Р.В. Исаков – к.т.н., доцент, кафедра биомедицинских и электронных средств и технологий, Федеральное государственное бюджетное образовательное учреждение высшего образования «Владимирский государственный университет им. А.Г. и Н.Г. Столетовых»

E-mail: Isakov-RV@mail.ru

Постановка проблемы. Искусственные нейронные сети (ИНС) в настоящее время находят широкое применение как универсальное средство анализа данных, особенно для задач классификации. Главной проблемой является то, что нейросетевая модель работает по типу «черного ящика». Поэтому для дальнейшего развития и практического применения нейросетевых моделей является актуальным решение обратной задачи по определению входных признаков, оказавших наибольшее влияние на результат работы обученной нейронной сети.

Цель. Построить технологию анализа данных на основе исследования синапсов обученной нейронной сети.

Результаты. Поставлена и решена обратная задача нейросетевого анализа, заключающаяся в нахождении значимых для принятия решения нейронной сетью входных признаков. Особое внимание уделено комплексному подходу к проведению анализа, так как необходимо контролировать соблюдение определенных условий на всех его этапах. Представлены теоретические основы данной технологии и результаты вычислительных экспериментов, демонстрирующих её возможности.

Практическая значимость. В результате анализа синапсов нейронной сети есть возможность выделить набор наиболее значимых признаков и аналитическую зависимость этих параметров с выходом нейросетевой модели (задача идентификации системы).

Исаков Р.В. Технология анализа синапсов нейронной сети для исследования входных признаков. Нейрокомпьютеры: разработка, применение. 2020. Т. 22. № 3. С. 45–55. DOI: 10.18127/j19998554-202003-05

1. Bunker R.P., Thabtah F. A machine learning framework for sport result prediction // Applied Computing and Informatics. 2019. V.15. Iss. 1. P. 27-33. DOI: 10.1016/j.aci.2017.09.005
2. Malone C., Fennell L., Folliard T., Kelly C. Using a neural network to predict deviations in mean heart dose during the treatment of left-sided deep inspiration breath hold patients // Physica Medica. 2019. V. 65. P. 137-142. DOI: 10.1016/j.ejmp.2019.08.014
3. Heo S., Lee J.H. Parallel neural networks for improved nonlinear principal component analysis // Computers & Chemical Engineering. 2019. V. 127. P. 1-10. DOI: 10.1016/j.compchemeng.2019.05.011
4. Dong Y., Fu Z., Peng Y., Zheng Y., Yan H., Li X. Precision fertilization method of field crops based on the Wavelet-BP neural network in China // Journal of Cleaner Production. 2019. №118735.5. 
5. Zhao S., Liang H., Du P., Pan Y. Adaptive Neural Network Control for A Class of Discrete-Time Nonlinear Interconnected Systems With Unknown Dead-Zone // Journal of the Franklin Institute. 2019. V. 356. Iss. 18. P. 11345-11363. DOI: 10.1016/j.jfranklin.2019.08.024
6. Воевода А.А., Романников Д.О. Формирование структуры нейронной сети посредством декомпозиции исходной задачи на примере задачи управления роботом манипулятором // Известия СПБГЭТУ ЛЭТИ. 2018. № 9. С. 27-32.
7. Посягин А.И., Южаков А.А. Разработка двухслойной нейронной сети для самомаршрутизирующегося аналогоцифрового преобразователя на основе нейронной сети // Электротехника. 2013. №11. С. 10-13.
8. Червяков Н.И., Тихонов Э.Е., Тихонов Э.Е. Применение нейронных сетей для задач прогнозирования и проблемы идентификации моделей прогнозирования на нейронных сетях // Нейрокомпьютеры: разработка, применение. 2003. №10-11. С. 25-31.
9. Манжула В.Г., Федяшов Д.С. Нейронные сети Кохонена и нечеткие нейронные сети в интеллектуальном анализе данных // Фундаментальные исследования. 2011. №4. С. 108-114.
10. Семейкин В.Д. Управление сетью передачи данных с помощью искусственных нейронных сетей // T-COMM: Телекоммуникации и транспорт. 2013. Т.7. № 7. С. 118-121.
11. Qatawneh Z., Alshraideh M., Almasri N., Tahat L., Awidi A. Clinical decision support system for venous thromboembolism risk classification // Applied Computing and Informatics. 2019. V.15, Iss. 1. P. 12-18.
12. Dash Ch.S.K., Behera A.К., Dehuri S., Cho S. Building a novel classifier based on teaching learning based optimization and radial basis function neural networks for non-imputed database with irrelevant features // Applied Computing and Informatics. 2019. DOI: 10.1016/j.aci.2019.03.001
13. Tharwat A. Classification assessment methods // Applied Computing and Informatics. 2018. DOI:10.1016/j.aci.2018.08.003
14. Jiang J., Zhang H., Pi D., Dai C. A novel multi-module neural network system for imbalanced heartbeats classification// Expert Systems with Applications: X. 2019. V. 1. DOI: 10.1016/j.eswax.2019.100003
15. Binkhonain M., Zhao L. A review of machine learning algorithms for identification and classification of non-functional requirements // Expert Systems with Applications: X. 2019. V. 1. DOI: 10.1016/j.eswax.2019.100001
16. Hecht-Nielsen R. Kolmogorov's Mapping Neural Network Existence Theorem // IEEE First Annual Int. Conf. on Neural Networks. San Diego. 1987. V. 3. P. 11-13.
17. Muller B., Reinhart J. Neural Networks: an introduction. Springer-Verlag. Berlin Heidelberg. 1990. P.104-112
18. Widrow B., Lehr M.A. 30 years of adaptive neural networks: perceptron, madaline, and backpropagation // Proceedings of the IEEE. 1990. V. 78. № 9. P. 1415-1442/
19. Исаков Р.В., Сунцова О.В. Исследование искусственных нейронных сетей в задаче идентификации личности по электрокардиосигналу, зарегистрированному устройством CardioQVARK //Нейрокомпьютеры: разработка, применение.2016. №3. С. 31-38
20. Исаков Р.В., Аль-Мабрук М.А., Лукьянова Ю.А., Сушкова Л.Т. Результаты исследования нейронных сетей в задачах распознавания патологических изменений электрической активности сердца // Биомедицинская радиоэлектроника. 2010. №7. С. 9-13.
21. Физиология человека: в 3-х томах. Т. 1. Пер. с англ. / Под ред. Р. Шмидта, Г. Тевса. М.: Мир. 1996. 323 с.
22. Schaul T., Bayer J., Wierstra D., Yi S., Felder M., Sehnke F., Rückstieß T., Schmidhuber J. PyBrain // Journal of Machine Learning Research. 2010. V.11. P.743-746.