Методика распознавания состояния артерий глаза
В статье была предложена методика распознавания состояния артерий глаза, которая основана на модели давления потока крови через артерию глазного анализатора, и нейросетевой модели прогноза состояния артерий глаза, настраиваемой посредством генетического алгоритма. Для создания второй модели выполнял...
Saved in:
| Published in: | Математичні машини і системи |
|---|---|
| Date: | 2011 |
| Main Authors: | , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем математичних машин і систем НАН України
2011
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/83630 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Методика распознавания состояния артерий глаза / Е.Е. Федоров, И. Слесорайтите // Мат. машини і системи. — 2011. — № 4. — С. 84-91. — Бібліогр.: 12 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860098296576475136 |
|---|---|
| author | Федоров, Е.Е. Слесорайтите, И. |
| author_facet | Федоров, Е.Е. Слесорайтите, И. |
| citation_txt | Методика распознавания состояния артерий глаза / Е.Е. Федоров, И. Слесорайтите // Мат. машини і системи. — 2011. — № 4. — С. 84-91. — Бібліогр.: 12 назв. — рос. |
| collection | DSpace DC |
| container_title | Математичні машини і системи |
| description | В статье была предложена методика распознавания состояния артерий глаза, которая основана на модели давления потока крови через артерию глазного анализатора, и нейросетевой модели прогноза состояния артерий глаза, настраиваемой посредством генетического алгоритма. Для создания второй модели выполнялось формирование вектора признаков; формирование эталонов; синтез структуры нейросети и ее математической модели; адаптация значений признаков эталонов и структуры нейросети посредством генетического алгоритма. Для предложенной методики приводятся результаты численного исследования.
У статті була запропонована методика розпізнавання стану артерій ока, заснована на моделі тиску потоку крові через артерію очного аналізатора, і нейромережевої моделі прогнозу стану артерій ока, що налагоджується за допомогою генетичного алгоритму. Для створення другої моделі виконувалося формування вектора ознак; формування еталонів; синтез структури нейромережі та математичної моделі; адаптація значень ознак еталонів і структури нейромережі за допомогою генетичного алгоритму. Для запропонованої методики наводяться результати чисельного дослідження.
The method of recognition of a state of arteries of an eye which is based on the pressure stream blood model through the eye analyzer artery and neural network forecasting model of a state of arteries of an eye adjusted by means of genetic algorithm has been offered in the article. For creation of the second model formation of a vector of features was carried out; patterns formation; synthesis of a neural network structure and the mathematical model; adaptation of patterns values features and structure of a neural network by means of genetic algorithm. For the offered method the results of numerical research are given.
|
| first_indexed | 2025-12-07T17:26:57Z |
| format | Article |
| fulltext |
84 © Федоров Е.Е., Слесорайтите И., 2011
ISSN 1028-9763. Математичні машини і системи, 2011, № 4
УДК 004.934.1’1
Е.Е. ФЕДОРОВ, И. СЛЕСОРАЙТИТЕ
МЕТОДИКА РАСПОЗНАВАНИЯ СОСТОЯНИЯ АРТЕРИЙ ГЛАЗА
Анотація. У статті була запропонована методика розпізнавання стану артерій ока, заснована
на моделі тиску потоку крові через артерію очного аналізатора, і нейромережевої моделі прогно-
зу стану артерій ока, що налагоджується за допомогою генетичного алгоритму. Для створення
другої моделі виконувалося формування вектора ознак; формування еталонів; синтез структури
нейромережі та математичної моделі; адаптація значень ознак еталонів і структури нейроме-
режі за допомогою генетичного алгоритму. Для запропонованої методики наводяться результати
чисельного дослідження.
Ключові слова: методика розпізнавання стану артерій ока, імовірнісна нейромережа, генетичний
алгоритм, моделі тиску потоку крові, показник якості, формування еталонів.
