Нейронды желілер медицинада

ҚАЗАҚСТАН РЕСПУБЛИКАСЫНЫҢ БІЛІМ ЖӘНЕ ҒЫЛЫМ МИНИСТРЛІГІ

«АЛМАТЫ ТЕХНОЛОГИЯЛЫҚ УНИВЕРСИТЕТІ» АҚ

Манасбай Еламан Қуатбекұлы

«”BRAIN NETWORKS”МОДЕЛЬДЕРІ МЕН ДЕРЕКТЕР ӨҢДЕУ ӘДІСТЕРІН ЗЕРТТЕУ ЖӘНЕ ТАЛДАУ»

МАГИСТРЛІК ДИССЕРТАЦИЯ

Білім беру бағдарламасы: 7М06101 - Ақпараттық жүйелер

Алматы, 2021 ж.

ҚАЗАҚСТАН РЕСПУБЛИКАСЫ БІЛІМ ЖӘНЕ ҒЫЛЫМ МИНИСТРЛІГІ

АЛМАТЫ ТЕХНОЛОГИЯЛЫҚ УНИВЕРСИТЕТІ

Магистрлік диссертация

«”BRAIN NETWORKS”МОДЕЛЬДЕРІ МЕН ДЕРЕКТЕР ӨҢДЕУ ӘДІСТЕРІН ЗЕРТТЕУ ЖӘНЕ ТАЛДАУ»

Білім беру бағдарламасы: 7М06101 - Ақпараттық жүйелер

Алматы, 2021 ж.

Манасбай Еламан Қуатбекұлының

ғылыми еңбектер тізімі

БББ бойынша (БББ және коды)

« магистрі» дәрежесіне ізденуге ұсынылған

(магистранттың Т. А. Ә. )

«»

(диссертация тақырыбы)

тақырыптағы магистрлік диссертациясына сыртқы рецензенттің

РЕЦЕНЗИЯСЫ

1. Зерттеу тақырыбының өзектілігі және оның тәжірибе талаптары мен ғылым мен техниканың дамуымен байланысы.
2. Магистрлік диссертация талаптары деңгейіндегі ғылыми нәтижелер.
3. Диссертацияда магистрант келтірген ғылыми нәтиженің, тұжырым, қорытындының дәйектігі және нақтылығы.
4. Диссертацияда магистрант келтірген ғылыми нәтиженің, тұжырым, қорытындының жаңалық деңгейі.
5. Диссертацияның негізгі тұжырымдарының, қорытынды, нәтижелерінің жарияланымы туралы айғақтар.
6. Диссертацияның мазмұны мен рәсімделуі бойынша кемшіліктер.
7. Диссертацияның қойылған талаптарға сәйкестігі.
8. Қорытынды.

БББ бойынша (БББ және коды)

« магистрі» дәрежесін алу үшін қорғауға ұсынылған

(магистранттың Т. А. Ә. )

«»

(диссертация тақырыбы)

тақырыптағы магистрлік диссертациясына ғылыми жетекшінің

ПІКІРІ

МAЗМҰНЫ

КІРІСПЕ

Қазіргі әлемде ақпарат маңызды байлықтардың бірі болып табылады, ал ақпараттық жүйе (АЖ) барлық қызмет саласында қажетті құрал болып танылады.

Ақпараттық жүйенің көмегімен шешілетін міндеттердің әртүрлілігі, құрастырылу қағидасымен және оларға енгізілген ақпаратты өңдеу ережесімен айрықшаланатын көптеген әртүрлі жүйелердің пайда болуына алып келді.

Диссертациялық жұмысымның тақырыбы осы ақпараттық жүйеге қатысты «нейрондық желілерді тереңдетіп оқытуды зерттеу» болып табылады. Бұл жұмыстың мақсаты ақпараттық жүйенің пәндік аймақ ретінде нейрондық желілерді зерттеу болып саналады.

Диссертациялық жұмыстың мақсаты:

- Диссертациялық жұмыста үлкен көлемдегі мәліметтерді кластерлеу мәселелері қарастырыл-ған. Дипломдық жұмыстың мақсаты - k-орташа кластерлеу әдісі арқылы адамның миымен байланысты аурулардың дәл диагнозын анықтайтын тапсырмаларды оңтайландыру.

