Вопрос 13. По лекциям

Вопрос 14. Нейросетевой модуль. Структура искусственного нейрона. Нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами. Нервные волокна способны передавать электрические импульсы между нейронами. Нейрон (нервная клетка) является особой биологической клеткой, которая обрабатывает информацию. Он состоит из тела и отростков нервных волокон двух типов – дендритов, по которым принимаются импульсы, и единственного аксона, по которому нейрон может передавать импульс (см. рис. 1). Тело нейрона (сома) включает ядро, которое содержит информацию о наследственных свойствах и плазму, обладающую необходимыми средствами для производства необходимых нейрону материалов. Нейрон получает сигналы (импульсы) от аксонов других нейронов через дендриты (приемники) и передает сигналы, сгенерированные телом клетки, вдоль своего аксона (передатчика), который в конце разветвляется на волокна. На окончаниях этих волокон находятся специальные образования – синапсы, которые влияют на силу импульса.

Рис. 1

Синапс является элементарной структурой и функциональным узлом между двумя нейронами (волокно аксона одного нейрона и дендрит другого). Когда импульс достигает синаптического окончания, высвобождаются определенные химические вещества, называемые нейротрансмиттерами. Нейротрансмиттеры диффундируют через синаптическую щель, возбуждая или затормаживая, в зависимости от типа синапса, способность нейроприемника генерировать электрические импульсы. Результативность синапса может настраиваться проходящими через него сигналами, так что синапсы могут обучаться в зависимости от активности процессов, в которых они участвуют. Эта зависимость от предыстории действует как память, которая, возможно, ответственна за память человека. Важно отметить, что веса синапсов могут изменяться со временем, что изменяет и поведение соответствующего нейрона.

Нервные импульсы через синаптические контакты с помощью дендритов достигают тела клетки, где они суммируются с другими сигналами. Если суммарный сигнал в течение короткого промежутка времени достигает определенного порогового значения, то клетка возбуждается и вырабатывает в аксоне импульс, который передается к следующим нейронам.

Итак, биологический нейрон состоит из трех основных элементов: сомы (тела клетки), аксона с синаптичскими разветвлениями и дендритов. Бионейроны в известной степени являются самостоятельными единицами, их протоплазма не переходит из одного нейрона в другой.

Такая, весьма упрощенная, схема функционирования биологического нейрона положена в основу структуры искусственного нейрона. Но она отражает главное в функционировании нервных сетей – процессы возбуждения и процессы торможения, внешне выражающиеся в изменении возбудимости клеток. Искусственный нейрон может рассматриваться как весьма приближенная имитация бионейрона, также содержащая три основных элемента: сумматор с преобразованиями входного сигнала (имитирует функцию тела клетки), синаптические связи с регулируемыми (настраиваемыми) «весами», передающие входные сигналы сумматору (являются аналогами дендритов с синапсами); выход сумматора с разветвлением сигналов (служит эквивалентом аксона с пресинаптическими окончаниями для связи с дендритами других бионейронов). Отметим ещё одну особенность бионейронов: нервные импульсы в них передаются только в одном, прямом, направлении – от тела клетки через аксон к другим нейронам.

Изложенная содержательная модель искусственного нейрона позволяет построить структурную модель искусственного нейрона (см. рис. 2).

Рис. 2

В этой модели можно выделить три основных элемента:

1. Набор синапсов, каждый их которых характеризуется своим весом (W). Так, сигнал Xi на входе синапса i умножается на вес Wi. В отличие от синапсов мозга синаптический вес искусственного нейрона может иметь как положительные, так и отрицательные значения.

2. Сумматор складывает входные сигналы, взвешенные относительно соответствующих синапсов нейрона. Эту комбинацию можно описать как линейную комбинацию.

3. Функция активации ограничивает амплитуду выходного сигнала нейрона. Эта функция называется также функцией сжатия.

В модель нейрона, показанную на рис. 2, включен пороговый элемент, который обозначен символом В. Эта величина отражает увеличение или уменьшение входного сигнала, подаваемого на функцию активации.

В математическом представлении функционирование нейрона можно описать следующей парой уравнений:

V = W1·X1 + W2·X2 + W3·X3 + … + Wm·Xm + B;

Y = F(V).

Архитектура искусственных нейронных сетей. Сегодня существует большое число различных конфигураций нейронных сетей с различными принципами функционирования, которые ориентированы на решение самых разных задач. В качестве примера рассмотрим многослойную полносвязанную нейронную сеть прямого распространения (рис. 3), которая широко используется для поиска закономерностей, классификации образов и, в частности, в диагностике. Полносвязанной нейронной сетью называется многослойная структура, в которой каждый нейрон произвольного слоя связан со всеми нейронами предыдущего слоя, а в случае первого слоя — со всеми входами нейронной сети. Прямое распространение сигнала означает, что такая нейронная сеть не содержит петель.

