2.3 Експертна система визначення терміну нанесення ушкоджень у судово-медичній діагностиці

Дана експертна система використовується для спектрофотометричної діагностики біотканин у судово-медичній експертизі. Перевага такого підходу до визначення терміну нанесення тілесних ушкоджень полягає в тому, що не використовуються руйнуючі (інвазивні) методи та суб'єктивні оцінки характеристик.

На основі даних спектрофотометричної комп'ютерної системи проводиться діагностика прижиттєвості нанесених травм у трупів та термін їх нанесення до смерті.

У перша версія системи (СЕД1) базувалась на логічних правилах і мала структуру, характерну для більшості традиційних ЕС, побудованих на правилах.

У наступній версії системи розглядалися більш складні задачі діагностики, зокрема, використання кольору в процесі діагностики. Вона була реалізована на основі апарату нечіткої логіки у вигляді окремої підсистеми, що дістала назву системи експертної неінвазивної оптичної діагностики (СЕНОД+). Ця підсистема виконувала ті самі функції, що й підсистема на основі логічних правил (СНЕД-1). Вибір підсистеми залежить від використання нечітких даних для визначення діагнозу.

3 Мета кваліфікаційної роботи

Метою кваліфікаційної роботи є розробити інформаційну систему, яка дозволить:

• проводити обстеження для виявлення значущих факторів ідентифікації інвалідності та виділення групи інвалідності в залежності від важкості хвороби;

• складати і використовувати базу правил рекомендацій для документації;

• накопичувати дані для подальшого статистичного аналізу.

Даний ПП, повинен містити:

• розмежування прав доступу;

• ведення електронної бази правил і рекомендацій для лікарів;

• ведення історії хворих;

• модуль визначення результатів обстежень;

• нагромадження даних для наступного статистичного аналізу.

4.Постановка задачі

Для реалізації мети кваліфікаційної були сформульовані наступні завдання:

• зробити аналіз предметної області й програм аналогів;

• вибрати засоби реалізації ПП;

• розробити програмну оболонку, що містить:

• розмежування прав доступу;

• ведення електронної бази правил і рекомендацій для лікарів;

• ведення історії хворих;

• модуль визначення результатів обстежень;

• нагромадження даних для наступного статистичного аналізу.

• зробити контрольне тестування й налагодження програми;

• підготувати необхідну документацію.

5. Модель системи

Штучні нейронні мережі (ШНМ) — математичні моделі, а також їхня програмна та апаратна реалізація, побудовані за принципом функціонування біологічних нейронних мереж — мереж нервових клітин живого організму. Системи, архітектура і принцип дії базується на аналогії змозкомживих істот. Ключовим елементом цих систем виступаєштучний нейроняк імітаційна модельнервової клітинимозку — біологічногонейрона. Цей термін виник при вивченні процесів, які відбуваються в мозку, та при спробі змоделювати ці процеси. Першою такою спробою були нейронні мережі Маккалока і Піттса. Як наслідок, після розробки алгоритмів навчання, отримані моделі стали використовуватися в практичних цілях: в задачах прогнозування, для розпізнавання образів, в задачах керування та інші.

