Прогнозирования в эпизоотологии

Наибольший интерес для практического здравоохранения представляют нейросетевые системы для диагностики и дифференциальной диагностики заболеваний. При этом для принятия решений используются самые разнообразные данные - анамнез, клинический осмотр, результаты лабораторных тестов и сложных функциональных методов. Список областей медицины, в которых начали применяться новые технологии, чрезвычайно обширен и продолжает расти.

Основой работы самообучающихся нейропрограмм является нейронная сеть. Под искусственной нейронной сетью понимается некоторое вычислительное устройство обработки информации, состоящее из большого числа параллельно работающих простых процессорных элементов - нейронов, связанных между собой линиями передачи информации - синапсами или связями. Именно структурные аналоги с устройством реального мозга и наличие процесса адаптации (обучения), дали нейроинформатике названия, основные идеи и термины, которых, заимствованы из нейробиологии и нейрофизики.

Нейросеть, так же как и ее биологический аналог, обеспечивает результат не за счет работы только одного нейрона, а посредством передачи информации между их множеством. Структурные взаимосвязи между нейронами в нейрокомпьютере или нейропрограмме аналогичны таковым в биологических объектах. Несколько нейронов, связанных между собой определенным образом, образуют сеть, и в зависимости от способов их соединения рассматривают различные архитектуры нейронных сетей. По архитектуре связей искусственные нейронные сети группируются в два класса: сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети, или сети с обратными связями. Существует огромное количество способов соединения нейронов, растущее с увеличением числа нейронов в сети.

Отличительной особенностью нейронных сетей от обычных алгоритмов вычисления является способность к обучению. Обучение сети заключается в коррекции весов синапсов, что выражается способностью нейронной сети, получающей на входе некоторый сигнал, становится способной выдавать на выходе определенный ответ, который зависит от весовых коэффициентов всех нейронов и от самого сигнала. Более того, обученная таким образом нейронная сеть, далее способна решать примеры не входящие в обучающую выборку.

Анализ публикаций о нейронных сетях свидетельствует, о распространении и внедрении нейросетевых технологи в медицине и перспективах развития медицинской нейроинформатики.

2.4.3.2. Методика использования нейросетевых программ

Прогнозирование заболеваемости инфекционными болезнями животных можно провести, пользуясь в том числе программой NeuroPro различных версий. Программа представляет собой менеджер обучаемых искусственных нейронных сетей, работающий в среде MS Windows 95 или Windows NT4.0 и позволяющий проводить следующие базовые операции:

1. Создание нейропроекта;

2. Подключение к нейропроекту файла (базы) данных в формате dbf (dBase, FoxBASE, FoxPro, Clipper) или db (Paradoх);

3. Редактирование файла данных - изменение существующих значений и добавление новых записей в базу данных; сохранение файла данных в другом формате;

4. Добавление в проект нейронной сети слоистой архитектуры с числом слоев нейронов от 1 до 10, числом нейронов в слое - до 100;

5. Обучение нейронной сети решению задачи прогнозирования или классификации. Нейронная сеть может одновременно решать как несколько задач прогнозирования (прогнозирование нескольких чисел), а также одновременно задач и прогнозирования, и классификации;

6. Тестирование нейронной сети на файле данных, получение статистической информации о точности решения задачи;

7. Вычисление показателей значимости входных сигналов сети, сохраните значений показателей значимости в текстовом файле на диске;

8. Упрощение нейронной сети;

9. Генерация и визуализация вербального описания сети, сохранение вербального описания в текстовом файле на диске;

10. Выбор алгоритма обучения, назначение требуемой точности прогноза, настройка нейронной сети.

При упрощении нейронной сети возможно выполнение следующих операций:

1. Сокращение сигналов нейронной сети, путем удаления входных

сигналов, наименее значимых для принятия сетью решения.

2. Сокращение числа нейронов путем удаления нейронов, наименее

значимых для принятия сетью решения.

3. Комплексное, равномерное упрощение нейронной' сетй. Для каждого

нейрона сети выполняется сокращение числа приходящих на него сигналов до максимально возможного числа, задаваемого пользователем.

4. Сокращение числа связей в нейронной сети путем удаления связей,

наименее значимых для принятия сетью решения.

5. Бинаризация связей в нейронной сети - приведение весов синапсов к

значениям -1 и 1 или значениям из более широкого набора выделенных

значений.

