استفاده از شبكه هاي عصبي در شناسايي

سيستم هاي غير خطي

به نام خدا

سمينار درس مدلسازي

: كامران نگارندهقاصدي

استاد :جناب دکتر توحيد خواه

فهرست مطالب

مباني واصول تئوريك كاربرد شبكه هاي عصبي در .مقايسه مدل هاي رگرسيون كاكس و شبكه .شناسايي سيستمها

عصبي در پيش بيني بقاي بيماران مبتال به سرطان معده

تشخيص بيماري ديابت به كمك شبكه هاي عصبي.

تشخيص تسلب شريان هاي كرونري با پردازش .ديجيتالي صداي قلب

نتيجه گيري.

مقدمه

در دهه هاي گذشته بيشتر پيشرفتها در حوزه شناسايي سيستمهاي خطي و تغيير ناپذير با زمان بوده است

اما ما در اين سمينار براي شناسايي سيستمهاي غير خطي از شبكه هاي عصبي استفاده خواهيم كرد

معادالت حالت سيستمهاي خطي و غير خطي

معادله حالت يك :سيستم خطي

معادله حالت يك سيستم :غيرخطي

معادله حالت يك سيستم غيرخطي در فضاي

:گسسته

آشنايي با نورون عصبي و مدل رياضي آن

شماي نورون عصبي:

مدل رياضي نورون عصبيبراي ايجاد شبكه ي عصبي:

شبكه هاي پرسپترون چند شبكه چند اليه اليه و بازگشتي

پرسپترون(MLP)

شبكه بازگشتي(recurrence net)

