Секция 4 - Нейросетевые технологии (1250001), страница 6
Текст из файла (страница 6)
2 представлены исходные регистрации переходного процесса, полученные в лаборатории «НПП ЭЛКАР» и результаты его аппроксимации моделью. Основной задачей являлось описание переходного процесса после открытия дроссельной заслонки, который характеризуется резким обеднением смеси (увеличением α). Найденные решения (рис.2) в силу наличия значительных случайных возмущений имели ограниченнуюточность. Однако экспериментальная проверка на двигателе показала, чтодаже в этом случае удалось добиться примерно 3-х кратного уменьшенияотклонения состава смеси в переходном процессе (табл.1).
Для более точного решения можно использовать дополнительную итерацию.1257Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»Рис.2. Исходные данные для идентификации модели и результаты описания переходного процесса с использованием оптимизационных процедур: желтая кривая — реальныйсостав смеси в цилиндре, фиолетовая кривая — модельный состав смеси.Таблица1.Результаты проверки оптимизации параметров модели на двигателе.Значения максимального обеднения состава смеси по каждому отдельному увеличению нагрузкиувеличения наΙVΙΙΙΙΙΙЦиклыгрузкиαmax до коррекцииαmax после коррекции1.091.031.091.031.091.021.071.032.
Нейронный корректорВ качестве следующей задачи была принята разработка самообучающейся модели динамического корректора топливоподачи на основе искусственной нейронной сети (ИНС) [2]. Корректор имел четыре входа(цикловое наполнение, частота вращения и их изменение за цикл) и одинвыход, т. е. управлял непосредственно подачей добавочного топлива. Данная задача решалась с использованием только расчетного эксперимента наоснове исходных регистраций процессов на двигателе.1258Секция 4. Нейро-сетевые технологииКак видно из результатов, показанных на рис. 4, в исходном варианте при работе без корректора наблюдаются значительные отклонение состава смеси при открытии и закрытии дроссельной заслонки.
После обучения нейронный корректор обеспечивал высокое постоянство состава смеси.GTC∆GTCРис. 3. Структурная схема динамического нейронного корректора топливоподачи.1259Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»Рис.4. Результаты обучения нейронного корректора (где GBC — цикловое наполнение воздухом двигателя, GTC и GTC_corr — цикловые подачи топлива без и скоррекцией соответственно, n — частота вращения двигателя, ALFA —состав смеси вцилиндре до (синий) и после коррекции (черный)).2.
Аппроксимация параметра двигателя с помощью ИНСДля того, чтобы отработать методику построения параметров корректоров в широком поле режимов по относительно малому числу опытовбыли опробованы процедуры аппроксимации результатов настроек на отдельных режимах. Пример решения такой задачи показан на рис. 5.Опыты подтвердили возможность быстрой аппроксимации данных сдостаточно высокой точностью. Среднеквадратичное отклонение на 21точке не превышало 0.0286. Проверка погрешности прогнозирования непроводилась из-за отсутствия дополнительных экспериментальных данных.1260Секция 4. Нейро-сетевые технологииРис. 5 Аппроксимация с помощью ИНС одного из параметров управления двигателем вполе нагрузочно — скоростных режимов.Литература1.
Egorov I. N., Kretinin G. V., Pugayko A. N., Havtorin S. V., Chernyak B. Ja.Fast method of experimental calibrating of microprocessor control system //The European automotive industry meets the challenges of the year 2000. 5thInternational Congress.— Strasbourg, 21–23 June 1995.2. Сигеру Омату, Марзуки Халид, Рубия Юсоф. Нейроуправление и егоприложения. Нейрокомпьютеры и их применение (Книга 2): пер. с англ.Н. В. Батина, под ред. д. т. н. проф. А. И. Галушкина и д. т. н. проф.В. А. Птичкина.— М.: ИПРЖР, 2000.— 271 с.1261Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»УДК 519.7ИСПОЛЬЗОВАНИЕ ПАКЕТА NEURAL NETWORKTOOLBOX СРЕДЫ MATLAB ДЛЯ ДИАГНОСТИКИГЕПАТИТА У ХИРУРГИЧЕСКИХ БОЛЬНЫХАртюхин В.
В., Соломаха А. А., Горбаченко В. И.Пензенский государственный педагогический университет, Пенза,Областная клиническая больница им. Н. Н. Бурденко, Пенза,Пензенский государственный педагогический университет, Пенза,e-mail:Scar@sura.ru, gorvi@mail.ru1. ВведениеАктуальность ранней диагностики заболеваний, вызывающих анемию и повышающих риск неблагоприятных послеоперационных исходов,остается до сих пор нерешенной задачей [1]. Использование современныхметодов восполнения кровопотери: аутогемотрансфузии, аппаратной реинфузии крови, стимуляторов эритропоэза, имеет ограничение в клинической хирургии. Так, широкое применение аутогемотрансфузии невозможно из-за того, что имеют место наблюдения, когда в клинической практикеу больных предоперационная заготовка аутокрови усугубляет течениеанемии.