- k-means Кластерлеу әдісін талдау

Диссертациялық жұмыста қойылатын талаптар:

- диссертация тақырыбына байланысты танымдық белсенділікті көрсету мақсатында мәліметтер жинақтау;

- диссерациялық жұмыстар тақырыптарын анықтау кезінде өндіріс, білім және ғылымның нақты мәселелерін ескеру;

- қорғалып отырған диссертациялық жұмыстың тақырыбын ашу мақсатында, оны жеткізу ретінде зерттеу жұмыстарын енгізу;

- диссертациялық жұмыс тапсырмаға сәйкес перспективті теориялық және практикалық мәселелерді қамту.

Диссертациялық жұмыстың өзектілігі:

- Қазіргі заманғы нейробиология үлкен көлемді және егжей-тегжейлі «үлкен нейрондық деректерді» жеткізетін миды картаға түсіру және жазу технологиясының дамуына негізделген трансформацияның ортасында тұр. Желілік ғылым нейрондық жүйелерді модельдеуге және талдауға, жеке нейрондардан бастап, бүкіл миды қамтитын тізбектерге негізделген принциптердің бірі ретінде пайда болды. Ми желілеріндегі зерттеулер ұлттық және халықаралық конференцияларда, жетекші ғылыми журналдардың арнайы басылымдарында және АҚШ-тың Адамның Коннектом жобасы, BRAIN бастамасы және Еуропалық ми сияқты ми жұмысын түсінуге бағытталған кең ауқымды бастамалардың бір бөлігі болды. Шекті криптожүйелер құпия ақпаратты кеңістікте бөлуді ұйымдастырады, оған сәйкес шекті схеманың n абоненттерінің тек құпияны қалпына келтіре алады. Шекті схемалар ауқымы ақпараттарды жасырын беру жүйелеріне, желідегі компьютерлер арасында деректерді берудің динамикалық тепе-теңдігіне және мәліметтер қорын қорғауға кеңейеді.

1 Пәндік облыстың анализі және зерттеуі

1. 1 Нейронды желілерге кіріспе

Нейронды желілер - күрделі тәуелділіктерді жүргізуге арналған қуатты модельдеу әдісі. Нейронды желілер табиғатына сәйкес, әдетте, сызықты емес. Көптеген жылдар бойы сызықты модельдеу облыстардың көпшілігінде модельдеудің негізгі әдісі болды, себебі ол үшін оптимизация процедуралары жақсы құрастырылған. Сызықты аппроксимация қанағаттандырылмаған есептерде (ал мұндайлар көп) сызықты әдістер нашар жұмыс істейді. Сонымен бірге, нейронды желілер айнымалылар саны көп жағдайда сызықты тәуелділіктерді модельдеуге мүмкіндік бермейтін «өлшем қарғысына» қарсы тұра алады.

Соңғы жылдары біз көптеген облыстарда - бизнесте, медицинада, техникада, геологияда, физикада кеңінен қолданылып жүрген нейронды желілерге деген қызығушылықтың көбеюін байқап жүрміз. Нейронды желілер болжауды, классификацияны немесе басқаруды қажет ететін есептерді шешу керек тәжірибелердің барлығына ендірілді.

Нейронды желілер мысалдарда үйренеді. Нейронды желінің қолданушысы ұсынылатын деректерді таңдайды, содан кейін деректер құрылымын автоматты түрде қабылдайтын оқыту алгоритмі іске қосылады. Қолданушыдан деректерді қалай таңдау және дайындау, қажетті архитектураны таңдау және нәтижелерді интерпретациялау туралы эврестикалық сауаттылық талап етіледі, алайда нейронды желілерді сәтті қолдануға қажетті білім деңгейі статистиканың дәстүрлі әдістеріне қарағанда қарапайым болып келеді.

Нейронды желілер интуитивті тұрғыдан дұрыс болып табылады, себебі олар жүйке жүйелерінің примитивті биологиялық моделінде негізделген. Болашақта мүндай нейро-биологиялық модельдердің өсуі шынымен де ойлай алатын компьютерлердің пайда болуына алып келуі мүмкін.