В программе реализованы сети слоистой архитектуры. В слоистой сети все нейроны сгруппированы в несколько слоев, нейроны внутри одного слоя могут работать параллельно. Каждый нейрон в слое принимает все входные сигналы нейронов предыдущего слоя, а его выходной сигнал рассылается всем нейрона следующего слоя. Каждый нейрон сети имеет адаптивный сумматор. Вычисляющий взвешенную сумму приходящих на нейрон сигналов, и следующий за ним нелинейный элемент. Веса адаптивных связей при создании сети принимают случайные значения и при обучении сети могут изменяться в диапазоне [-1,1]. В качестве нелинейного элемента нейрона используете нелинейный сигмоидный преобразователь f(A)~F/(c+/A/)>, где А - выход сумматора нейрона, а константа с - параметр крутизны сигмоиды. Число слоев в сети задается пользователем. Число нейронов в слоях может быть различным и не зависеть от числа входных и выходных сигналов сети.

Каждый входной сигнал сети подается всем нейронам первого слоя. В данной программе после нейронов выходного слоя строится слой адаптивных сумматоров с числом сумматоров, равных числу входных сигналов, и с этих сумматоров снимаются выходные сигналы сети. Перед подачей сети все входные сигналы нормируются в диапазон [-1, 1], а сигналы выходных сумматоров нормируются в диапазон истинных значений выходных сигналов.

Обучение нейронной сети проводится на задачнике - наборе векторов данных. В каждом векторе данных выделены сигналы, которые подаются сети, сигналы, которые требуется получить от сети при заданных входных сигналах. Обучение сети строится как минимизация некоторой функции невязки между ответом сети и требуемыми значениями. Минимизируется суммарная функция невязки (оценка) по всем векторам обучающего множества. Минимизация происходит путем такой подстройки обучаемых параметров сети, чтобы сеть выдавала выходные сигналы, наиболее близкие к требуемым. В программе обучение нейросети осуществляется посредством реализации нескольких методов оптимизации в т.ч. градиентный спуск, модифицированный РагТап метод, метод сопряженных градиентов и квазиньютоновский BFGS-метод, но при создании нейропроекта автоматически предлагается РагТап. Скорость обучения сети зависит от требуемой точности решения задачи, а также от алгоритмов обучения. В программе реализованы градиентные методы обучения, для которых градиент функции оценки по настраиваемым параметрам вычисляется по принципу двойственности. Успешность обучения нейросети зависит от двух факторов. Во-первых, задачник должен быть непротиворечив, т.е., в нем не должны присутствовать вектора данных, у которых одинаковые входные сигналы и разные выходные, нейронная сеть не может обучиться решению таких противоречивых задач, во-вторых число слоев и нейронов должно быть достаточно для решения задачи. Если нейронная сеть обучается решать исходную задачу, то можно попытаться упростить ее (и получить архитектуру, минимально необходимую для решения данной задачи), либо, при наличии каких - либо практических требований, создать нейронную сеть с меньшими размерами и учетом имеющихся требований.

Практическое применение нейросетей позволяет поставить создание ветеринарных экспертных систем на качественно иную основу. Прежде всего, самообучающиеся экспертные системы производятся очень быстро. При создании традиционных экспертных систем основное время затрачивается на разработку алгоритма, а сбор данных обычно занимает равное или меньшее время. При конструировании нейросетевых экспертных систем время на разработку фактически определяется длительностью сбора данных: обучение сети занимает минуты, в крайнем случае, часы машинного времени и не требует прямого вмешательства оператора. Кроме того, стартовое обучение может производиться уже на небольшом количестве данных, а их дальнейший сбор может продолжаться уже после создания системы во время ее эксплуатации с доучиванием. Это означает, что система никогда не является сделанной раз и навсегда - в процессе работы она может накапливать свой опыт. Помимо этого, нейросетевые системы могут создаваться непосредственно предметными специалистами, владеющими лишь пользовательскими навыками работы с персональными компьютерами. Это обеспечивается универсальностью предлагаемой архитектуры и метаалгоритмов обучения и функционирования нейросетей при работе с любыми задачами, решаемыми на основе опыта. К тому же, время выдачи ответа обученной нейросетью (с момента подачи ей условий задачи) исчисляется долями секунды, что позволяет применять нейротехнологии в системах, работающих в режиме реального времени и требующих практически мгновенного решения задачи.

Глава 3. Влияние природных факторов на эпизоотический процесс