تحقیق مقاله یک سیستم خبره فازی عصبی برای تشخیص

چکیده:

منطق فازی،یک شبکه عصبی و سیستم خبره است که برای ایجاد یک سیستم تشخیصی ترکیبی با یکدیگر ترکیب شده اند.با استفاده از چنین سیستمی ما یک روش جدید برای فراگیری مبانی دانش استفاده می کنیم. سیستم ما شامل یک سیستم خبره فازی همراه با یک بیس دانشی با منبع دوگانه است. دو سری قوانین لازم هستند ، که به صورت استنباطی از مثالهای ارائه شده و به صورت استقرایی توسط فیزیک دانان بدست آمده اند. یک شبکه عصبی فازی سعی میکند که از داده های نمونه یاد گرفته و این اجازه را می دهد که قوانین فازی برای دانش پایه را استخراج کنیم.تشخیص electroencephalograms با تفسیر عناصر نموداری بعنوان یک نوع مشاهده در روش ما بکار گرفته می شود. نتایج اولیه نشان دهنده احتمالات مورد نظر با استفاده از روش ما می باشد. 

1- مقدمه:

روشهای تکراری شناسایی و ارزیابی پدیده خاص را کار تشخیصی می نامند ،که یکی از کاربردهای اصلی برای هوش مصنوعی (AI) می باشد. با توجه به اینکه رنج وسیعی از چنین کاربرهای تشخیصی وجود دارد . اگرچه رنج وسیعی از چنین کاربردهای تشخیصی در پزشکی وجود دارد ولی این بخش مورد توجه استفاده کنندگام از هوش مصنوعی قرار دارد. عمومی ترین روشهای AI در بخش پزشکی مبتنی بر دانش و مدلسازی رفتار تشخیصی متخصصان است .  انواع مختلفی از چنین سیستمهای خبره ای از زمانی که SHRTLIFFE روش SHRTLIFFE MYCIN   را بعنوان یک سیستم خبره برای تشخیص آسیبهای خونی انسان طراحی و معرفی کرد ، بوسیله پزشکان مورد استفاده قرار گرفته است. یکی از بزرگترین مشکلات بر سر راه طراحی یک سیستم خبره مناسب ، گردآوری و دانش پایه آن است. ما روش جدیدی را معرفی میکنیم که در آن دانش پایه با منبع دوگانه بوسیله یادگیری قیاسی واستقرایی ایجاد می شود. شیکه های عصبی نیز از این راه برای تشخیص استفاده میکنند . آنها قادرند رابطه بین مجموعه داده ها را با داشتن اطلاعات نمونه که نشاندهنده لایه های ورودی و خروجی آنها است ،یاد بگیرند. در حوزه تشخیص الگو در داده های پزشکی ، شبکه های عصبی زیر بنای روشهایی است که باعث دستیابی به نتایج قابل توجهی شده اند. برای انجام وظیفه چمع آوری دانش پایه که بخشی از روش ترکیبی ما است ، شبکه های عصبی جدیدی معرفی شده اند. منطق فازی که در علوم پزشکی نیز ظاهر شده اند ، با توضیحات شفاهی مبهم سروکار دارند. واژه هایی همانند کم ، زیاد یا احتمالاً برای مدلسازی با استفاده از روشهای منطقی مرسوم ،دشوار هستند. متغیرهای زبانی معرفی شده بوسیله توضیحات فازی ، توضیحات شبه گفتاری نزدیک به گفتارهای یک شخص طیبعی است. تمامی روشهای بالا دارای مزایا و معایبی هستند که در بخش 2 توضیح داده خواهند شد. ترکیب این روشها نه تنها باعث افزایش مزیتها آن می شود بلکه باعث حذف برخی از نقاط ضعف آنها نیز میشود. تاکنون فقط چند روش در تشخیص پزشکی ، روشهای چندگانه هوش مصنوعی را با هم ترکیب کرده اند، که البته با مدلسازی یک پروسه تشریحی پزشکی به نتایج خوبی هم رسیده اند.

