В настоящее время известно много удачных примеров применения нейросетевого подхода [19] для построения интеллектуальных информационных систем и, в частности, экспертных систем.
Комбинированное использование экспертной системы и аппарата искусственных нейронных сетей обеспечивает необходимую гибкость и самообучение на основе знаний, в то же время, полученные от экспертов знания позволяют существенно упростить структуру нейронных сетей, уменьшить число нейронов и связей в сети.
Например, медицинские нейросетевые экспертные системы проявили себя как серьезный соперник традиционных экспертных систем, составляя конкуренцию квалифицированным экспертам. Исследования, проведенные с использованием разработанной нейросетевой экспертной системы, показали ее превосходные возможности по диагностике некоторых классов болезней, которые плохо диагностируются врачами. Результаты проверки свидетельствуют о высокой достоверности результатов, достигаемых такими системами (до 94%).
Рассмотрим пример постановки задачи для экспертной системы. Многих людей беспокоят боли в спине, которые часто возникают внезапно и без определенной причины. Обычно трудно определять характер недомогания из-за отсутствия признаков какого либо конкретного заболевания. Боль обычно исчезает после короткого отдыха. Врачи называют это неопределенными болями в спине. Такие недомогания - основная причина потерянных рабочих дней. Люди, занимающиеся тяжелым физическим трудом, связанным, например, с поднятием тяжестей более подвержены периодически возникающим болям в спине. Это может также беспокоить тех, кто проводит много времени без движения. В любом случае, боли в спине могут иметь много причин. Большое значение при этом имеет правильно поставленный диагноз.
Целью построения экспертной системы является диагностика заболевания, которое может быть причиной периодических болей в спине.
Принцип построения экспертной системы на базе нейронной сети состоит в следующем. Составляются вопросы, ответы на которые имеют бинарный вид, т. е. «Да» или «Нет». При составлении «вектора опроса», если при диагностике следует ответ «Да», то компоненту вектора присваивается 1, если «Нет», то - 0.
Согласно вышесказанному, решающее «дерево», приведенное на рис. 6.1, может быть записано в виде трех векторов:
{..., 1,1, 0,...},{,..,1,0,1,...} и {..., 0,...}.
Рисунок 7.5 Часть решающего дерева
Первые две записи (векторы) передают следующий смысл:
ЕСЛИ:
Пациент имеет температуру выше 38° С, и чувствует боль только с одной стороны спины
или:
Пациент чувствует недомогание.
Третья запись (вектор) передает:
ЕСЛИ:
Пациент имеет температуру меньше 38°С.
ТО: ….
Составим простые вопросы для диагностики возможных причин болей в спине. Входные векторы в лингвистической форме будут при этом иметь следующий вид:
1.1) Боль возникает после подъема тяжести?
И/ИЛИ:
1.2) После истощающего физического упражнения?
2) Температура выше 38 ?С?
3.1) Пациент старше 60 лет?
И/ИЛИ:
3.2) Пациент провел несколько недель в кровати или в инвалидном кресле?
4) Пациент старше 45 лет?
5) Боль сильнее утром?
6.1) Пациенту мешает боль при ходьбе?
ИЛИ:
6.2) Боль чувствуется только в одной ноге?
7) Боль ограничена главным образом в спине?
8.1) Боль - только с одной стороны спины, выше талии?
8.2) Чувство тошноты?
9) Боль намного сильнее с одной стороны позвоночника?
10) Обычно болит шея или спина между плечами?
Аналогично можно построить вектор выходных значений, руководствуясь тем же самым правилом, что и для входных. Если на выходе нейронной сети, соответствующем какому-либо диагнозу получаем 1, то на данный диагноз следует обратить внимание, так как он может быть причиной боли.
Вектор выходных переменных (диагноз) имеет следующие компоненты:
1) Ишиас, вызванный давлением на корень седалищного нерва; необходима консультация у врача.
2) Возможный люмбаго (прострел), вероятно вызванный сильным напряжением спины.
3) Возможна инфекция почек, или боли могут являться сопровождением общего вирусного воспаления; необходима срочная консультация врача.
4) Боль в спине (возможно очень сильная), может быть следствием какого либо вирусного заболевания, например гриппа; необходима консультация врача.
5) Возможно повреждение кости в результате травмы; необходима консультация врача.
6) Возможен артрит позвонков шеи.
7) Возможен остеоартрит в нижней части груди, почек или позвоночника.
