоремой А.Н. Колмогорова и для полносвязанной ИНС-модели.

Процесс обучения модели знаний ЭС заключается в минимизации функционала вида:

(2)

Вектор w определяется структурой сети, которая, в свою очередь, связана с числом ее входов n (n соответствует числу нейронов входного слоя ИНС-модели) так, что имеется однозначное соответствие n и w. Поэтому вектор w^*, зависящий от структуры сети и минимизирующий функционал (2), соответствует оптимальной ИНС-модели и может быть определен как:

(3)

где - множество векторов весовых коэффициентов нейронов.

Минимизацию функционала (2) осуществляем двумя методами: градиентным, так что последующие значения вектора w вычисляются по формуле и методом сканирования. Для указанных методов оценки времени обучения могут быть получены следующим образом: и . Здесь k₂ и k₃ - коэффициенты, зависящие от технических характеристик используемого оборудования, - число разбиений диапазона изменения переменной.

Целью обучения ИНС-модели на основе эмпирических данных является нахождение подходящей структуры и коэффициентов ИНС, минимизирующих невязку (2). Указанная структура обобщает в себе знания, полученные на основе данных, поступивших с терминалов в БД.

Данные, используемые для обучения ИНС-модели, могут различаться как в количественном отношении (число записей в БД на момент начала обучения) так и в качественном (дисперсия, наличие ошибок и т.д.). Поэтому разработка аналитической модели обучения для различных объектов не позволяет использовать теоретические подходы. В качестве эмпирической модели обучения предлагается использовать следующее дифференциальное уравнение:

, с начальным условием: E (0) =E₀ (4)

где E (t), E₀ и E^* - значения приведенной среднеквадратичной погрешности, ее начального значения и уровня, на котором она будет зафиксирована в конце цикла обучения ИНС-модели; k_{4 -} параметр удельной скорости обучения, зависящий от n, объема обучающей выборки и используемого метода минимизации невязки (2); t - безразмерное время процесса обучения, полученное отнесением реального времени к времени первого цикла обучения t [t₁,t₂] (рис.3,4). Уравнение (4) отражает феноменологию процесса обучения: в начальный момент времени невязка равна E₀, и стремится к E^* в конце цикла обучения.

Рис.2. Представление функции n переменных в виде ИНС-модели

t

Рис.3. Корреляция эмпирических данных по среднеквадратичной погрешности обучения сети - E (треугольники) от времени обучения с результатами расчета по уравнению (5). На графике показаны приведенные безразмерные значения

Рис.4. Зависимость накопления первичной информации от безразмерного времени (верхняя часть рисунка): R - число записей в БД, полученных с терминалов; процесс обучения ИНС-модели (нижняя часть рисунка): Е - приведенная среднеквадратическая ошибка ИНС-модели, L - уровни ее обученности

Разделяя переменные в уравнении (4) и интегрируя, получим:

или

Определив постоянную интегрирования из начальных условий (4), получим решение в виде:

(5)

Предложенные аналитические модели (1), (5) на практике позволяют решить следующие задачи: оценить первичный период накопления информации, необходимой для построения ИНС-модели исследуемого объекта; определить начальную структуру ИНС-модели на основе входных характеристик объекта исследования; сделать оценку количества циклов обучения ИНС-модели в присутствии эксперта. Эти результаты позволили разработать функциональную модель жизненного цикла ЭС на основе ИНС и поддерживающей распределенный сетевой ввод данных (рис.5). Входом ЭС является запись из совокупности эмпирических данных предметной области, а выходом - номер (а) классов к которым она принадлежит.

Рис. 5. Функциональная модель жизненного цикла ЭС на основе нейросетевой модели и с распределенным вводом данных

Информационная технология построения ЭС на основе нейросетевой модели и с распределенным вводом данных, соответствующая функциональной модели ЭС (рис.5), заключается в последовательном выполнении следующих шагов:

- изучение объекта, для которого разрабатывается ЭС; выделение векторов входных характеристик и возможных выходных состояний данного объекта;

- накопление первичной информации об объекте в БД посредством распределенной сетевой системы сбора данных в течение периода, определяемого аналитической моделью (1);

- формирование первичной структуры ИНС-модели в соответствии с теоремой А.Н. Колмогорова и рис.2.;

- планирование поэтапного процесса обучения развивающейся ИНС-модели по предложенному уравнению (5); обучение ИНС-модели согласно предложенным аналитическим моделям;

- совершенствование ИНС-модели на основе вновь поступающих эмпирических данных, под контролем эксперта, который определяет законченность формирования системы представления знаний;

- эксплуатация ЭС (без эксперта).

