|
112 Таблица 4.2.2 Значения функций принадлежности № * х / ♦ и С ( 1 53 3.259 0.074 0.143 0.349 0.927 0.608 2 175 0.679 0.649 0.892 0.328 0.136 0.072 3 507 1.503 0.274 0.771 0.775 0.275 0.120 4 2.4 2.182 0.152 0.379 0.963 0.560 0.205 5 0.25 1.362 0.315 0.867 0.676 0.241 0.109 6 60.7 2.996 0.087 0.176 0.462 1.000 0.458 7 26.14 3.255 0.074 0.142 0.343 0.911 0.635 8 10.4 1.157 0.389 0.972 0.545 0.201 0.095 9 3.9 2.468 0.123 0.283 0.795 0.751 0.266 10 22.4 1.791 0.210 0.576 0.951 0.368 0.149 11 172 1.647 0.239 0.670 0.872 0.318 0.133 12 26.1 3.376 0.070 0.131 0.310 0.857 0.687 Наконец, в соответствии с уравнением (4.2.4) находим: / ' (с/) = 0,074 • 0,120 • 0,201V0,074 *0,1370,545 V0,143 • 0,137 • 0,201= 0,137 Аналогично: //'(< /) = 0,137, = 0,328, / ‘(с!) =0,П6,/>(с1) = 0,210, /Л (¿) = 0,176. Поскольку наибольшее значение функции принадлежности соответствует решению с/3, то в качестве диагноза выбираем НЦЦ тяжелой степени. В качестве обучающей выборки для тонкой настройки нечеткой модели использовались реальные истории болезни с верифицированными диагнозами. Задача оптимизации решалась с помощью генетического |
Таблица 8.5. Значения функций принадлежности № 1 53 3.259 0.074 0.143 0.349 0.927 0.608 2 175 0.679 0.649 0.892 0.328 0.136 0.072 3 507 1.503 0.274 0.771 0.775 0.275 0.120 4 2.4 2.182 0.152 0.379 0.963 0.560 0.205 5 0.25 1.362 0.315 0.867 0.676 0.241 0.109 6 60.7 2.996 0.087 0.176 0.462 1.000 0.458 7 26.14 3.255 0.074 0.142 0.343 0.911 0.635 8 10.4 1.157 0.389 0.972 0.545 0.201 0.095 9 3.9 2.468 0.123 0.283 0.795 0.751 0.266 10 22.4 1.791 0.210 0.576 0.951 0.368 0.149 11 172 1.647 0.239 0.670 0.872 0.318 0.133 12 26.1 3.376 0.070 0.131 0.310 0.857 0.687 Наконец, в соответствии с уравнением (8.4) находим: Аналогично: , , , , . Поскольку наибольшее значение функции принадлежности соответствует решению , то в качестве диагноза выбираем НЦД тяжелой степени. 8.2.6. Тонкая настройка нечеткой базы знаний В качестве обучающей выборки для тонкой настройки нечеткой модели использовались реальные истории болезни с верифицированными диагнозами. Задача оптимизации решалась с помощью генетического алгоритма. В результате была получена настроенная модель, в которую входят параметры функций принадлежности ( и ) из табл. 8.6 и веса правил из табл. 8.7-8.9. Графики функций принадлежности после настройки показаны на рис. 8.8. Сравнение врачебного и компьютерного диагнозов для 65-ти больных представлено в табл. 8.10. Легко видеть, что только в одном случае (**) компьютерное решение ( ) слишком далеко от реального диагноза ( ). В 8-ми случаях (*) |