از نقطه نظر تئوريك

بخش غير خطي

استاتيكي

بخش فيدبك ديناميكي

شباهت شبكه عصبي و سيستم غير خطي

تركيب دو شبكه

MLP بازگشتي و

معادالت حالت سيستم هاي غير

خطي

روابط شبكه هاي عصبي

وزنهاي شبكه عصبي=پارامترهاي سيستم

E2^(خروجی مطلوب – خروجی شبکه)=

كمينه خطا در شبكه عصبي و شناسايي سيستم

دياگرام سيستم واقعي :و مدل

محاسبه خطا در در شبكه هاي عصبي خطا :شناسايي

معموال از رابطه ي زير :حساب مي شود

با مشتق گرفتن تابع خطا نسبت به وزنها،درصدد

.ايجاد يافتن وزنهايي براي كمترين خطا هستيم

تخمين برخي سيستم هاي غير خطي

در مدل اول سيستم بر اساس مجموع گزاره اي خطي از

خروجي هاي پيشين و تابع غير خطي از ورودي هاي پيشين

.است

منحني خط چين خروجي مدل است كه تخمين زننده خروجي

.واقعي است

تخمين برخي سيستم هاي غير خطي

منحني خط چين خروجي مدل است كه تخمين زننده خروجي

.واقعي است

مي بينيم با كاهش دامنه و فركانس

ورودي مدل همچنان خروجي را مطلوب

.تخمين ميزند

تخمين برخي سيستم هاي غير خطي

در مدل دوم سيستم بر اساس مجموع تابعي غيرخطي از

خروجي هاي پيشين و گزاره اي خطي ازورودي هاي پيشين

.است

منحني خط چين خروجي مدل است كه تخمين زننده خروجي

.واقعي است

تخمين برخي سيستم هاي غير خطي

منحني خط چين خروجي مدل است كه تخمين زننده خروجي

.واقعي است

مي بينيم با كاهش دامنه و فركانس ورودي مدل همچنان

خروجي را مطلوب تخمين .ميزند

تخمين برخي سيستم هاي غير خطي

منحني خط چين خروجي مدل است كه تخمين زننده خروجي

.واقعي است

در مدل سوم سيستم بر اساس مجموع تابعي غيرخطي از خروجي هاي پيشين و تابع

غيرخطي ديگري ازورودي هاي .پيشين است

تخمين برخي سيستم هاي غير خطي

منحني خط چين خروجي مدل است كه تخمين زننده خروجي

.واقعي است

مي بينيم با كاهش دامنه و فركانس ورودي مدل همچنان

خروجي را مطلوب تخمين .ميزند

تخمين برخي سيستم هاي غير خطي

در مدل چهارم سيستم بر اساس مجموع تابعي غيرخطي

يگانه اي از خروجي هاي پيشين و ورودي هاي پيشين

.است

منحني خط چين خروجي مدل است كه تخمين زننده خروجي

.واقعي است

تخمين برخي سيستم هاي غير خطي

منحني خط چين خروجي مدل است كه تخمين زننده خروجي

.واقعي است

مي بينيم با كاهش دامنه و فركانس ورودي مدل همچنان

خروجي را مطلوب تخمين .ميزند

پيش بيني بقاي بيماران مبتال اندازه گيري ها بر روي بيمار داليل داشتن مدلي براي پيش بينيبه سرطان معده

مرتبط با وضعيت خطري استَ كه او را تهديد مي كند

شانس بهبودي يا عدم بهبودي بعد از انجام درمان هاي تجويزي مهم

استاحتمال بقاي بيشتر بيمار پس از جراحي يا درمان نكته مهم براي

شروع درمان استمدل هاي

مورد بررسي

رگرسيو كاكسن

شبكه ي عصبي

جنس

سابق سني

فاميلي درجه

يكعادات پر

خطر

نوع هيستو پاتولوژي

متاستاز غدد لنفاوي

متاستاز نقاط دور دست

پاتولوژي تومور

مرحله ي پيشرفت سرطان

سن

متاستاز نقاط دور دست

پاتولوژي تومور

سن

متاستاز نقاط دور دست

پاتولوژي تومور

نوع

هيستوپاتولوژي

مرحله ي پيشرفت سرطان

متغيرهاي رگرسيون

كاكس

متغيرهاي شبكه ي

عصبي

متغيرهاي مورد مطالعه

يافتن متغيرهاي معنادار در مدل هاي ارائه شده

پيش بيني صحيح توسط مدل رگرسيون كاكس

0.610.39

مرگ

درستغلط

0.8

0.2

بقا

درستغلط

.7260%

.2740%

كل

درستغلط

0.710.29

مرگ

درستغلط

0.87

.013

بقا

درستغلط

.8158%

.1842%

كل

درستغلط

پيش بيني صحيح توسط شبكه عصبي

ديابت

• يكي از شايع تري

ن و خطرناك ترين بيماري هاي شنا

خته شده در جهان است

ديابت

• پيش بيني مي شود تا سال 2010 بي

ش از 220

ميليون نفر به اين بيماري مبتلا گردند

گسترش بيماري

• گرفتگي قلب

و عروق،نابينايي،قطع

اعضاي بدن،اختاللات فكري

عوارض بيماري

روش هاي تشخيص روش هاي ارائه شده بيماري ديابت

روش هاي تكاملي بر پايه ي الگوريتم ژنتيك

الگوريتم هاي فازي تشخيص الگو در استخراج ويژگي

روش هاي مبتني بر بيزين

شبكه هاي عصبي مقايسه

شده

پرسپترون چند اليه MLP

RBF

نزديك ترين همسايگي

KNN

شبكه هاي عصبي كيفيت و صحت بيشترين ارائه داده اند

معيار تشخيص ديابتتعداد دفعات وضع حمل

فشار دياستوليك

ضخامت پوست ماهيچه ي سه سر بازويي

ساعته2انسولين سرم

شاخص جرم بدن

داشتن سابقه ي ديابت

سن

غلظت گلوكز پالسماي خون

معيار تشخيص ديابت

تعداد دفعات وضع حمل

فشار دياستوليك

ضخامت پوست ماهيچه ي سه سر بازويي

ساعته2انسولين سرم

شاخص جرم بدن

داشتن سابقه ي ديابت

سن

غلظت گلوكز پالسماي خون

268 زن سالم- 500زن بيمار

0.750000000000

001

0.25

نسبت آزمايش و تعليم

دادگان تعليمدادگان ازمايش

مشخصات ورودي شبكه

تاثير تعدا نرون و تكرار در صحت شبكه هاي عصبي چند اليه

مقدار كاهش خطا به ميزان تكرارها در آموزش

شبكه ي عصبي RBF

معيار نزديك ترين همسايگي

مقايسه ي شبكه هاي عصبي

روش هاي تشخيص انسداد شريان هاي كرونري

انسداد شريان هاي كرونري يكي از داليل اصلي مرگ و مير در بيماران قلبي هستند.

