استفاده از شبكه هاي عصبي در شناسايي سيستم هاي غير خطي به نام خدا استفاده از شبكه هاي عصبي در شناسايي سيستم هاي غير خطي سمينار درس مدلسازي استاد :جناب دکتر توحيد خواه نگارنده: كامران قاصدي

فهرست مطالب .مباني واصول تئوريك كاربرد شبكه هاي عصبي در شناسايي سيستمها .مقايسه مدل هاي رگرسيون كاكس و شبكه عصبي در پيش بيني بقاي بيماران مبتلا 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

معادلات 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 عصبي :براي ايجاد شبكه ي عصبي

شبكه هاي پرسپترون چند لايه و بازگشتي شبكه چند لايه پرسپترون (MLP) بخش غير خطي استاتيكي از نقطه نظر تئوريك بخش فيدبك ديناميكي شبكه بازگشتي (recurrence net)

معادلات حالت سيستم هاي غير خطي شباهت شبكه عصبي و سيستم غير خطي تركيب دو شبكه MLPبازگشتي و معادلات حالت سيستم هاي غير خطي روابط شبكه هاي عصبي وزنهاي شبكه عصبي=پارامترهاي سيستم

در شبكه هاي عصبي خطا معمولا از رابطه ي زير حساب مي شود: كمينه خطا در شبكه عصبي و شناسايي سيستم دياگرام سيستم واقعي و مدل: محاسبه خطا در شناسايي: در شبكه هاي عصبي خطا معمولا از رابطه ي زير حساب مي شود: E2^(خروجی مطلوب – خروجی شبکه)= با مشتق گرفتن تابع خطا نسبت به وزنها،درصدد يافتن وزنهايي براي .ايجاد كمترين خطا هستيم

منحني خط چين خروجي مدل است كه تخمين زننده خروجي واقعي است. 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.

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.

منحني خط چين خروجي مدل است كه تخمين زننده خروجي واقعي است. 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.

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.

منحني خط چين خروجي مدل است كه تخمين زننده خروجي واقعي است. تخمين برخي سيستم هاي غير خطي در مدل سوم سيستم بر اساس مجموع تابعي غيرخطي از خروجي هاي پيشين و تابع غيرخطي ديگري ازورودي هاي پيشين است. منحني خط چين خروجي مدل است كه تخمين زننده خروجي واقعي 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.

منحني خط چين خروجي مدل است كه تخمين زننده خروجي واقعي است. 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.

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 مبتلا به سرطان معده دلايل داشتن مدلي براي پيش بيني اندازه گيري ها بر روي بيمار مرتبط با وضعيت خطري است َكه او را تهديد مي كند شانس بهبودي يا عدم بهبودي بعد از انجام درمان هاي تجويزي مهم است احتمال بقاي بيشتر بيمار پس از جراحي يا درمان نكته مهم براي شروع درمان است مدل هاي مورد بررسي رگرسيون كاكس شبكه ي عصبي

يافتن متغيرهاي معنادار در مدل هاي ارائه شده سن متاستاز نقاط دور دست پاتولوژي تومور جنس سن سابق ي فاميلي درجه يك عادات پر خطر نوع هيستو پاتولوژي متاستاز غدد لنفاوي متاستاز نقاط دور دست پاتولوژي تومور مرحله ي پيشرفت سرطان متغيرهاي رگرسيون كاكس متغيرهاي مورد مطالعه سن متاستاز نقاط دور دست پاتولوژي تومور نوع هيستوپاتولوژي مرحله ي پيشرفت سرطان متغيرهاي شبكه ي عصبي

پيش بيني صحيح توسط مدل رگرسيون كاكس

پيش بيني صحيح توسط شبكه عصبي

ديابت گسترش بيماري عوارض بيماري ديابت يكي از شايع ترين و خطرناك ترين بيماري هاي شناخته شده در جهان است ديابت پيش بيني مي شود تا سال 2010 بيش از 220 ميليون نفر به اين بيماري مبتلا گردند گسترش بيماري گرفتگي قلب و عروق،نابينايي،قطع اعضاي بدن،اختلالات فكري عوارض بيماري

