Выводы четвертого раздела

1. Для прогнозирования профессиональной пригодности работников экстремальных профессий предложены нейронные сети с виртуальными потоками, которые отражают скрытые системные связи между реальными и виртуальными потоками.

2. В среде МАТЛАБ разработана программная среда, позволяющая моделировать нейронные сети прямого распространения с различной структурой скрытых слоев, моделировать и визуализировать пространство информативных признаков. Моделирование процессов классификации в разработанной программной среде позволили оценить влияние на качество классификации искусственно введенных виртуальных потоков. Для оценки качества классификации гибридных решающих модулей с виртуальными потоками введен новый показатель качества классификации, позволяющий создавать эффективные «движки для управления показателями качества решающих модулей.

3. Разработан способ синтеза дополнительного признака для нейросетевого классификатора, построенного на основе нейронной сети прямого распространения, предусматривающий последовательное выполнение шести шагов, отличающийся контуром обратной связи, включающим последовательно соединенные вычитатель, компаратор, блок управления и сумматор, позволяющий получить на выходе сумматора дополнительный информативный признак, учитывающий скрытые системные связи между компонентами признакового пространства, присутствующими на входах нейронной сети.

4. Разработан алгоритм четвертого шага формирования виртуального потока, отличающаяся контуром обратной связи, предназначенным для

осуществления итерационного процесса формирования дополнительного информативного признака во входном векторе образца обучающей выборки, позволяющая сформировать новую обучающую выборку, векторы образцов которой имеют на одну компоненту больше, чем векторы образцов исходной обучающей выборки.

5. Разработана обобщенная рекуррентная структурная схема формирования гибридного вектора информативных признаков, который состоит из двух подвекторов, один из которых сформирован из исходных информативных признаков, а второй - из информативных признаков, полученных на основе моделирования системных связей меду информативными признаками первого подвектора, отличающаяся использованием для формирования второго подвектора как системных связей между исходным пространством информативных признаков, так и вновь сформированным признаковым пространством, позволяющая выделить релевантные системные связи в исходном пространстве информативных признаков и во вновь сформированном пространстве информативных признаков.

6. Разработан метод построения универсального нейросетевого аппроксиматора, отличающийся двумя скрытыми слоями, в первом из которых проводится разбиение обучающей выборки на кластеры посредством многомерных линейных аппроксиматров, а во втором скрытом слое вычисляется функция принадлежности к заданному кластеру на основе численного значения многомерной аппроксимирующей функции, позволяющий формировать виртуальные потоки различной размерности.

7. Разработан метод формирования нелинейных моделей виртуальных потоков, отличающийся использованием метода МГУА- моделирования для получения моделей влияния реальных потоков на виртуальные потоки, поучаемых посредством нелинейных адалинов, позволяющий формировать подвектор латентных переменных неограниченной размерности.

8. Предложена структура гибридной решающей системы с

виртуальными потоками, позволяющая выполнять прогнозирование профзаболеваний, отличающаяся учетом в ее структуре латентных информативных признаков (виртуальных потоков), определяемых на основе статистических и экспертных исследований связей между исходными информативными признаками, позволяющая агрегировать четкие и нечеткие решающие правила, обеспечивая требуемое качество принимаемых решений при разнородной и плохоформализуемой структуре классов, характерных для задач прогнозировании профессиональной пригодности работников экстремальных профессий.

9. Предложен алгоритм последовательной настройки гибридной прогнозирующей системы с виртуальными потоками, включающий в себя этапы выбора нечетких функций принадлежности, составление набора нечетких операций для агрегаторов, обучение нейронной сети, используемой в качестве дефуззификатора, контроль качества прогнозирования, выполняемого полученной системой.

5