ШНМ являють собою системуз'єднаних між собою простихпроцесорів(штучних нейронів), які взаємодіють. Такі процесори зазвичай достатньо прості, особливо в порівнянні з процесорами, що використовуються в персональних комп'ютерах. Кожен процесор схожої мережі має справу тільки з сигналами, які він періодично отримує, і сигналами, які він періодично посилає іншим процесорам. І тим не менш, будучи з'єднаними в досить велику мережу з керованою взаємодією, такі локально прості процесори разом здатні виконувати достатньо складні завдання. З точки зорумашинного навчання, нейронна мережа є окремим випадком методіврозпізнавання образів, дискримінантного аналізу,методів кластеризаціїтощо. З математичної точки зору, навчання нейронних мереж — це багатопараметрична задача нелінійної оптимізації. З точки зору кібернетики, нейронна мережа використовується в задачах адаптивного управління і як алгоритми дляробототехніки. З точки зору розвитку обчислювальної техніки та програмування, нейронна мережа — спосіб вирішення проблеми ефективного паралелізму . А з точки зору штучного інтелекту, ШНМ є основою філософської течії коннективізму і основним напрямком в структурному підході з вивчення можливості побудови (моделювання) природного інтелекту за допомогою комп'ютерних алгоритмів. Нейронні мережі не програмуються в звичайному розумінні цього слова, вони навчаються. Можливість навчання одна з головних переваг нейронних мереж перед традиційними алгоритмами. Технічно навчання полягає в знаходженні коефіцієнтів зв'язків між нейронами. У процесі навчання нейронна мережа здатна виявляти складні залежності між вхідними даними і вихідними, а також виконувати узагальнення. Це означає, що у разі успішного навчання мережа зможе повернути правильний результат на підставі даних, які були відсутні в навчальній вибірці, а також неповних та / або «зашумлених», частково перекручених даних.

Біологічна нейронна мережа складається з групи або декількох груп хімічно або функціонально пов'язаних нейронів. Один нейрон може бути пов'язаний з багатьма іншими нейронами, а загальна кількість нейронів та зв'язків між ними може бути дуже великою. Зв'язки, які називаються синапсами, як правило формуються відаксонівдо дендритів, хоча дендро-дендритичні мікросхем та інші зв'язки є можливими. Крім електричної передачі сигналів, також є інші форми передачі, які виникають з нейротрансмітерної(хімічний передавач імпульсів між нервовими клітинами) дифузії, і мають вплив на електричну передачу сигналів. Таким чином, нейронні мережі є надзвичайно складними.

Штучний інтелекті когнітивне моделювання намагаються імітувати деякі властивості біологічних нейронних мереж. Хоча аналогічні в своїх методах, перша має на меті вирішення конкретних завдань, а друга спрямована на створення математичних моделей біологічних нейронних систем.

У сфері штучного інтелекту, штучні нейронні мережі були успішно застосовані для розпізнавання мови, аналізу зображень та адаптивного управління, для того, щоб побудувати так званихпрограмних агентів(в комп'ютерних і відео ігор) абоавтономні роботи. На даний час, більшість розроблених штучних нейронних мереж для штучного інтелекту базуються настатистичних оцінках, класифікації оптимізації татеорії керування.

Сфера когнітивного моделювання включає в себе фізичне або математичне моделювання поведінки нейронних систем; від індивідуального нейроного рівня, через нейронний кластерний рівень до завершеного організму (наприклад, моделювання поведінки відповіді організму на подразники). Штучний інтелект, когнітивне моделювання і нейронні мережі є парадигмами обробки інформації натхненні системами біологічних нейроннів обробки інформації.

Класифікація за типом вхідної інформації[ред.•ред. код]

• Аналогові нейронні мережі (використовують інформацію у формі дійсних чисел);

• Двійкові нейронні мережі (оперують з інформацією, представленою в двійковому вигляді).

Класифікація за характером навчання[ред.•ред. код]

• Навчання з учителем— відомі вихідні результати нейронної мережі;

• Навчання без вчителя— нейронна мережа опрацьовує тільки вхідні дані та самостійно формує вихідні результати. Такі мережі називають самоорганізаційними;

• Навчання з підкріпленням— система призначення штрафів і заохочень від середовища.

Класифікація за характером налаштування синапсів[ред.•ред. код]

• Мережі з фіксованими зв'язками (вагові коефіцієнти нейронної мережі вибираються відразу, виходячи з умов завдання, при цьому: dW / dt = 0 , де W — вагові коефіцієнти мережі);

• Мережі з динамічними зв'язками (для них в процесі навчання відбувається налаштування синаптичних зв'язків, тобто dW / dt ≠ 0, де W — вагові коефіцієнти мережі).