СОДЕРЖАНИЕ
Введение 3
Глава 1. Искусственные нейронные сети как инструмент медицинской диагностики 5
1.1. История возникновения и развития искусственных нейронных сетей 6
1.2. Искусственные нейронные сети для задач диагностики 13
1.3. Примеры успешного использования нейросетей в диагностике болезней 15
Выводы к Гл 1 19
Глава 2. Построение нейросетевого анализатора болезней 20
2.1. Выбор архитектуры нейросети для диагностики. 21
2.2. Разработка базы данных 25
Выводы к Гл 2 30
Глава 3. Результаты анализа симптомов болезней искусственными нейронными сетями 30
3.1. Методика проведения вычислительного эксперимента 30
3.2. Выбор архитектуры нейросети для анализатора болезней. 35
3.3. Разработка базы данных нейросетевого анализатора болезней. 38
3.4. Анализ полученных данных 41
3.5. Результаты тестирования разработанной системы диагностики 44
Выводы. 45
Заключение 46
Библиографический список 47
Содержание
Выдержка из текста
Целью курсовой работы является рассмотрение гено мной базы данных в качестве инструмента создания диагностических систем. На основе анализ а литературы выявить содержание геномных баз данных как инструмента создания диагностических систем, основные направления работы в данной области.
Тема дипломной работы: «Информационная управляемая диагностическая система для центра занятости». Данная система должна содержать:
При определении направления повышения качества продукции должна максимально использоваться вся имеющаяся информация, что довольно затруднительно без специализированных экспертных систем. Производство на предприятиях УИС должно быть гибким и способным быстро переориентироваться на более конкурентоспособную продукцию, обладать возможностью анализа и бизнес-планирования, поэтому создание и внедрение экспертной системы управления качеством для предприятия такого типа очень эффективное направление.Целью работы является разработка и внедрение экспертной системы определения возможности повышения качества выпускаемой продукции.
При определении направления повышения качества продукции должна максимально использоваться вся имеющаяся информация, что довольно затруднительно без специализированных экспертных систем. Производство на предприятиях УИС должно быть гибким и способным быстро переориентироваться на более конкурентоспособную продукцию, обладать возможностью анализа и бизнес-планирования, поэтому создание и внедрение экспертной системы управления качеством для предприятия такого типа очень эффективное направление.Целью работы является разработка и внедрение экспертной системы определения возможности повышения качества выпускаемой продукции.
Период дошкольного и младшего школьного возраста является сенситивным для развития разных видов способностей, поэтому раннее выявление детей с признаками одаренности является залогом их эффективной социализации.
В настоящее время в Российской Федерации действует широкая сеть судебно-экспертных учреждений Министерства юстиции, Министерства внутренних дел, Федерального агентства по здравоохранению и социальному развитию, Министерства обороны, Федеральной службы безопасности, Федеральной таможенной службы.Целью данной работы является изучение системы государственных судебно-экспертных учреждений России.• охарактеризовать систему государственных судебно-экспертных учреждений;
Для повышения конкурентоспособности предприятий все чаще используются информационные технологии поддержки жизненного цикла изделий или, как их называют CALC или ИПИ-технологии. Данные технологии представляют собой высокотехнологические наукоемкие элементы инфраструктуры предприятий, отраслей промышленности, без которых достаточно сложно организовать управление современной промышленностью, которое отвечает современным требованиям.
Библиографический список
1. Aarts E. H. L., Laarhoven P. J. M. van. Simulated annealing: Theory and applications. London: Kluwer, 1987.
2. Goldberg D. E. Genetic algorithms in search, optimization and machine learning. New York: Addison-Wesley, Reading, MA. 1989.
3. Grossberg S. Adaptive pattern classification and universal recoding. I. Parallel development and coding of neural feature detectors. // Biol. Cybernet. 1976. Vol. 23. P. 121-134.
4. Haykin S. Neural Networks (2nd ed). Prentice Holl, 1999
5. Hopfield J.J . Neural networks and phisical systems with emergent collective computational abilities. // Proc. Nat. Acad. Sci. U.S.A. 1982. Vol. 79. P. 2554-2558.
6. Kennedy, J., Eberhart R. Particle swarm optimization. // Proc. 1995 IEEE International Conference on Neural Networks IEEE Press. P. 1942-1948.
