Метод синтеза диагностических моделей на основе радиально-базисных нейронных сетей с поддержкой обобщающих свойств

Abstract

RU: В работе решена актуальная проблема автоматизации синтеза радиально-базисных нейронных сетей на основе набора прецедентов для принятия решений в диагностировании. Предложен метод синтеза радиально-базисных нейронных сетей, который формирует в начале по одному эталону класса, которые при необходимости дополняет новыми эталонами, формируемыми на основе ошибочно распознанных экземпляров, а далее оперирует расстояниями от экземпляров до эталонов кластеров. На основе полученных координат эталонов далее в автоматическом режиме синтезируется структура и настраиваются параметры сети, которые дополнительно для повышения обобщающих свойств и интерпретабельности подвергается контрастированию весов. Предложенный метод не требует задания пользователем числа кластеров, не имеет неопределенности выбора числа нейронов в первом слое и выбора начальных значений весов сети, стремится минимизировать размер сети, характеризуется приемлемым временем обучения, благодаря использованию процедуры оптимизации сети позволяет получать безызбыточные контрастные, интерпретабельные нейромодели. Разработано программное обеспечение, реализующее предложенный метод, а также проведены эксперименты, подтвердившие работоспособность разработанного математического обеспечения и позволяющие рекомендовать его для использования на практике при решении задач построения диагностических моделей по прецедентам для автоматизации принятия решений в технической и биомедицинской диагностики. UK: У роботі вирішено актуальну проблему автоматизації синтезу радіально-базисних нейронних мереж на основі набору прецедентів для прийняття рішень у діагностуванні. Запропоновано метод синтезу радіально-базисних нейронних мереж, що формує на початку по одному еталону класу, які за необхідності доповнює новими еталонами, формованими на основі помилково розпізнаних екземплярів, а далі оперує відстанями від екземплярів до еталонів кластерів. На основі отриманих координат еталонів далі в автоматичному режимі синтезується структура і налаштовуються параметри мережі, які додатково для підвищення узагальнювальних властивостей та інтерпретабельності піддається контрастуванню. Запропонований метод не вимагає задавання користувачем числа кластерів, не має невизначеності вибору кількості нейронів у першому шарі та вибору початкових значень ваг мережі, прагне мінімізувати розмір мережі, характеризується прийнятним часом навчання, завдяки використанню процедури оптимізації мережі дозволяє одержувати безнадлишкові контрастні, інтерпретабельні нейромоделі. Розроблено програмне забезпечення, яке реалізує запропонований метод, а також проведені експерименти, що підтвердили працездатність розробленого математичного забезпечення і дозволяють рекомендувати його для використання на практиці при вирішенні задач побудови діагностичних моделей за прецедентами для автоматизації прийняття рішень у технічній і біомедичній діагностиці. EN: Urgent problemof automation of radial basis neural network synthesis based on a set of precedents for decision-making in the diagnosis is solved in the paper. The method for the synthesis of radial basis neural network is proposed. It forms at the beginning one class pattern, which, if necessary, supplemented with new patterns formed on the basis of wrongly recognized instances, and then operates with the distance from the instances to the patterns of the clusters. On the basis of the obtained pattern coordinates it further automatically synthesize structure and adjust the weights of the network, which is further optimized to improve the generalizing and interpretability properties by weights contrasting. The proposed method does not require the user specify the number of clusters, has no uncertainty in selection the number of neurons in the first layer and in the choice of the initial values of the network weights, seeks to minimize the size of the network, and characterized by an acceptable time of learning through the use of network optimization procedure allows to obtain nonredundant, contrast, and interpretable neural models. The software implementing proposed method has been developed. The experiments confirming efficiency of developed software have been conducted. They allow to recommend the proposed method for use in practice in solving the problems of diagnostic model constructing by precedents to automate the decision-making in technical and biomedical diagnostics.