Адамды мидың құрылысы, оның жұмыс істеу қағидалары және ұйымдастырылуы үнемі қызықтырды. Нейронның (мидың негізгі элементі) математикалық моделі 1943 жылы америкалық ғалым Уоррен Маккаллок (McCulloch W. ) және оның оқушысы У. Питтс (Pitts W. ) мидың қолданылу аясының теориясының негізгі ұғымдарын тұжырымдаған кезде құрастырылды. Олар келесілерді жасады:

1) вектордың скаляр көбейтіндісінің кіріс сигналдары мен салмақты коэффициенттер векторының өтпелі функциясының есептеуін орынжайтын нейронның ең қарапайым процессорлық элемент ретіндегі моделі құрастырылды;

2) осындай элементтердің логикалық және арифметикалық операцияларын орындау үшін желі құрылымы ұсынылды;

3) мұндай желінің оқуға, бейнелерді тануға, қабылданған ақпаратты жалпылауға қабілетті екендігі жайлы негізгі тұжырымдар жасалды.

Өткен онжылдық ішінде нейронды желілер айтарлықтай алға жылжыды, алайда У. Маккаллоктың көптеген тұжырымдары бүгінге дейін өзекті болып қалды. Нейрон модельдерінің түрлілігіне қарамастан, У. Маккаллок және У. Питтспен ұсынылған олардың қозғалыс қағидалары өзгеріссіз қалды. У. Маккаллоктың моделінің кемшілігі нейронның өз моделі болып табылады - белсенді функцияның «шекаралық» түрі. Функцияның шекаралық түрі нейронды желіге оқыту және қойылған есепті баптау барысында жеткілікті иілгіштікті бермейді.

Нейронды желілер теориясының дамуы америкалық нейрофизиолог Френсис Розенблаттың (Rosenblatt F. ) жұмыстарында жалғасын тапты. 1958 жылы ол нейронды желінің моделін ұсынды. Ф. Розенблат У. Маккаллоктың және У. Питтстің моделіне оны оқытуға мүмкін ететін модификацияға байланыс қабілеттілігін енгізді. Бұл модель персептрон деп аталды. Алғашында персептрон процессорлы элементтің қатты шекаралы функциялы, бинарлы немесе көпбелгілі кірістері бар бір қабатты құрылымынан тұратын. Одан кейін бұл модель жеткілікті түрде дамытылды. Алғашында үлкен энтузиазммен қабылданған персептрон ірі ғылыми беделділер жағынан интенсивті шабуылға ұшырады.

1982 жылы америкалық биофизик Дж. Хопфилд (Hopfield J. ) кейінірек оның есімімен аталған нейронды желінің негізгі нұсқасын ұсынды. Джн Хопфилдтің желісі қабаттар арасында кері байланысқа ие, бұл оның жалпылау қасиеттерін ұлғайтады. Мұндай желілер үлгілерді танып білуде кең қолданысқа ие болды. Келесі жылдары кері тарату, екі бағытты ассоциативті жады, өздігінен ұйымдастырылатын карталар және т. б. көптеген эффективті алгоритмдер мен нейрожелілер архитектуралары табылды. Кез келген нейронды желіні құру есептеудің үлкен көлемін қажет етеді (желіні оқыту, әдетте, итерационды процесс болып табылады) . Сондықтан компьютерлердің есептеу қуаттылығының артуымен ғана нейрожелілерді тәжірибеде қолдануға мүмкіндік туды. Бұл нейрожелілік деректерді өңдеу принциптерін қолданатын бағдарламалардың кеңінен таралуына мүмкіндік берді.

Нейрожелілер мен нейромодельдеу пайда болып, өскен негізгі идеялар келесілер болып табылады:

1. Нейронды желі тірі ағзалардың жүйке жүйесінің құрылымы мен қасиеттерін имитациялайды: ол өзара байланысқан қарапайым бір типті есептеу элементтерінің (нейрондар) көп мөлшерінен тұрады және әр бөлек нейронның мүмкіндіктерімен салыстырғанда иілгіш және күрделі мінез-құлыққа ие.

2. Нейрожелі кірісте кіріс сигналдардың жиынын қабылдайды және оларға сәйкес қандай да бір есептің шешімі болып табылатын жауапты (шығыс сигналдарын) шығарады.

