НЕЙРОСЕТЕВЫЕ МОДУЛИ С ВИРТУАЛЬНЫМИ ПОТОКАМИ ДЛЯ КЛАССИФИКАЦИИ И ПРОГНОЗИРОВАНИЯ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ СЛОЖНЫХ СИСТЕМ

В статье рассмотрена проблема построения интеллектуальных систем поддержки принятия решений по классификации и прогнозированию функционального состояния сложных систем. Для прогнозирования состояния сложных систем предложены нейросетевые решающие модули с виртуальными потоками, которые отражают скрытые системные связи между наблюдаемыми и не наблюдаемыми признаками. При этом вектор информативных признаков на входе решающего модуля состоит из двух подвекторов, первый из которых соответствует реальным потокам, а второй - виртуальным потокам. Проведено имитационное моделирование процессов классификации с использованием латентных переменных, которое позволило оценить влияние на качество классификации искусственно введенных виртуальных потоков. Разработана структура нейросетевой модели с виртуальными потоками рекуррентного типа. Структура состоит из N последовательно включенных нейросетевых аппроксиматоров. Выходы предыдущих аппроксиматоров объединяются с вектором информативных признаков последующих аппроксиматоров, что позволяет формировать виртуальные потоки различной размерности. Разработан метод формирования нелинейных моделей виртуальных потоков, отличающийся использованием метода МГУА-моделирования для получения моделей влияния реальных потоков на виртуальные потоки, получаемых посредством нелинейных адалинов. Метод позволяет формировать подвектор латентных переменных неограниченной размерности. Нелинейные модели виртуальных потоков формируются посредством метода, основанного на использовании МГУА-моделирования. Метод позволяет получить нейросетевые структуры, построенные на основе МГУА-моделей и нелинейных адалинов, позволяющие формировать подвектор латентных переменных неограниченной размерности.

функциональное состояние сложных систем, нейросетевой решающий модуль, латентная переменная, аппроксиматоры, МГУА-модель, виртуальные потоки, functional state of complex systems, neural network decision module, latent variable, approximants, GMDH model, virtual flows

1. Филист С.А., Волков И.И., Емельянов С.Г. Метод классификации сложных объектов на основе анализа структурных функций медленных волн // Биомедицинская радиоэлектроника. 2012. №4. С.6-11.

2. Филист С.А., Томакова Р.А., Яа Зар До. Универсальные сетевые модели для задач классификации биомедицинских данных // Известия Юго-Западного государственного университета. 2012. № 4 (43). Ч. 2. С. 44-50.

3. Использование гибридных нейросетевых моделей для многоагентных систем классификации в гетерогенном пространстве информативных признаков / С.А. Филист, А.Г. Курочкин, В.В. Жилин [и др.] // Прикаспийский журнал: управление и высокие технологии. Научно-технический журнал. 2015. № 3 (31). C.85-95.

4. Синтез дополнительного информативного признака для нейронной сети прямого распространения / А.О. Позин, С.А. Филист, А.Н. Шуткин [и др.] // Новые решения в области упрочняющих технологий: взгляд молодых специалистов: сборник научных статей по материалам Международной научно-практической конференции. Курск, 2016. С. 212-217.

5. Позин А.О., Филист С.А., Шуткин А.Н. Тестирующие гибридные системы с дополнительным пространством информативных признаков // Современные информационные технологии в управлении качеством: сборник статей V Международной научно-прикладной конференции. Пенза: Приволжский Дом знаний, 2016. С.46-50.

6. Теория проектирования нечетких сетевых экспертных систем для управления медико-экологической безопасностью / Н.А. Кореневский, С.А. Филист, А.Б. Красковский [и др.] // Научные ведомости Белгородского государственного университета. Серия: История. Политология. Экономика. Информатика. 2009. № 9-1 (64). Т. 11. С.146-151.

7. Леоненков А.В. Нечеткое моделирование в среде Matlab и fuzzyTECH. СПб.: БХВ - Петербург, 2005. 736 с.

8. Шуткин А.Н., Позин А.О., Филист С.А. Адаптируемые к структуре данных классификаторы в задачах прогнозирования профессиональных заболеваний // Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века: сб. ст. по материалам Второй Всерос. науч.-практ. конф. Пермь, 2017. С.161-164.

9. Старцев Е.А., Шаталова О.В., Уварова В.В. Двумерные нейросетевые структуры мета-анализа медико-экологических данных // Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века: сб. ст. по материалам Всерос. науч.-практ. конф. Пермь, 2016. С.161-164.

10. Позин А.О., Старцев Е.А., Уварова В.В. МГУА-нейронные сети для прогнозирования состояния сложных систем с временными лагами // Нейроинформатика, ее приложения и анализ данных: материалы XXIV Всероссийского семинара. Красноярск: Институт вычислительного моделирования СО РАН, 2016. С. 50-55.

11. Артеменко М.В., Калугинa Н.М., Шуткин А.Н. Формирование множества информативных показателей на основании аппроксимирующего полинома Колмогорова-Габора и максимального градиента функциональных различий // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016. №1(18). C.116-123.

12. Хайкин С. Нейронные сети: полный курс: [пер. с англ.]. 2-е изд., испр. М.: ООО «И.Д. Вильямс», 2006. 1104 с.

13. Мохаммед А.А., Филист С.А., Шаталова О.В. Моделирование импеданса биоматериалов в среде MATLAB // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2013. № 4. С. 73-78.

14. Томакова Р.А., Шаталова О.В., Томаков М.В. Теоретико-множественный подход и теория графов в обработке сложноструктурируемых изображений : монография. Курск, 2012. 119 с.

15. Способ моделирования нечетких моделей в пакете MATLAB для биомедицинских приложений / В.В. Жилин, С.А. Филист, Халед Абдул Рахим, О.В. Шаталова // Медицинская техника. 2008. №2. С. 15-17.