На основе сравнения разработанной технологии с существующими аналогами выделены ее функциональные преимущества, заключающиеся в следующем: универсальность - применительно к различным предметным областям (без внесения конструктивных изменений в программное обеспечение); многопользовательский доступ к одному объекту исследования; автоматизация процесса проектирования базы знаний за счет конструктивных алгоритмов построения ИНС-модели; поддержка сетевых технологий взаимодействия.

Выявлены условия, при которых может быть осуществлено применение разработанной технологии, такие как: возможность формализовать начальную структуру объекта и закодировать примеры его диагностики в числовом виде; наличие эксперта, обладающего высоким профессиональным уровнем (выше уровня рядового специалиста), способного адекватно оценивать параметрические данные объекта; достаточная квалифицированность пользователей, имеющих опыт использования сервисов, предоставляемых консорциумом WWW.

В третьей главе диссертации "Практическая реализация информационной технологии построения экспертной системы на основе нейросетевой модели. Примеры использования" показана компьютерная реализация информационной технологии на основе разработки специализированного программного комплекса.

Здесь представлено описание программного комплекса, который представляет собой веб-ориентированную интерактивную систему, состоящую из двух подсистем: информационной и интеллектуальной. Структурная схема организации программного комплекса представлена на рис.6.

Основным назначением информационной подсистемы являются накопление, хранение, визуализация технической информации, а также обеспечение веб-ориентированного интерфейса. Компонентами подсистемы являются программно-логическое ядро, реализованное с помощью РНР-скриптов и серверная система управления базами данных MySQL, с помощью которой была разработана структура связанных между собой таблиц, каждая из которых хранит определенную техническую информацию.

Интеллектуальная подсистема предназначена для реализации процессов построения, обучения, модификации, эксплуатации ИНС-моделей, являющихся самостоятельными системами представления знаний в ЭС. Подсистема включает 4 основных компонента: блок мониторинга данных, который обеспечивает передачу входных и выходных данных, отслеживает поступление новой информации в базу данных; преобразователь, осуществляющий подготовку обучающей выборки для сети; конструктор, обеспечивающий автоматизированное построение и обучение интеллектуальной модели (ИНС) исследуемого объекта.

Рис.6. Структурная схема организации программного комплекса

Для апробации разработанного программного комплекса были построены три экспертные системы в двух предметных областях: медицинской и социологической.

Медицинская ЭС решала проблему общеклинического анализа крови по десяти показателям (уровень гемоглобина (г/л); скорость оседания эритроцитов (мм/ч); лейкоциты (109/л); эритроциты (1012/л); цветовой показатель; лейкоцитарная формула (5 составляющих)). Для построения модели знаний ЭС потребовалась обучающая выборка объемом в 350 примеров, при которой уровень погрешности ИНС модели достиг допустимого значения и стабилизировался, следовательно при этом ЭС стала пригодна для использования в режиме эксплуатации. Входными данными для ЭС были значения показателей крови, по рассчитанному ИНС-моделью выходному значению определялось состояние здоровья пациента (выходы: 1 - здоров, 2 - стационарное лечение, 3 - амбулаторное лечение, 4 - экстренная госпитализация (табл.1)).

Таким образом, получена структура ИНС-модели (рис.7), включающая 10 входных нейронов, 210 нейронов первого скрытого слоя, 21 нейрон второго скрытого слоя, один выходной суммирующий нейрон (в табл.2 представлен фрагмент массива значений весовых коэффициентов синаптических связей нейронов, полученного в результате обучения ИНС-модели).

Рис.7. Структурная схема ИНС-модели медицинской ЭС.