8) Возможно хроническое воспаление суставов.
9) Причина боли не выяснена; необходима консультация врача.
Полное решающее «дерево» для экспертной системы приведено на рис. 6.2. Сеть была реализована с помощью нейропакета NeuraPlanner. Обучение происходило при помощи 18 обучающих векторов. Для опроса сети необходимо закодировать в двоичном виде вопросы, а затем проделать обратную операцию с ответами. Время обучения сети при заданной ошибке 0,05 составило около 2 мин. Сеть обучилась за 7500 циклов.
Для проверки полученных результатов был проведен следующий опрос сети.
Постановка и кодирование вопросов:
1.1) Боль возникает после подъема тяжести? Да – 1.
И/ИЛИ:
1.2) После истощающего физического упражнения? Да -1.
2) Температура выше 38°С? Нет - 0.
3.1) Пациент старше 60 лет? Нет - О
И/ИЛИ:
3.2) Пациент провел несколько недель в кровати или в инвалидном кресле?
Нет - 0.
- Пациент старше 45 лет? Нет - 0.
- Боль сильнее утром? Да - 1.
6.1) Пациенту мешает боль при ходьбе? Да - 1
ИЛИ:
6.2) Боль чувствуется только в одной ноге? Нет - 0.
7) Боль ограничена главным образом в спине и не распространяется где-нибудь еще? Да -1.
8.1) Боль - только с одной стороны спины, выше талии? Да- 1.
И:
8.2) Чувство тошноты? Нет - 0.
9) Боль намного сильнее с одной стороны позвоночника? Нет-0.
10) Обычно болит шея или спина между плечами? Нет-0.
Идеи в области нейросетевой технологии быстро нашли свое применение в новом типе микроэлектронной техники – нейропроцессорах и нейрокомпьютерах (НК).
Сейчас нейросетевая технология применяют во многих областях промышленности.
Чтение печатного текста. Оптическая система распознования (Optical Character Recognition) фирмы Sharp Corp. используется для распознавания японских иероглифов, содержит порядка 10 млн. связей и использует разновидность системы LVQ Кохонена. Система Onyx Check Reader фирмы VeriFon Inc. Обеспечивает точное и недорогое считывание чисел на чеках, используя стандартный аналоговый нейрочип фирмы Synaptics.
Фирма NEC (Япония) объявила, что ею было создано устройство для визуального распознавания букв. Точность распознавания превысила 99%. Успех был достигнут за счет интеграции обычных алгоритмов с нейросетью, работающей по методу обратного распространения ошибки.
Рисунок 7.6 Полное решающее дерево
Фирма Poget Computer использует сеть NestorWriter для распознавания рукописных символов на персональных компьютерах с перьевым вводом. Система Automated Data Entry System (Hecht – Nielsen Corp., США) была использована для обработки чеков.
В университете Дж.Гопкинса ( США) создана нейронная сеть "Net-Talk", предназначенная для чтения вслух печатного текста (300 нейронов, 10 000 связей, слова создаются синтезаторами). За восемь дней сеть освоила 20 000 английских слов. По свидетельству очевидцев, звучание текста очень напоминает голос ребенка на различных этапах обучения речи.
Анализ спектрографических данных в химической промышленности, классификация дефектов громкоговорителей (CTS Electronics), оценка чистоты апельсинового сока (Florida Departament of Citrus).
Фирма Neuromedical System Inc. предлагает электроэнцефалографы, аппаратуру для скрининга рака и другое оборудование, основанное на нейросетевой технологии.
Фирма Promised Land Brothers INC. предлагает недорогой пакет по оценке эффективности инвестиций. Chase Manhatten Bank использует гибридную систему распознавания образов с нейросетью для оценка риска при выдаче займов.
Интеллектуальный контроллер на основе нейросетевой технологии для управления дуговой печью, установленный фирмой Neural Application Corp. позволяет за один год сберечь средства на приобретение еще одной печи. Техасская фирма Ruget Sound Refinery включила нейросети в систему управления очисткой нефти.
Фирма US Naval Air Warfare Center (США) использует нейросети для управления снарядами. Там, где требуются быстрые решения, нейросети имеют огромные преимущества перед обычными методами. Фирма Lockheed (США) разработала систему управления воздушным боем для истребителя, основанную на прогнозировании возможных действий противника. Система использует нейросеть для интеграции многоканальных данных об образцах полета и воздушного боя.
