Выводы третьего раздела
1. Для прогнозирования состояния сложных систем предложены нейронные сети с виртуальными потоками, которые отражают скрытые системные связи между информативными признаками гетерогенного признакового пространства.
При этом вектор информативных признаков состоит из двух подвекторов, первый из которых соответствует реальным потокам, а второй - виртуальным потокам.2. Разработана программная среда, позволяющая осуществлять моделирование процессов классификации и оценивать влияние на качество классификации искусственно введенных виртуальных потоков.
3. Разработана модель универсального нейросетевого аппроксиматора, отличающаяся тем, что каждый нейросетевой модуль в ней, кроме первого и последнего, является не только анализатором латентного параметра X, но источником данных для настройки параметров (обучения) последующего модуля. При этом в обучающую выборку для аппроксиматоров входят не только экспериментальные данные, полученные на соответствующем интервале наблюдения, но и данные, полученные в результате имитационного моделирования на предшествующем нейросетевом аппроксиматоре.
4. Путем использования МГУА-моделирования получены нелинейные модели виртуальных потоков для гетерогенных классификаторов, позволяющие формировать подвектор латентных переменных неограниченной размерности.
5. В качестве дополнительного пространства информативных признаков
при прогнозировании повторного ИМ в реабилитационном периоде предложено использовать показатели электропроводности биологически активных точек, полученные при взаимодействии на биоматериал серией импульсов возрастающего напряжения, «реакции ответов» на которые используются в качестве дополнительных тестов риска повторного ИМ.
6. Для формирования виртуальных потоков в «слабых» классификаторах, построенных на основе биоимпедансных исследований, предложено использовать настраиваемые однопараметровые экспоненциальные модели с решающими правилами, позволяющими осуществлять переход от абсолютной шкалы к порядковой шкале оценки результатов тестирования.
7. Предложены две виртуальные модели классификации риска повторного ИМ. Первая модель является моделью индивидуального риска и построена на основе полиномиальной аппроксимации вольтамперных характеристик в биоактивных точках с последующим нечетким логическим выводом. Вторая модель является моделью группового риска и использует экспоненциальную аппроксимации коэффициента уверенности в риске повторного инфаркта миокарда с последующей его агрегацией посредством нейронной сети и включает три блока. В первом блоке осуществляется нормирование данных относительно контрольных значений тестовых сигналов, во втором блоке строится модель по «сырым» данным на основе статистических исследований в виде аппроксимирующих полиномов, а в третьем блоке реализуется нейросетевая модель «слабого» классификатора, построенная на (n + 1) входных данных. Классификаторы строятся для каждой релевантной БАТ с последующей агрегацией на основе нечёткого логического вывода или нейросетевых моделей.
4
Еще по теме Выводы третьего раздела:
- Выводы:
- Раздел 4. Методы обследования онкологических больных и принципы диагностики злокачественных новообразований
- Оглавление
- Выводы второго раздела
- 3.4 Выводы третьего раздела
- Выводы четвертого раздела
- Содержание
- Выводы третьего раздела
- Содержание
- Выводы второго раздела