Таблица 1. Результаты тестирования медицинской ЭС

	x1	x2	x3	x4	x5	x6	x7	x8	x9	x10	y
1	134	5	5,4	4, 19	0,96	0	3	60	30	8	3
2	111	5	5,9	3,82	0,87	0	5	53	36	6	2
…	…	…	…	…	…	…	…	…	…	…	…
50	137	6	3,2	4,28	0,96	1	1	53	30	9	1

Таблица 2. Коэффициенты синаптических связей нейронов входного и первого скрытого слоев ИНС-модели медицинской ЭС

Номера нейронов	1	2	3	4	5	6	7	8	9	10	11	12	13	14	…	210
1	0,074	0,052	0,099	0,063	0,076	0,080	0,090	0,034	0,033	0,064	0,071	0,050	0,089	0,078	…	0,040
2	0,047	0,009	0,039	0,053	0,079	0,036	0,070	0,099	0,068	0,019	0,096	0,090	0,011	0,011	…	0,038
…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…
10	0,013	0,001	0,057	0,006	0,018	0,027	0,076	0,087	0,008	0,017	0,086	0,054	0,074	0,079	…	0,012

При тестировании ЭС на данных, являющихся результатами общеклинического анализа крови и не участвовавших в процессе построения ИНС-модели, правильно было распознано 70 % введенных данных, для 25 % была дана близкая классификация, в 5 % случаев система ошиблась. Указанные показатели позволяют сделать вывод о применимости разработанной ЭС в медицинских учреждениях в качестве интеллектуального помощника при проведении общеклинического анализа крови начинающими специалистами.

Результаты этого примера применения и других (для социологических исследований), приведенных в диссертации, позволяют сделать вывод о работоспособности программного комплекса, являющегося практической реализацией разработанной автоматизированной технологии.

В заключении приведены основные результаты выполненной диссертационной работы.

Основные результаты работы

В результате анализа индустрии ЭС исследованы существующие разработки и технологии построения ЭС, выделены их слабые и сильные стороны, выбраны способы модификации существующих разработок за счет использования развивающейся системы представления знаний на основе ИНС-модели и распределенного ввода данных.

На основе характерных свойств аппарата ИНС и систем распределенного ввода данных построена концептуальная модель ЭС, позволяющая использовать развивающуюся систему представления знаний, основанную на ИНС-модели, посредством веб-интерфейса.

Разработана информационная технология построения ЭС на основе нейросетевой модели и с распределенным вводом данных, позволяющая повысить эффективность разработки ЭС за счет автоматизированного формирования базы знаний, основанной на ИНС-модели, и использования распределенной сетевой системы сбора данных.

Предложены аналитические модели, позволяющие: оценить первичный период накопления информации, необходимой для построения ИНС-модели исследуемого объекта; определить начальную структуру ИНС-модели на основе входных характеристик объекта исследования; сделать оценку количества циклов обучения ИНС-модели в присутствии эксперта, что позволяет эффективно расходовать временные и трудовые ресурсы при разработке ЭС. На основе аналитических моделей разработана функциональная модель жизненного цикла ЭС, предполагающая развитие модели знаний ЭС на основе поступающих данных.

Разработано специализированное программное обеспечение, позволяющее осуществить построение, совершенствование и эксплуатацию ЭС, использующей нейросетевую модель знаний. Программное обеспечение представляет собой инструментальное средство создания экспертных систем посредством веб-интерфейса.

Осуществлена апробация программного комплекса на примере создания ЭС в медицинской и социологической областях, что позволило определить следующие показатели эффективности: для медицинской ЭС - 70 % правильно распознанных данных; для первой социологической ЭС - 72 % правильно распознанных данных; для второй социологической ЭС - 69 % правильно распознанных данных. Указанные показатели позволяют сделать вывод о возможности эффективного практического использования результатов проведенной диссертационной работы.

В приложениях приведены материалы, не вошедшие в основной текст диссертации, но имеющие значимость для проведенного исследования: листинг основных модулей программного комплекса; фрагменты записей медицинских дневников, использованных для составления обучающей выборки медицинской экспертной системы; анкеты для проведения социологических исследований; свидетельство о государственной регистрации программы для ЭВМ; договор на выполнение научно-исследовательских и опытно-конструкторских работ (на основе результатов конкурса У. М.Н.И. К.); акты о внедрении результатов работы.

Основные результаты диссертации опубликованы в работах

Статьи в журналах, рекомендованных ВАК для публикации результатов диссертации

1. Арзамасцев, А.А. Прогнозирование периодических временных рядов с помощью аппарата искусственных нейронных сетей / А.А. Арзамасцев, М.Н. Толмачева, С.Н. Толмачева, П.А. Азарова, А.В. Неудахин // Вестн. Тамб. ун-та. Сер. Естеств. и техн. науки. - Тамбов, 2005. - Т.10. - Вып.2. - С.184-186.