7. Kohonen T. Self-organization and associative memory. Berlin: Springe r, 1987.
8. Kohonen Т. Correlation matrix memories. // IEEE Trans. Comput. 1972. Vol.21. P. 353 -359.
9. Rabunal J.R., Dorado J (Eds) Artifical Neural Networksin Real-LifeAplications. Idea Group Inc., 2005
10. Rumelhart D. E„ Hinton G. E., Williams R. J. Learning internal representations by error propagation. I. Parallel distributed processing. 1986. Vol. 1. P. 318-362.
11. The ant system: Optimization by a colony of cooperating agents. // Dorigo M. e t al. / / IEEE Tran s. Systems Man Cybernetics. Pt B. Cybernetics. 1996. Vol. 26(1). P . 29-41.
12. Widrow В., Hoff М.Е. Adaptive switching circuits. // 1960 IRE WESCON Convention Record. New York: IRE, 1960. Pt 4. P. 96-104.
13. William Bakst
14. Бурляева Е.В., Ушаков П.А. Применение нейронных сетей для прогнозирования активности органических соединений // Вестник МИТХТ, 2008г, т. З, № 4, стр. 79-83.
15. Гарколь Н.С., Тушев А.Н. Прогнозирование развития сердечно-сосудистых патологий на основе обучения искусственных нейронных сетей и метода дивергенции нечетких множеств // Материалы 9-го Всероссийского семинара «Нейроинформатика и ее приложения», Красноярск, 2001. С. 34-35.
16. Горбань, А.Н. Обучение нейронных сетей : монография / А.Н. Горбань. — М. : ПараГраф, 1990. — 159 с.
17. Каллан, Роберт. Основные концепции нейронных сетей : [Пер. с англ.] / Роберт Каллан. — М. [и др.] : Вильямс, 2003. — 287 с. Пер. изд. : The essence of Neural Networks / R. Callan.
18. Мак-Каллок У., Питтс У. Логические исчисления идей, относящихся к нервной активности. М.: ИЛ, 1956.
19. Медведев В.С Нейронные сети. MATLAB 6 /В.Г.Потемкина. – М.: ДИАЛОГ-МИФИ, 2002. – 496 с.
20. Минский М., Пайперт С. Персептроны. М.: Мир, 1971.
21. Нейронные сети на персональном компьютере / Горбань А.Н., Россиев Д.А.; Отв. ред. Быков В.И.; Рос. акад. наук. Сиб. отд-ние. ВЦ. — Новосибирск : Наука, 1996. — 275 с.
22. Никитюк Н.М. Нейросети, нейрочипы, нейрокомпьютеры и их применение : [учебное пособие для вузов по специальности 230101 «Вычислительные машины, комплексы, системы и сети»] / Н. М. Никитюк, В. Н. Самойлов. — Дубна : Объединенный ин-т ядерных исследований, 2012. — 145 с
23. Прочуханов Р.А., Муравьев Е.А,, Федосенко К.В., Ковальский Г.Б. Принципы организации автоматизированных экспертных систем для клинической онкоморфологии. В сб.: Труды 1-го съезда Российского общества патологоанатомов. М. 1996. — стр. 184.
24. Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга. М.: Мир, 1965.
25. Саймон Хайкин Нейронные сети: полный курс, 2-е издание. : Пер. с англ. – М.: Издательский дом “Вильямс”, 2008. – 1104 с.
26. Сараев П.В. Идентификация нейросетевых моделей / П. В. Сараев ; М-во образования и науки Рос. Федерации, Липец. гос. техн. ун-т. — Липецк : Изд-во Липецкого гос. технического ун-та, 2011. — 93 с.
27. Соловов В.А., Фролова И.Г. Использование логистических регрессий и нейронных сетей в выявлении рака предстательной железы. Сибирский онкологический журнал. 2006. № 1. С. 14-17.
28. Федосенко К.В. Возможности экспертных диагностических систем в онкоморфологии на примере опухолей предстательной железы, эндометрия и кишечника автореф. дисс. на соискание ученой степени д. мед. наук / Санкт-Пет. гос. мед. ун-т им. И.П. Павлова. Санкт-Петербург, — 2010.
список литературы