Аннотация. В статье была предложена методика распознавания состояния артерий глаза,
которая основана на модели давления потока крови через артерию глазного анализатора, и
нейросетевой модели прогноза состояния артерий глаза, настраиваемой посредством
генетического алгоритма. Для создания второй модели выполнялось формирование вектора
признаков; формирование эталонов; синтез структуры нейросети и ее математической модели;
адаптация значений признаков эталонов и структуры нейросети посредством генетического
алгоритма. Для предложенной методики приводятся результаты численного исследования.
Ключевые слова: методика распознавания состояния артерий глаза, вероятностная нейросеть,
генетический алгоритм, модели давления потока крови, показатель качества, формирование эта-
лонов.
Abstract. The method of recognition of a state of arteries of an eye which is based on the pressure stream
blood model through the eye analyzer artery and neural network forecasting model of a state of arteries of
an eye adjusted by means of genetic algorithm has been offered in the article. For creation of the second
model formation of a vector of features was carried out; patterns formation; synthesis of a neural network
structure and the mathematical model; adaptation of patterns values features and structure of a neural
network by means of genetic algorithm. For the offered method the results of numerical research are
given.
Keywords: a method of recognition of a state of arteries of an eye, probability neural network, genetic
algorithm, pressure stream blood models, quality index, formation of patterns.
1. Введение
Актуальность. В современной мировой практике активно ведутся разработки гибридных
интеллектуальных систем, связанных с оценкой физиологического состояния человека.
Одним из важных направлений этих исследований является анализ зрительного анализато-
ра человека.
Состояние вопроса. Существующие зависимости между показателями состояния
сетчатки и артерий глаза в настоящее время формализованы неполно [1–5]. С другой сто-
роны, для повышения вероятности правильного диагностирования и повышения скорости
принятия решения требуется разработка математической модели распознавания состояния
артерий глаза. В современных исследованиях для диагностики состояния глаза человека не
используются интеллектуальные технологии (например, нейронные сети и генетические
алгоритмы) и законы гидравлики, связанные с оценкой энергии потока жидкости через со-
суд [1–5].
Постановка задачи. Разработать методику распознавания состояния артерий глаза,
основанную на модели давления потока крови через артерию глазного анализатора, и ней-
ISSN 1028-9763. Математичні машини і системи, 2011, № 4 85
росетевой модели прогноза состояния артерий глаза, настраиваемой посредством генети-
ческого алгоритма.
2. Основная часть
Методики распознавания состояния артерий глаза включает в себя следующие этапы:
1. Разработка модели давления потока крови через артерию глаза.
2. Разработка модели прогноза состояния артерий глаза на основе сканирующей
лазерной поляриметрии и цветового Допплеровского изображения:
– формирование вектора признаков;
– формирование эталонов;
– синтез структуры нейросети и ее математической модели;
– адаптация значений признаков эталонов и структуры нейросети посредством
генетического алгоритма.
3. Численное исследование.
3. Модель давления потока крови через артерию глазного анализатора
Полное давление потока крови через артерию глазного анализатора определено в виде
сдп ppp += , (1)
где дp – динамическое давление;
сp – статическое давление.
Динамическое давление потока определено в виде
2
v
p
2
д
αρ= , (2)
где v – средняя скорость потока;
ρ – плотность крови;
ω – живое сечение (при равномерном или плавно изменяющемся движении крови жи-
вое сечение является плоским и равно площади поперечного сечения потока);
α – коэффициент Кориолиса (например, для ламинарного потока 2=α , для равномер-
ного турбулентного потока 1311 ,÷=α ).
Для выбора коэффициента Кориолиса α определяется режим движения крови, ис-
пользуя число Рейнольдса [6]:
ν
= vd
Re . (3)
Если таблReRe < , то режим ламинарный, иначе турбулентный.
Определим среднюю скорость потока в виде
ω
= Q
v , (4)
где Q – объемный расход крови, проходящий через живое сечение.