Әр нейрон кіші көлемді жұмыс орындайды - мысалы, оған келген кейбір салмақты коэффициенттері бар сигналдарды суммалайды және бұл кіріс деректерінің суммасын сызықты емес түрлендіреді. Басқа таралған нұсқасы кейбір есте сақталған эталоннан жоғары шығыс сигналын шығаратын нейрон-детектор болып табылады.

Нейрондар қабаттар тізбегіне топтасады: кіріс сигналдар бірінші қабатқа түседі және тізбектелген түрде соңғысына дейін барлық қабаттардан өтеді. Бірақ ішкі сигналдардың кейбір жиынының циркуляциясын қамтамасыз ететін рекурентті құрылымдар да болады.

Желінің кейбір қабатын құрайтын нейрондар параллельді режимде жұмыс істейді. Қабаттар мен нейрондар санының өзгеруі қолданылып отырған есептеу техникасының (процессор, микроконтроллер, нейрокомпьютер, т. б. ) ерекшеліктеріне сәйкес ортақ параллельді-тізбекті есептеу көлемін максималды эффективті түрде баптауға мүмкіндік береді.

Желі құрылымында нейрондардан басқа иерархияның немесе абстракцияның өзге деңгейлерінде параллельді және тәуелсіз жұмыс істейтін элементтерді атап өтуге болады. Жасанды нейронда оның синапстары параллельді жұмыс істейді, желіде көпқабатты «нейронды бағандар» параллельді жұмыс істеуі мүмкін.

Нейрожелінің жұмыс процесі сыртқы сенсорлы деректердің ағынының қозғалысын (қандай да бір «кірістен» «шығысқа») және осы деректердің түрленуін ұсынады. Жалпы жағдайда деректер ағыны (сигналдар) қиылысатын және кері байланыстарды формалай алады.

Жасанды нейрожелі оның биологиялық прототипі тәрізді үйрене алады: ол нейрондардың және өзінің құрылымының ішкі адаптивті параметрлеріне ие, оларды ауыстыру арқылы өзінің мінез-құлқын өзгерте алады.

Бағдарламалау орны нейронды желіні үйренуді алады: деректерді анализдеудің келесі есебіне көшу барысында қандай да бір жаңа алгоритмді бағдарламалау қажет емес - жай ғана әмбебап нейрожелілі жабдықты алып, жаңа нейрожеліні құрып, үйрету керек (құрылымы, өлшемдері және басқа да ерекшеліктері осы жаңа есепке сәйкес келетін) .

Нейронды желі есепті шешуге әрқайсысы нейрожелінің кіріс сигналдарының өлшемдерін сипаттайтын және осы кіріс сигналдарда жауапты талап ететін қандай да бір «кітапта» - оқиғалар жиындарында үйренеді. «Кітап» белгілі нәтижелі эталонды оқиғалар жиынын береді, ал нейронды желі кіріс сигналдар мен талап етілетін жауаптар арасында тәуелділіктерді есте сақтауға тиіс.

Үйренген нейрожелі қабылданған шешім әдісін жалпылап (интерполярлау және экстраполярлау), жаңа оқиғаларға «кітапқа» енбеген болжам шығара алады - кіріс сигналдардың өлшемдерінің тех байланысын.

Оқытушымен үйренуден басқа (кейбір оқиғалар жиыны үшін белгілі эталонды жауаптар туралы ақпарат негізінде) оқытушысыз үйрену де болады - бұл кезде оқиғаларды сипаттау анализі болады және тенденциялар іздестіріледі (мысалы, ұқсас оқиғалар топтарға топ ішіндегі деректер бір-біріне басқа топтағылардағы деректерге қарағанда көбірек ұқсас болатындай бірігеді) .

Нейронды желі адамда рәсімделген, жылдам немесе нақтылықпен жұмыс істей алатын теориялық және эмпирикалық алгоритмдердің болмауы себебінен есептерді шешуге үйрене алады. Үйретуші деректермен қатар, нейрожелі оқу барысында төмендетуге немесе оптимизациялауы тиіс есепті шешудің сапасының кейбір критерийін беру ғана талап етіледі.

