HYBRID DECIDING MODULES WITH VIRTUAL STREAMS FOR CLASSIFICATION AND PREDICTION OF FUNCTIONAL STATE OF COMPLEX SYSTEMS

The problem reviewed of building intelligent decision support systems for classification and prediction of the functional state of complex systems in the article. To predict the state of complex systems, hybrid decision modules with virtual flows are proposed, which reflect the hidden system connections between real and virtual data. The vector of informative features at the input of the hybrid decision module consists of two subsectors, the first of which corresponds to real flows, and the second - to virtual flows. Simulation modeling of classification processes using latent variables was performed, which allowed to evaluate the effect on the quality of classification of artificially introduced virtual flows. The structure of a neural network model with virtual recurrent-type streams is developed. The structure consists of N consecutively included neural network approximants. The outputs of the previous approximators are combined with the vector of in-formative attributes of the subsequent approximators, which allows forming virtual flows of different dimensions. A method is developed for the formation of non-linear models of virtual flows, characterized by the use of the GMDH-simulation method to obtain models of the influence of real flows on virtual flows, learned through nonlinear adalines. The method makes it possible to form a subvector of latent variables of unlimited dimension. Non-linear models of virtual flows are formed through a method based on the use of GMDH modeling. The method makes it possible to obtain neural network structures built on the basis of GMDH models and nonlinear adalines, which make it possible to form a subvector of latent variables of unlimited dimensionality.

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.