Объемный расход крови можно рассчитать по закону Пуазейля:
gl128
pd
Q
4
νρ
π∆= , (5)
86 ISSN 1028-9763. Математичні машини і системи, 2011, № 4
где ν – кинематическая вязкость крови;
d – диаметр артерии;
l – длина потока;
p∆ – потеря давления (разность давлений в двух сечениях).
Статическое давление потока:
gzppс ρ+= , (6)
где z – вертикальное расстояние от центра тяжести живого сечения до плоскости отсчета,
p – давление в центре тяжести живого сечения;
819g ,= .
Тогда на основе (1) – (6) получим модель полного давления потока крови:
gzp
gl128
pd
2
p
24
2п ρ++
νρ
π
ω
αρ= ∆
. (7)
Показатель качества будет представлен в виде
min))()(( →−= ∫
T
0
2
пнорма dttptp
T
1
F . (8)
Если max→F , то в этом случае наблюдается дефект артерии.
Практическое применение данной модели заключается в следующем. Датчики арте-
риального давления, установленные на зрительный анализатор, позволяют измерить p и
вычислить p∆ , параметры ν , ρ , ω , α , l , d , z известны. После чего рассчитывается (7) и
осуществляется оценка (8).
Далее рассмотрим другой подход, использующий модель прогноза состояния арте-
рий глаза на основе сканирующей лазерной поляриметрии и цветового Допплеровского
изображения.
4. Формирование вектора признаков
Сетчаточная толщина слоя зрительного нерва анализируется путем сканирующей лазерной
поляриметрии (SLP). Состояние артерий глаз (ретробульбарная гемодинамика) оценивает-
ся на основе цветового Допплеровского изображения (CDI). Стандартные показатели CDI
(признаки х1-х12) и SLP (признаки х13-х14) приведены в табл. 1.
Таблица 1. Стандартные показатели CDI и SLP
Обозначение Стандартные показатели CDI и SLP
x1 Пиковая систолическая скорость в глазной артерии
x2 Конечно-диастолическая скорость в глазной артерии
x3 Показатель пульсации в глазной артерии
x4 Показатель удельного сопротивления в глазной артерии
x5 Пиковая систолическая скорость в центральной сетчаточной артерии
x6 Конечно-диастолическая скорость в центральной сетчаточной артерии
x7 Показатель пульсации в центральной сетчаточной артерии
x8 Показатель удельного сопротивления в центральной сетчаточной арте-
рии
x9 Пиковая систолическая скорость в короткой последующей реснитчатой
артерии
x10 Конечно-диастолическая скорость в короткой последующей реснитчатой
артерии
ISSN 1028-9763. Математичні машини і системи, 2011, № 4 87
…
…
…
…
…
…
…
Рис. 4. Структура вероятностной
нейросети
Продолж. табл. 1
x11 Показатель пульсации в короткой последующей реснитчатой артерии
x12 Показатель удельного сопротивления в короткой последующей реснит-
чатой артерии
x13 Толщина слоя зрительного нерва
x14 Показатель зрительного нерва
5. Формирование эталонов
После определения численных значений компонент векторов признаков формируются эта-
лоны вида
),( iii CmE = , (9)
),...,( iN1ii mmm = , ),...,diag( 2
iN
2
1iiC σσ= ,
где im – вектор математических ожиданий размерности N ;
iC – диагональная ковариационная матрица размерности NN × ;
N – длина определенного вектора признаков.
6. Синтез структуры нейросети и ее математической
модели
Сформированные эталоны поступают в нейросеть, для
которой определяется количество слоев и нейронов в
слоях, соответствующих эталонам, т.е. происходит
фиксация эталонов в структуре нейросети. В качестве
нейросети выбран вариант вероятностной сети с двумя
слоями (рис. 1) [7–8], реализованный в пакете Matlab.