روش ) (معمول

آنژيوگرافي

روش تهاجمي

هزينه باال

وقت گير بودن

روش هاي رايج غير تهاجمي

ECGالكتروكارديوگرام

UCGاكوكارديوگرافي

X-ray imagingاشعه ايكس

توانايي آشكارسازي زود هنگام را

ندارند

استفاده از پردازش ديجيتالي صدلي قلب

پرداز

ش ديجيتا

ل صدا

ي قل

ب

با ا

ستفاده از ابزار موجك

به كمك شبكه عصب

ي

در زمان دياستول، فشار خون كرونري و در نتيجه توربوالنس حاصل از آن در

مقدار ماكزيمم خود بوده و سيكل قبل در دوره سكوت خود قرار دارد.

نرخ نمونه برداري و ابزار موجك

512 ميلي ثانيه)128 و 4kHZنمونه برداري با نرخ نمونه( از بخش مياني دياستولي براي انجام

پردازش مورد استفاده قرار گرفته است

طيف فركانسي اغلب سيگنال هاي بيولوژيكي ثابت نيستند و به اين سيگنالها،سيگنالهاي غير

( مي گويند.non-stationaryايستان)

براي آناليز اين سيگنالها از ابزار موجك استفاده مي كنيم

استفاده از شبكه عصبي براي تشخيص بيماري

با استفاده از قانون پس MLPاز شبكه ي سه اليه ( و تابع انتقال تانژانت سيگموئيد BPانتشار خطا )

براي اليه اول و تابع انتقال خطي در اليه آخر استفاده مي كنيم

گره ورودي8 نرون اليه 4پنهان

نرون 1خروجي

سالم( داده از بانك اطالعاتي 15بيمار-15)30تايي براي آموزش شبكه استفاده شدو 100

آموزش ها تا رسيدن ميانگين خطاي موثر به ادامه مي دهيم0.001

سالم بيمار0

5

10

15

20

25

30

35

40

3427

6

3

غلطدرست

نتايج بدست آمده سالم( به آزمايش شبكه مي 30بيمار-40 نمونه)70با

( براي نمونه هاي بيمار و 40 از34%)85پردازيم كه ( براي نمونه هاي سالم صحت حاصل 3 از%27)90

گرديد.

نتيجه گيري

همانطور كه مشاهده شد شبكه هاي عصبي ابزاري قدرتمند در شناسايي سيستمهاي غير

خطي هستند،و چون در سيستمهاي بيو لوژيكي اغلب سيستمها غير خطي

هستند،پس شبكه ها بسيار پر كاربرد نيز هستند.

مطلوب است براي درك و بهره برداري بهتر از اين ابزار و آشنايي بيشتر با با سيستمهاي

غير خطي به مطالعه رياضيات غير خطي مربوط پرداخت.

مرا J.C. Principe ” Neural and Adaptive Systems, Fundamental .جع

Through Simulations ” 2000

. 1381منهاج،“مباني شبكه هاي عصبي“،.Yazdizadeh, khorasani’’Adaptive time delay neural network structure for nonlinear system identification’’,2000.kumpati s.naraenda,kannan parthsarathy,”Identification and control of dynamical system using neural network ”,1990.YANG ,HONEVER “feuture subset selection using a Generetic Algoritm’’ 1998

تهامي،قوچاني،“مقايسه روشهاي مبتني بر هوش .1384مصنوعي“،

بيگلريان،كاظم نژاد،حاجي زاده“مقايسه مدل شبكه عصبي .مصنوعي و رگرسيون كاكس در پيش بيني بقاي بيماران

1389مبتال به سرطان معده“ .كريمي،صدري،اميرفتاحي“تشخيص غير تهاجمي انسداد .

شريانهاي كرونري با استفاده از پردازش ديجيتالي صداهاي 1384قلب“

با تشكر از

توجه

شما