Программное обеспечение интеллектуальной системы прогнозирования риска повторного инфаркта миокарда

Модульная схема программного обеспечения ИС прогнозирования ИМ показана на рисунке 4.11.

Рисунок 4.11 - Модульная схема программного обеспечения интеллектуальной системы прогнозирования повторного инфаркта миокарда

Для моделирования гетерогенных классификаторов в среде Matlab 2018b был разработан программный продукт, включающий в себя пять модулей, каждый из которых обеспечивает выполнение определенного этапа построения гетерогенных классификаторов.

Модуль ввода и корректировки исходных данных GuiData предназначен для работы с выборками обучающих и контрольных данных, которые будут использованы при проектировании интеллектуальной системы. Графический интерфейс указанного модуля представлен на рисунке 4.12.

Рисунок 4.12 - Графический интерфейс модуля «GuiData

Основными функциональными возможностями данного модуля являются:

- Импорт матрицы исходных данных любого класса из модуля формирования файла данных формата «txt». Для корректного выполнения импорта требуется, чтобы файл содержал только числовые значения, разделенные символом табуляции, и количество столбцов файла совпадало с текущим количеством признаков проектируемой модели.

- Визуальное отображение структуры данных каждого из классов для выбранного признака. Для построения графика используется встроенная

функция hist,принимающая в качестве параметров вектор значений выбранного признака для каждого объекта класса и количество интервалов, вычисляемое по формуле: 1 + 2 ∙ log к, где к - количество объектов текущего класса.

Модуль разведочного анализа « GuiGraf» предназначен для выполнения первоначального разведочного анализа распределения классов в двумерном подпространстве выбранных признаков.

Рисунок 4.13 - Графический интерфейс модуля «GuiGraf»

Основными функциональными возможностями данного модуля являются:

- Отображение обучающих или контрольных данных на двумерном графике, используя в качестве значений осей X и Y значения выбранных признаков для каждого объекта.

- Одновременное графическое отображение всех возможных комбинаций признаков для выполнения визуального сравнительного анализа взаимного распределения классов.

Модуль настройки функций принадлежности «GuiFuzzyFun» предназначен для определения вида и параметров функций принадлежности

для всех признаков каждого класса. Графический интерфейс указанного модуля представлен на рисунке 4.14.

Рисунок 4.14 - Графический интерфейс модуля «GuiFuzzyFun»

В ходе работы с данным модулем необходимо руководствуясь существующими экспертными оценками в данной области задать форму функций принадлежности объектов к тому или иному классу. Модуль реализует возможности как выбора одной функции принадлежности, так и комбинации двух различных функций. Вид и параметры возможных функций принадлежности, предлагаемых для выбора, рассмотрены в разделе 2.

Модуль синтеза структуры агрегаторов «GuiAgreg»предназначен для определения состава агрегаторов по каждому из классов, т.е. набора и порядка выполнения нечетких операций между построенными функциями принадлежности. Графический интерфейс указанного модуля представлен на рисунке 4.15.

На первом этапе работы с модулем необходимо задать список возможных нечетких операций для составления агрегаторов. В качестве нечетких операций могут фигурировать как набор импликаций нечеткой логики так и стандартные математические операции. Основным условием

является то, что результат выполнения нечеткой операции над двумя функциями принадлежности должен лежать в диапазоне [0...1].

Рисунок 4.15 - Графический интерфейс модуля «GuiAgreg»

После составления списка возможных операций выполняется автоматический подбор составов агрегаторов по каждому из классов. Подбор выполняется с использованием генетического алгоритма, выполняющего минимизацию количества ошибок классификации обучающих данных. Принцип работы используемого алгоритма рассмотрен в [97].

Модуль нейросетевого моделирования «GuiNet» предназначен для обучения нейронных сетей и контроля качества работы прогнозирующей системы. Графический интерфейс данного модуля показан на рисунке 4.16.

Основными возможностями модуля являются:

- Выполнение обучения нейронной сети по исходным данным.

- Выполнение контроля качества прогнозирования результатов для контрольной выборки.

- Выполнение прогнозирования результатов для обучающих и контрольных данных по результатам агрегирования функций

принадлежности на основании критерия максимального коэффициента уверенности среди всех значений агрегаторов.

- Выполнение прогнозирования с использованием спроектированных гетерогенных классификаторов.

Рисунок 4.16 - Графический интерфейс модуля «GuiNet»

Для реализации поэтапных вычислений в разработанной ИС для прогнозирования ПИМ реализовано хранение информации в специализированной структуре данных, представляющей собой массив ячеек (cell) [97]. Структура данных Data,содержащая результаты работы системы на каждом из этапов, представлена на рисунке 4.17.

Переменная Data имеет размерность [2x6] и содержит 12 поименованных ячеек. Ячейка Learn содержит исходные данные обучающей выборки, ячейка Cntrl содержит данные контрольной выборки. В переменных FunL и FunC хранятся выбранные пользователем вид и параметры функций принадлежности для каждого признака каждого класса. В ячейку Fuzzy заносятся вычисленные массивы нечетких числовых значений заданных функций принадлежности по каждому из признаков

Рисунок 4.17 - Структура данных, используемая в модуле формирования файлов данных

Переменные AgL и AgC предназначены для хранения коэффициентов уверенности, вычисленных на этапе построения групповых агрегаторов. Ячейки A_L и A_C соответственно содержат коэффициенты уверенности, полученные в результате вычисления значений итоговых агрегаторов. Ячейки NetL и NetC содержат значения выходов нейронной сети.

4.4