Нейрожелінің құрылымы есепке адаптациялануы мүмкін. Егер нейрожелі шешімнің қажетті нақтылығын қанағаттандыра алмаса, қосымша нейрондар, тіпті, нейрондар қабаттары қосылуы мүмкін. Егер бастапқы желі артық болса, нейрожеліден керек емес нейрондар шығарылуы мүмкін. Нейрожелі есеп үшін кіріс сигналдарды өзі шығарып, шешім сенімділігін арттыра алады. Нейронды желінің өлшемінің коррекциясы алдында үйретілген әдістерді толық ұмытуға алып келмейді, бұл нейрожеліні оқыту процесін жылдамдатады.

Нейрожелілер бостандықтың үлкен көлемді деңгейлеріне ие күрделі сызықты емес жүйелер болып табылады. Олардың ақпаратты өңдейтін қағидасы фон-нейман архитектурасы негізіндегі процессорлы компьютерлерде (ЖӘНЕ, НЕМЕСЕ, НЕ логикалық базисті) қолданылатын принциптен өзгеше.

Нейронды желілер үшін деректерді жинастыру. Егер есеп нейронды желі көмегімен шешілетін болса, онда оқу үшін барлық ақпараттарды жинау керек. Оқытылатын деректер жиыны кіріс және шығыс айнымалыларының шамалары көрсетілген бақылау жиынынан тұрады. Шешуге тиіс алғашқы сұрақ - айнымалылардың қандай түрін қолдану мен қанша бақылауды жинау.

Айнымалыларды таңдау (алғашқы) интуитивті түрде жүзеге асырылады. Бұл пәндік облыстағы сіздің жұмыс тәжірибеңіз қай айнымалылардың маңызды екенін анықтауға көмектеседі.

Нейронды желілер белгілі бір шектелген диапазонда жатқан сандық деректермен жұмыс істей алады. Бұл деректерде қалдырылып кеткен шамалар және ақпарат сандық емес болған жағдайдағы қалыпты емес масштабқа ие кезінде қиындықтарды тудырады. STNeuralNetwork пакетінде бұл қиындықтарды жеңетін жабдықтар бар. Сандық деректер желіге сай диапазонда масштабталады, ал қалдырылып кеткен шамаларды осы айнымалының орта шамасына (немесе басқа статистикаға) барлық бар оқытушы мысалдармен алмастыруға болады (Bishop, 1995) .

Бұдан қиынырақ мәселе сандық емес деректермен жұмыс істеу болып табылады. Сандық емес деректер Жыныс = {Ер, Әйел} сияқты номиналды айнымалыларымен жиі ұсынылады. Номиналды шамалы айнымалыларды сандық түрде ұсынуға болады және ST Neural Network жүйесінде мұндай деректермен жұмыс істеуге арналған жабдықтар бар. Алайда нейронды желілер түрлі шамаларға ие бола алатын номиналды айнымалылармен жұмыс барысында жақсы нәтижелерді бермейді.

Мысалы, біз нейронды желіні жылжымайтын объекттердің бағасын бағалауға үйреткіміз келеді деп ойлайық. Үйдің бағасы қаланың қай ауданында орналасқанына байланысты. Қала өзіндік атауға ие бірнеше ондаған аудандарға бөлінуі мүмкін. Бұл кезде ауданды белгілеу үшін номиналды шамалы айнымалыны қолдану қалыпты болып көрінуі мүмкін. Өкінішке орай, бұл жағдайда нейронды желіні оқыту өте қиын болады, мұның орнына әр ауданға белгілі бір рейтингті берген дұрыс (мамандардың баңасына сүйене отырып) .

Басқа типті сандық деректерді не сандық формаға түрлендіруге болады, не елемеуге болады деп жариялауға болады. Қажет болған жағдайда мезгіл мен уақыт шамаларын олардан алғашқы мезгілді (уақытты) азайта отырып, сандыққа түрлендіруге болады. Ақша қосындыларының белгілерін түрлендіру қиын емес. Ерікті мәтіндік өрістермен (мысалы, адамдардың фамилияларымен) жұмыс істеуге болмайды, оларды елемеуге болатындай жасау керек.

