استفاده از شبكه هاي عصبي در شناسايي سيستم هاي غير خطي

1. 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

2. 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

3. 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

4. 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:

5. آشنايي با نورون عصبي و مدل رياضي آن :شماي نورون عصبي مدل رياضي نورون عصبي :براي ايجاد شبكه ي عصبي

6. 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)

7. 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

8. 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

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.

17. پيش بيني بقاي بيماران مبتلا به سرطان معده

18. يافتن متغيرهاي معنادار در مدل هاي ارائه شده متغيرهاي رگرسيون كاكس متغيرهاي مورد مطالعه متغيرهاي شبكه ي عصبي

19. پيش بيني صحيح توسط مدل رگرسيون كاكس

20. پيش بيني صحيح توسط شبكه عصبي

21. ديابت

22. روش هاي تشخيص بيماري ديابت شبكه هاي عصبي كيفيت و صحت بيشترين ارائه داده اند

23. مشخصات ورودي شبكه 500 زن سالم- 268 زن بيمار

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

25. مقدار كاهش خطا به ميزان تكرارها در آموزش

26. شبكه ي عصبي RBF

27. معيار نزديك ترين همسايگي

28. مقايسه ي شبكه هاي عصبي

29. 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

30. استفاده از پردازش ديجيتالي صدلي قلب

31. 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

32. 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 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

33. 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.

34. 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.

35. مراجع . J.C. Principe ” Neural and Adaptive Systems, Fundamental Through Simulations ” 2000 .منهاج،“مباني شبكه هاي عصبي“،1381 .Yazdizadeh, khorasani’’Adaptive time delay neural networkstructure for nonlinear system identification’’,2000 .kumpatis.naraenda,kannanparthsarathy,”Identification and control of dynamical system using neural network ”,1990 .YANG ,HONEVER “feuture subset selection using a GenereticAlgoritm’’ 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