اگر چه رنج وسیعی از چنین کاربردهای تشخیصی در پزشکی وجود دارد این بخش جزواستفاده کنندگان بلقوه هوش مصنوعی هستند .عمومی ترین روشهای AI در بخش پزشکی سیستمهای مبتنی بر دانش ومدل سازی رفتار تشخیص متخصصین است .انواع مختلفی از چنین سیستمهای خبره ای از زمانی که Shortliffe روش MYCIN  Shortliffe را بعنوان یک سیستم خبره برای تشخیص آسیبهای خونی انسان طراحی ومعرفی کرد ،بوسیله پزشکان مورد استفاده قرار گرفته است .یکی از بزرگترین مشکلات بر سر راه طراحی یک سیستم خبره مناسب گردآوری ودانش پایه آن است .ما روش جدیدی را معرفی می کنیم که در آن یک دانش پایه با منبع دوگانه بوسیله یادگیری استنتاجی واستقرایی ایجاد میشود .شبکه های عصبی نیز از این راه برای تشخیص استفاده می کنند. آنها قادرند روابط بین مجموعه داده هارا با داشتن اطلاعات نمونه که نشاندهنده لایه های ورودی وخروجی آنها است ،یاد بگیرند.

در حوزه تشخیص الگودر دادهای پزشکی ،شبکه عصبی زیر بنای روشهایی است که باعث دستیابی به نتایج قابل توجهی شده اند .برای انجام وظیفه جمع آوری دانش پایه که بخش از روش ترکیبی ما است ،شبکه های عصبی جدیدا معرفی شده اند منطق فازی که در علوم پزشکی نیز ظاهر شده است ،با بیانات شفاهی نا مشخص سر وکار دارد .واژه هایی همانند زیاد ،کم یا احتمالا برای تبدیل شدن به مدل با استفاده از منطق مرسوم سخت هستند .متغیر های زبانی معرفی شده بوسیله بیانات فازی توضیحات شبه زبانی (گفتاری)نزدیک به گفتارهای یک شخص طبیعی است .تمامی روشهای بالا دارای مزایا ومعایبی هستند که در بخش 2 توضیح داده خواهند شد .ترکیب این روشها نه تنها باعث افزایش مزیتهای آن ها می گرددبلکه باعث حذف برخی از معایب آنها نیز میشود .تاکنون فقط چند روش در تشخیص پزشکی ،روشهای چند گانه هوش مصنوعی را با هم ترکیب کرده اند ،که البته با مدلسازی یک پروسه تشریحی پزشکی به نتایج خوبی هم رسیده اند .

در اینجا ما سیستم ترکیبی را توضیح خواهیم داد که شامل یک سیستم خبره فازی برای استنتاج مبتنی بر قانون همراه با یک شبکه عصبی فازی برای کسب دانش مبتنی بر مورد علاوه بر دانش مبتنی بر توضیحات یک فرد خبره می باشد . (بخش 3) دریافت خودکار قوانین توسط شبکه به موازات قانونمند کردن قوانین تجربی اجرا می شود . برای سیستم ترکیبی دو حالت برای پردازش نتایج وجود دارد : یک مود یادگیری برای تغذیه دانش پایه و مود اجرایی برای تشخیص اطلاعات بیمار . تمامی اجزای سیستم بر پایه نمایش فازی استوار هستند که بعنوان یک رابط شخص بین اجزا و فازی کردن اطلاعات ورودی ضروری عمل می کنند . از زیر بخش