Аппаратная реинфузия крови не может применяться в случаяхбактериального инфицирования крови, излившейся в полости организма,когда повреждены полые органы, а также при наличии нагноительных заболеваний легких, плевры, брюшины. Стимуляторы эритропоэза эффективны при низком эндогенном уровне эритропоэтина в крови больных.Однако клинический эффект длителен и составляет 2–3 недели, в то жевремя тяжелую анемию они способны скомпенсировать неадекватно передвыполнением оперативного вмешательства. Стимуляторы эритропоэза успешно применяются у больных, находящихся на программном гемодиализе с хронической почечной недостаточностью [2]. Известно, что вызыватьанемию могут сопутствующие основному заболевания, например вирусные гепатиты.Для проведения адекватной компенсации анемии важна ранняя диагностика сопутствующей патологии, повышающей риск ее возникновения [3].Известные методы лабораторной диагностики: иммуноферментныйанализ (ИФА) и полимеразно-цепная реакция (ПЦР) являются достоверными в диагностике вирусного гепатита [4].
Однако они редко применяются у больных с анемией без клинического проявления и жалоб больного назаболевания печени. ИФА и ПЦР являются дорогостоящими методами.Поэтому они не могут быть первыми для проведения скрининга.1262Секция 4. Нейро-сетевые технологииПерспективным направлением является формализация задач медицинской диагностики, в частности, применение статистических и нейросетевых методов. Применение методов статистического анализа в рассматриваемой области ограничивается нечеткой трактовкой моделей нормы,адаптации и патологии [5].
Наиболее универсальным инструментом диагностики являются нейронные сети [6].Целью работы является исследование нейронных сетей, позволяющих эффективно распознавать лабораторную характеристику вирусногогепатита с целью его скрининга, без привлечения дорогостоящих методовИФА и ПЦР.2. Выбор и подготовка исходных данныхС целью решения поставленной задачи сформированы две группынаблюдений: обучающая и контрольная. В качестве исходных данных использовались 7 параметров, которые характеризуют наличие гепатита упациента: скорость оседания эритроцитов, общий белок, билирубин, аспартатамино-трансфераза, аланинамино-трансфераза, щелочная фосфатаза,тимоловая проба.
Первую группу наблюдений составили 150 здоровых доноров отделения переливания крови, вторую — 150 больных вируснымигепатитами B и C в фазе репликации отделения гепатологии [7]. Таким образом, обучающая и контрольная выборки были составлены из 150 клинических наблюдений: по 75 доноров и пациентов отделения гепатологии.Исходные данные представлялись и предварительно анализировались в электронных таблицах Excel. Обучающее множество подвергалосьстатистической обработке, исключались выбросы, отсутствующие анализызаменялись средними значениями. Нейронные сети моделировались в системе MATLAB, в которую таблицы исходных данных импортировались спомощью функции xlsread.Результаты анализов представляют собой числа, резко различающиеся для разных видов анализов.
Исходные данные приводились к интервалу [–1 1]. Для этого обучающее множество масштабировалось с использованием функции premnmx, все другие входные данные сетей масштабировались с помощью функции tramnmx [8, 9].3. Выбор архитектуры сетиПри построении нейронной сети важно выбрать тип сети, число слоев и число нейронов в каждом слое, размер обучающей выборки. До сихпор не существует аналитических методов выбора параметров нейронныхсетей.
Выбор архитектуры сети производится на основе опыта и экспериментов. Известны [10, 11] рекомендации по выбору архитектуры сети дляаппроксимации функций. Для задач классификации, к которым относится1263Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»рассматриваемая задача, такие рекомендации отсутствуют. Экспериментыс сетями различной архитектуры показали, что для решения рассматриваемой задачи достаточно персептрона.В экспериментах использовался персептрон с 7 входами, с симметричной ступенчатой функцией активации hardlims и функцией адаптацииadapt [8, 9].Так как выход сети изменяется в диапазоне [–1 1], то необходимопринять правила интерпретации результатов.4.
Результаты экспериментовЭксперименты показали, что для обучения персептрона потребовалось 5 проходов (passes). При этом на контрольной выборке обученныйперсептрон дает погрешность 4,67 %.ЗаключениеДиагностика вирусного гепатита может успешно проводиться с помощью созданной нейронной сети. Применение этой технологии целесообразно для улучшения исходов оперативного лечения. Предлагаемая методика рекомендуется при проведении скрининга гепатита в хирургии.Литература1. Соломаха А. А. Исследования лабораторных показателей крови доноров// Вестник службы крови России.— 2003.— № 3.— С.23–25.2. Соломаха А. А., Хрусталева Е. В. Компенсация анемии эритропоэтиномв клинической трансфузиологии и нефрологии // Бескровная хирургия /Под ред. Ю.
В. Таричко.— М.: Центр образовательной литературы.2003.— С.40–41.3. Соломаха А. А. Опыт работы трансфузиологической службы многопрофильной хирургической клиники г. Пенза // Новое в трансфузиологии.Вып. 35.— М., 2003.— С.74–77.4. Соломаха А. А., Ледванов М. Ю., Егорова Е. В. Организация генотипирования вирусного гепатита С в службе крови многопрофильной больницы // Клиническая лабораторная диагностика.— 2003.— №9.— С.34.5. Славин М. Б. Методы системного анализа в медицинских исследованиях.— М.: Медицина, 1989.— 304 с.6. Горбань А.
Н., Россиев Д. А. Нейронные сети на персональном компьютере.— Новосибирск: Наука, 1996.— 276 с.7. Соломаха А. А., Емелина Л. А., Артюхин В. В. Метод дифференциальнойдиагностики вирусного гепатита в учреждениях службы крови и эндоэкологическое прогнозирование // III Всероссийская науч.-практ. конф.«Экология и ресурсоэнергосберегающие технологии на предприятиях1264Секция 4. Нейро-сетевые технологиинародного хозяйства»: Сб. материалов.— 16–17 октября 2003.— С.164–166.8.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