Рис. 3

В таких сетях входы нейронов следующего слоя являются выходами нейронов предыдущего слоя. Выходы нейронов каждого слоя рассчитываются как взвешенная сумма всех его входов с предыдущего слоя, к которым также применена функция активации.

Построенная искусственная нейронная сеть, является упрощенной аналогией биологических нервных сетей.

Обучение (настройка) искусственных нейронных сетей. С пособность к обучению является основным свойством мозга. Для искусственных нейронных сетей под обучением понимается процесс настройки архитектуры сети (структуры связей между нейронами) и весов синаптических связей (влияющих на сигналы коэффициентов) для эффективного решения поставленной задачи. Обычно обучение нейронной сети осуществляется на некоторой выборке. По мере процесса обучения, который происходит по соответствующему алгоритму, сеть должна все лучше и лучше (правильнее) реагировать на входные сигналы.

Выделяют три парадигмы обучения: с учителем, самообучение и смешанная. В первом способе известны правильные ответы к каждому входному примеру, а веса подстраиваются так, чтобы минимизировать ошибку. Обучение без учителя позволяет распределить образцы по категориям за счет раскрытия внутренней структуры и природы данных. При смешанном обучении комбинируются два вышеизложенных подхода.

Существует большое число алгоритмов обучения, ориентированных на решение разных задач. Среди них выделяет алгоритм обратного распространения ошибки, который является одним из наиболее успешных современных алгоритмов. Его основная идея заключается в том, что изменение весов синапсов происходит с учетом локального градиента функции ошибки. Разница между реальными и правильными ответами нейронной сети, определяемыми на выходном слое, распространяется в обратном направлении (рис. 4) - навстречу потоку сигналов. В итоге каждый нейрон способен определить вклад каждого своего веса в суммарную ошибку сети. Простейшее правило обучения состоит в том, что изменения синаптических весов берутся пропорционально их вкладу в общую ошибку.

Применение искусственных нейронных сетей в медицине и здравоохранении. Идеальный метод диагностики должен иметь стопроцентные чувствительность и специфичность - во-первых, не пропускать ни одного действительно больного человека и, во-вторых, не пугать здоровых людей. Чтобы застраховаться, можно и нужно стараться прежде всего обеспечить стопроцентную чувствительность метода - нельзя пропускать заболевание. Но это оборачивается, как правило, низкой специфичностью метода - у многих людей врачи подозревают заболевания, которыми на самом деле пациенты не страдают. Нейронные сети представляют собой системы, позволяющие гораздо лучше классифицировать данные, чем обычно используемые методы. В приложении к медицинской диагностике они дают возможность значительно повысить специфичность метода, не снижая его чувствительности.

Искусственные нейронные сети успешно применяются во многих направлениях медицины. Диагностика и лечение онкологических заболеваний, а также разработка новых медикаментозных средств несомненно представляют собой важнейшую область использования нейросетевых технологий. Известны применения нейросетей в обработке медицинских изображений, мониторинге состояния пациента, анализе эффективности лечения, очистке показаний приборов от шумов и т.д.

Вопрос 15. Данные – это отдельные факты, характеризующие объекты, процессы и явления в предметной области, а также их свойства.

Знания – это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области.

Экспертная система – это программа для компьютера, оперирующая с формализованными знаниями врачей-специалистов и имитирующая логику человеческого мышления, основанную на опыте и знаниях экспертов с целью выработки рекомендаций или решения проблем. Основные компоненты:

1. База знаний (БЗ) – это совокупность знаний предметной области, записанная на машинный носитель в форме, понятной пользователю и эксперту (является ядром экспертной или интеллектуальной системы).

2. Интерфейс пользователя – это комплекс программ, реализующий интерактивный диалог с ЭС.

3. Блок логического вывода – это программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в базе знаний.

4. Подсистема объяснений – программа, позволяющая пользователю получить ответ на вопрос, как и почему было принято или иное решение.

5. Редактор базы знаний – программа, предоставляющая инженеру по знаниям возможность дополнять разработанную БЗ.

Экспертные системы эффективны в медицине, где существует много вариантов проявления заболеваний и часто отсутствуют однозначные критерии диагностики и лечения.\, в связи с чем важен опыт высоко квалифицированных специалистов. По областям применения можно выделить ЭС для диагностики, интерпретации данных, лечения, прогнозирования и мониторинга за состоянием больных.