روش هاي تشخيص بيماري ديابت روش هاي ارائه شده روش هاي تكاملي بر پايه ي الگوريتم ژنتيك الگوريتم هاي فازي تشخيص الگو در استخراج ويژگي روش هاي مبتني بر بيزين شبكه هاي عصبي كيفيت و صحت بيشترين ارائه داده اند شبكه هاي عصبي مقايسه شده پرسپترون چند لايه MLP RBF نزديك ترين همسايگي KNN

مشخصات ورودي شبكه 500 زن سالم- 268 زن بيمار معيار تشخيص ديابت تعداد دفعات وضع حمل فشار دياستوليك ضخامت پوست ماهيچه ي سه سر بازويي انسولين سرم 2ساعته شاخص جرم بدن داشتن سابقه ي ديابت سن غلظت گلوكز پلاسماي خون PIMA indian diabet dataset در سايت اينترنتي دانشگاه كاليفرنيا مجموعه دادگان ورودي شبكه 500 زن سالم- 268 زن بيمار

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

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 دلايل اصلي مرگ و مير در بيماران قلبي هستند. روش تهاجمي (روش معمول) آنژيوگرافي هزينه بالا وقت گير بودن الكتروكارديوگرامECG توانايي آشكارسازي زود هنگام را ندارند روش هاي رايج غير تهاجمي اكوكارديوگرافيUCG اشعه ايكسX-ray imaging

استفاده از پردازش ديجيتالي صدلي قلب پردازش ديجيتال صداي قلب با استفاده از ابزار موجك به كمك شبكه عصبي در زمان دياستول، فشار خون كرونري و در نتيجه توربولانس حاصل از آن در مقدار ماكزيمم خود بوده و سيكل قبل در دوره سكوت خود قرار دارد.

براي آناليز اين سيگنالها از ابزار موجك استفاده مي كنيم نرخ نمونه برداري و ابزار موجك نمونه برداري با نرخ 4kHZ و 128 ميلي ثانيه(512 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 ايستان(non-stationary) مي گويند. براي آناليز اين سيگنالها از ابزار موجك استفاده مي كنيم

استفاده از شبكه عصبي براي تشخيص بيماري از شبكه ي سه لايه MLP با استفاده از قانون پس انتشار خطا (BP) و تابع انتقال تانژانت سيگموئيد براي لايه اول و تابع انتقال خطي در لايه آخر استفاده مي كنيم 8گره ورودي 4نرون لايه پنهان 1نرون خروجي 30(15بيمار-15سالم) داده از بانك اطلاعاتي 100تايي براي آموزش شبكه استفاده شدو آموزش ها تا رسيدن ميانگين خطاي موثر به 0.001 ادامه مي دهيم

نتايج بدست آمده با 70 نمونه(40بيمار-30سالم) به آزمايش شبكه مي پردازيم كه 85%(34 از40) براي نمونه هاي بيمار و 90%(27 از3) براي نمونه هاي سالم صحت حاصل 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.

مراجع . J.C. Principe ” Neural and Adaptive Systems, Fundamental Through Simulations ” 2000 .منهاج،“مباني شبكه هاي عصبي“،1381 .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 مصنوعي“،1384 . بيگلريان،كاظم نژاد،حاجي زاده“مقايسه مدل شبكه عصبي مصنوعي و رگرسيون كاكس در پيش بيني بقاي بيماران مبتلا به سرطان معده“1389. . كريمي،صدري،اميرفتاحي“تشخيص غير تهاجمي انسداد شريانهاي كرونري با استفاده از پردازش ديجيتالي صداهاي قلب“1384

با تشكر از توجه شما