Введение
ГЛАВА 1. Технологии нечеткой логики принятия прешении и нейронных сетей для прогнозирования результатов элиминации конкремента 11
1.1. Особенности метода дистанционной ударно-волновой литотрипсии при лечении мочекаменной болезни 11
1.2. Методы диагностики заболеваний и прогнозирования результатов терапии 17
1.2.1. Методики, основанные на применении аппарата нейронных сетей. 17
1.2.2. Формализация экспертных оценок с помощью алгоритмов нечеткого логического вывода 26
1.2.3. Генетические алгоритмы как средство настройки нечетких систем 32
1.3. Особенности применения нечетких нейронных сетей 34
1.4. Цели и задачи исследования 40
ГЛАВА 2. Синтез признакового пространства для системы прогнозирования результатов дистанционной ударно-волновой литотрипсии 43
2.1. Выявление исходного набора информативных признаков 43
2.1.1. Исследование предметной области и существующего экспертного опыта 43
2.1.2. Структурирование признакового пространства 51
2.2. Анализ взаимного распределения выбранных признаков 53
2.3. Построение нечетких функций принадлежности 55
2.3.1. Способ построения нечетких функций принадлежности 55
2.3.2. Функции принадлежности для группы признаков предварительной оценки состояния пациента 57
2.3.3. Функции принадлежности для группы признаков оценки конкремента 61
2.3.4. Функции принадлежности для группы признаков рисков проведения литотрипсии 64
2.4. Выводы второй главы 67
ГЛАВА 3. Структура гибридной решающей системы для прогнозирования результатов элиминации конкрементов .68
3.1. Структура гибридной прогнозирующей системы 68
3.2. Построение структуры агрегаторов подсистемы нечеткого логического вывода 73
3.3. Способ дефуззификации нечетких коэффициентов уверенности с использованием нейронной сети 84
3.4. Выводы третьей главы 86
ГЛАВА 4. Экспериментальные исследования средства прогнозирования терапевтических результатов дистанционной ударно-волновой литотрипсии 88
4.1. Автоматизированная программная среда для выполнения прогнозирования . 88
4.1.1. Модуль ввода и корректировки исходных данных «GuiData» 88
4.1.2. Модуль анализа взаимного распределения классов «GuiGraf» 89
4.1.3. Модуль настройки нечетких функций принадлежности «GuiFuzzyFun» 90
4.1.4. Модуль синтеза структуры агрегаторов «GuiAgreg» 91
4.1.5. Модуль выполнения прогнозирования «GuiNet» 92
4.1.6. Структура представления данных в модуле Neurowork 93
4.2. Сравнение эффективности работы существующих методов прогнозирования с построенной гибридной системой 95
4.2.1. Прогнозирование с использованием многослойной нейронной сети, прошедшей обучение на исходных данных 95
4.2.2. Построение нечеткого логического вывода на основе анализа экспертных оценок 100
4 4.2.3. Прогнозирование с использованием спроектированной гибридной
системы 103
4.3. Выводы четвертой главы 107
Заключение 109
Библиографический список 111