2. Арзамасцев, А.А. Автоматизированная технология построения экспертных систем с интеллектуальным ядром на основе ИНС-моделей / А.А. Арзамасцев, А.В. Неудахин, Н.А. Зенкова // Открытое образование. - Москва, 2008. - Вып.3 (68). - С.35-39.

3. Арзамасцев, А.А. Технология построения медицинской экспертной системы на основе аппарата искусственных нейронных сетей / А.А. Арзамасцев, Н.А. Зенкова, А.В. Неудахин // Информационные технологии. - Москва, 2009. - № 8. - С.60-63.

4. Неудахин, А.В. Построение нейросетевых экспертных систем с помощью автоматизированной технологии / А.В. Неудахин, А.А. Арзамасцев, Н.А. Зенкова // Вопросы современной науки и практики. Университет им.В.И. Вернадского. - Тамбов, 2009. - № 4 (18). - С.179-183.

Другие издания

5. Неудахин, А.В. Разработка сетевой тестирующей системы / А.В. Неудахин // Вестн. Тамб. ун-та. Сер. Естеств. и техн. науки. - Тамбов, 2007. - Т.12. - Вып.5. - С.640-645.

6. Арзамасцев, А.А. Автоматизированная технология построения экспертных информационных систем / А.А. Арзамасцев, А.В. Неудахин // Вестн. Тамб. ун-та. Сер. Естеств. и техн. науки. - Тамбов, 2008. - Т.13. - Вып.1. - С.83-85.

7. Арзамасцев, А.А. Методика разработки экспертных систем, использующих в качестве интеллектуального ядра ИНС-модели / А.А. Арзамасцев, А.В. Неудахин // Вестн. Тамб. ун-та. Сер. Естеств. и техн. науки. - Тамбов, 2008. - Т.13. - Вып.2-3. - С.219-222.

8. Арзамасцев, А.А. Использование методов математического моделирования и искусственного интеллекта для оценки деятельности научных работников / А.А. Арзамасцев, К.Г. Троич, Н.А. Зенкова, А.В. Неудахин // Вестн. Тамб. ун-та. Сер. Естеств. и техн. науки. - Тамбов, 2008. - Т.13. - Вып.4. - С.301-312.

9. Неудахин, А.В. Разработка и применение WEB-ориентированной системы удаленного тестирования / А.В. Неудахин // Инновационные технологии обучения: проблемы и перспективы сб. науч. тр. Всерос. науч. - метод. конф., Липецк, 29-30 марта 2008 г. - Липецк: ЛГПУ, 2008. - С.241-244.

10. Арзамасцев, А.А. Разработка автоматизированной технологии построения экспертных информационных систем / А.А. Арзамасцев, А.В. Неудахин, Н.А. Зенкова, М.С. Сергеева // Актуальные проблемы информатики и информационных технологий: сб. XII Междунар. науч. - практ. конф., Тамбов, 4-5 сент. 2008 г. - Тамбов: ТГУ им. Г.Р. Державина, 2008. - С.115-117.

11. Арзамасцев, А.А. Концептуальные основы проектирования экспертных систем / А.А. Арзамасцев, А.В. Неудахин // Вестн. Тамб. ун-та. Сер. Естеств. и техн. науки. - Тамбов, 2009. - Т.14. Вып.1.: сб. ХIII Всерос. науч. конф. преподавателей и аспирантов "Державинские чтения". - С.242-244.

12. Неудахин, А.В. Разработка автоматизированного программного комплекса для построения нейросетевых экспертных систем / А.В. Неудахин // Современные проблемы информатизации в проектировании и информационных системах: сб. тр. - Воронеж: Научная книга, 2009. - Вып.14. - С.518-519.

13. Свидетельство о государственной регистрации программы для ЭВМ 2009614144 Российская Федерация. Программа: оболочка для построения экспертных систем с интеллектуальным ядром на основе искусственных нейронных сетей / А.А. Арзамасцев, А.В. Неудахин, Н.А. Зенкова (RU); правообладатели А.А. Арзамасцев, А.В. Неудахин, Н.А. Зенкова. № 2009614144; заявл.11.06.09; зарегистрировано в реестре программ для ЭВМ 07.08.09. - 1 с.

Размещено на Allbest.ru

...