Желіні оқыту үшін қанша бақылауға ие болу керек туралы сұрақ оңай емес болып табылады. Желінің мөлшерлерімен бақылауға қажетті санды байланыстыратын эвристикалық ережелердің тізбегі белгілі (олардың ең қарапайымы бақылау саны желідегі байланыс санынан он есе үлкен болуы тиіс деп айтады) . Шын мәнінде бұл сан нейронды желі жүргізуге тырысып жатқан бейненің қиындығына да тәуелді. Айнымалылардың көбеюімен талап етілетін бақылаулар саны сызықты емес түрде өседі, сондықтан айнымалылардың жеткілікті көлемінде (мысалы, елу) бақылаулардың үлкен саны талап етілуі мүмкін. Бұл қиындық «өлшемділік қарғысы» деген атпен белгілі және ол туралы осы бөлімде айтылады.

Көптеген есептер үшін жүздеген немесе мыңдаған бақылаулар болады. Қиын есептер үшін бұдан да көбірек көлем талап етілуі мүмкін, алайда жүзден төмен бақылау жеткілікті болатын есеп өте сирек кездесуі мүмкін. Егер деректер айтылған көлемнен аз болса, Сізде желіні оқу үшін ақпарат жеткіліксіз және деректерге кейбір сызықты модельді істеп көрген дұрыс. ST Neural Network пакетінде сызықты модельдерді жасау үшін жабдықтар бар.

Көптеген есептерде сенімді емес деректермен жұмыс істеуге тура келеді. Кейбір айнымалылардың шамалары шумен нашарлауы немесе болмауы мүмкін. ST Neural Network пакеті қалдырылған шамалармен жұмыс істеу үшін арнайы жабдықтарға ие (олар осы айнымалының орта шамасына немесе басқа статистикаларына алмастырылуы мүмкін) . Сондықтан, егер сізде көп деректер болмаса, қалдырылған белгілермен жағдайларды қарастыруды қосуыңызға болады. Сонымен бірге, нейронды желілер шуға төзімді болып табылады. Алайда бұл төзімділіктің шегі бар. Мысалы, шығарындылар, яғни, қандай да бір айнымалының қалыпты щамалар облысынан өте алыс жатқан белгілер оқыту нәтижесін азайтуы мүмкін. Мұндай жағдайларда оларды тауып, жойған дұрыс (не сәйкес бақылауларды жою арқылы, не шығарындыларды жіберілген шамаларға түрлендіру арқылы) . Егер оларды табу қиын болса, ST Neural Network пакетіндегі мүмкіндіктерді қолдануға болады.

1. 2 Нейронды желілер медицинада

Жасанды нейронды желілер, биологиялық тәріздес, көптеген байланыстарға ие параллель функцияланатын қарапайым процессорлардың үлкен көлеміне ие есептеу жүйесі болып табылады. Мұндай желілерді құрастыру барысында әдетте биологиялық аналогтардан ерекшеленетін айтарлықтай қарапайымдылау қатары жасалғанымен, жасанды нейронды желілер таңқаларлық қаситтер көлемін ұсынады.

---

Сіз бұл жұмысты біздің қосымшамыз арқылы толығымен тегін көре аласыз.

• Іс жүргізу
• Автоматтандыру, Техника
• Алғашқы әскери дайындық
• Астрономия
• Ауыл шаруашылығы
• Банк ісі
• Бизнесті бағалау
• Биология
• Бухгалтерлік іс
• Валеология
• Ветеринария
• География
• Геология, Геофизика, Геодезия
• Дін
• Ет, сүт, шарап өнімдері
• Жалпы тарих
• Жер кадастрі, Жылжымайтын мүлік
• Журналистика
• Информатика
• Кеден ісі
• Маркетинг
• Математика, Геометрия
• Медицина
• Мемлекеттік басқару
• Менеджмент
• Мұнай, Газ
• Мұрағат ісі
• Мәдениеттану
• ОБЖ (Основы безопасности жизнедеятельности)
• Педагогика
• Полиграфия
• Психология
• Салық
• Саясаттану
• Сақтандыру
• Сертификаттау, стандарттау
• Социология, Демография
• Спорт
• Статистика
• Тілтану, Филология
• Тарихи тұлғалар
• Тау-кен ісі
• Транспорт
• Туризм
• Физика
• Философия
• Халықаралық қатынастар
• Химия
• Экология, Қоршаған ортаны қорғау
• Экономика
• Экономикалық география
• Электротехника
• Қазақстан тарихы
• Қаржы
• Құрылыс
• Құқық, Криминалистика
• Әдебиет
• Өнер, музыка
• Өнеркәсіп, Өндіріс