 2-3 یک تکنیک نقشه زیری بسیار موثر معرفی خواهد شد که متغیرهای فازی را به علائم عصبی تبدیل می کند . برای مشاهده پردازش اطلاعات واقعی پزشکی در چنین سیستمی ، ما از تشخیص های electroenephalograms(EEGs) را برای نشان دادن استفاده می کنیم . این نوع از اطلاعات پزشکی که به صورت الکترونیکی اندازه گیری و ذخیره شده است ، برای پردازش خودکار بسیار مناسب هستند زیرا نیازی به تبدیل به علائم الکترونیکی ندارند . سایر انواع اطلاعات نیز برای تشخیص در سیستم ها مناسب هستند . ما سیستم خودمان را سوای از کاربردهای احتمالی و هدف عنوان شده توسط MC Clelland توضیح خواهیم داد . بنابراین برای نشان دادن چند گانگی پدیده و برای هر پدیده به 8 نرون نیاز است . از آنجایکه تعداد ویژگیهای قرار گرفته در هر بخش از زمان در EEG تغییر می کند (هر نمونه بوسیله یک وسیله مصنوعی تغییر نخواهد کرد) به تصویری نیاز است که توانایی کد گذاری پدیده چندگانه بوسیله تعدادی عصب ثابت را داشته باشد . ما یک الگوی نقشه بندی را توسعه داده ایم که بر اساس آن و بوسیله محاسبه نتیجه فرعی که به تفضیل بعدا در مورد آن صحبت خواهیم کرد دو متغیر فازی را در یک شبکه مناسب برای نمایش ارائه قرار می دهد . دو متغیر چهار واژه ای بوسیله 16 نرون N frequency x amplitude       (N دفعه X شدت) بدست می آید . (شکل 2 را ببینید ) هر نرون نشان دهنده ارتباط دو واژه فازی هر متغیر است و بنابراین بر مشکل پیوندی غلبه می کنیم . مقدار فعاللیت یک نزون از طریق ضرب جبری او تابع عضویت به صورت زیر محاسبه شده است :

Ndelta = udelta*uzero = 0.6*0.6=0.36

جمع فعالیت حاصل از یک پدیده طیفی برای ساده کردن قابلیت تفسیر مجدد قواعد یادگرفته شده بوسیله شبکه یک خواهد بود .

3-3 : شبکه عصبی فازی

ویژگیهای فازی که بوسیله روش الگو بندی دو بعدی برای شبکه عصبی نشان داده شده است : آنگاه برای شناخته شدن توسط شبکه یادگرفته می شوند . به منظور استخراج دانش گردآوری شده از یک شبکه فازی عصبی بنام fune در شبکه سه لایه ای خود استفاده می کنیم . ساختار احساسی چند لایه ای خاص بوسیله یک الگوریتم سلسله ای یاد گرفته می شود . در لایه میانی سه نوع نرون وجود دارد که به صورت توپوگرافیگی با یکدیگر تشکیل گروه داده اند . یک گروه از نرونهای توان فقط تابع or را برای ورودهای چند گانه انجام دهد ، در حالیکه گروه دیگر فقط عمل and را انجام می دهد . از آنجائیکه ممکن است قواعد نامشخصی وجود داشته باشد ، گروه سومی از نرونها وجود دارند که دارای ورودی های منفرد و عمل and را انجام می دهد . از آنجائیکه ممکن است قواعد نامشخصی وجود داشته باشد ، گروه سومی از نرونها وجود دارند که دارای ورودی های منفرد و خروجیهای منفرد هستند . خروجی نرون به آسانی همانند یک عمل or بر روی تمامی نرونهای میانی عمل می کند . به عبارت ساده تر شبکه کاملا بهم متصل شده درونی نشاندهنده تمامی توابع منطقی احتالی از منطق or منطق and و 16 منطق نامشخص است . در حین پروسه یادگیری تمامی اتصلاات زیر یک محدوده خاص محدود می شوند . این روش تقلیل بوسیله Lecun در سال 1990 معرفی شد تا بدینطریق سرعت یادگیری افزایش یابد البته این کار برای محدود کردن تعداد قواعد حاصله نیز مفید است . این نکته برای ما جالب است زیرا ما به طور مشخص این قواعد را بعد از یادگیری جدا می کنیم و می خواهیم از قواعدی که دشت چشم گیری ندارند ، دوری کنیم . شبکه ای که برای تشخیص bulbus های مصنوعی آموزشی داده شده است در فرم نهایی خود در شکل 2 نشان داده شده است .

بعنوان یک مثال اگر ورودی نرون نشاندهنده یک bulbus artifact(ba)  بر اساس روش ساده شده 2 باشد ف تفاوت تکرار بالا خواهد بود در حالیکه اجزای تکراری بقیه کم است . شی تشخیص داده شده در خروجی نرون با حالت فعال آن یعنی 1 نشان داده شده است . برخی از ورودیها مشارکت کمتری در عمل شناسایی انجام می دهند ، زیرا این اتصالات با ارزش وزنی کم قبلا نادیده گرفته شده اند .