Нейроны входного слоя соответствуют призна-
кам речевого сигнала, нейроны скрытого слоя – этало-
нам, нейроны выходного слоя – состояниям артерий глаза (например, до начала лечения,
во время лечения, после завершения лечения). Для каждого человека используется своя
нейросеть.
Модель нейросети представлена в виде
∑
=
==
)(
)()(
1N
1i
iij
j
jj xGw
n
1
xfy , },{ 01wij ∈ , )(, 2N1j ∈ , (10)
где )(xGi является многомерным распределением Гаусса:
−−−
π
= − )()(exp
det)(
)( i
1
i
T
i
i
Ni mxCmx
2
1
C2
1
xG , (11)
где x – входной вектор признаков размерности N ;
N – количество нейронов входного слоя;
)(1N – количество нейронов в первом слое;
)(2N – количество нейронов во втором слое.
88 ISSN 1028-9763. Математичні машини і системи, 2011, № 4
7. Адаптация значений признаков эталонов и структуры нейросети посредством
генетического алгоритма
В связи с тем, что состояния артерий глаза могут изменяться с течением времени, преду-
сматривается наличие набора эталонов одного человека на одно и то же состояние.
Для уменьшения трудоемкости адаптации структуры вероятностной сети (количе-
ства нейронов в первом слое )(1N ), численных значений компонент векторов im и матриц
iC в работе используется генетический алгоритм.
В статье предлагается следующая адаптация структуры нейросети. Вначале генети-
ческий алгоритм отрабатывает при минимальном количестве нейронов первого слоя. Если
полученное решение не удовлетворяет заданному критерию (фитнес-функции), осуществ-
ляется последовательное увеличение нейронов первого слоя. Полученная в результате
адаптации структура нейросети удовлетворяет критерию быстродействия, который для
данного случая означает выбор такого количества нейронов первого слоя )(1N , которое
доставляет минимум времени прогноза по модели (10).
)(
min
1N
TF →= . (12)
Генетический алгоритм включает в себя следующие блоки [9–10]:
– представление особей и создание исходной популяции;
– фитнес-функция;
– оператор репродукции (селекции);
– оператор кроссинговера (кроссовера, рекомбинации);
– оператор мутации;
– оператор редукции;
– условие останова.
Представление особей и создание исходной популяции
Выбраны вещественные (действительные) гены в силу следующих причин:
– возможность поиска в больших пространствах, что трудно делать в случае двоич-
ных генов, когда увеличение пространства поиска сокращает точность решения при неиз-
менной длине хромосомы;
– способность к локальной настройке решений;
– отсутствие операций кодирования/декодирования, которые необходимы для дво-
ичных генов, повышает скорость работы алгоритма;
– близость к постановке большинства прикладных задач (каждый вещественный ген
отвечает за одну переменную или параметр, что невозможно в случае двоичных генов).
В качестве хромосомы, которая отражает характеристики артерий глаза и представ-
ляет s -ю особь популяции }{ shH = , выступают численные значения компонент векторов
im и матрицы iC .
),*,...,*(),...,*,...,*(( )()()()( NN1N1N1NN1N11111s 1111 mslxmslxmslxmslxh ∆∆∆∆ ++++= (13)
)),*,...,*(),...,*,...,*( )()()()( 1N1N1N1NN1N11111 1111 slxslxslxslx σ+σ+σ+σ+ ∆∆∆∆ ||, H1s ∈ ,
|| H
lxrx
m ikik
ik
−
=∆ ,
|| H
lxrx ikik
ik
−
=σ∆ , N1k ,∈ ,
где || H – мощность популяции;
iklx , ikrx – левая и правая границы значений k -го признака.
ISSN 1028-9763. Математичні машини і системи, 2011, № 4 89
Фитнес-функция
В качестве фитнес-функции (функционала цели, показателя качества) в статье предлагает-
ся использовать один из двух критериев:
1. Критерий надежности, который для данного случая означает выбор таких значе-
ний компонент векторов im и матриц iC , которые доставляют максимум вероятности пра-
вильного распознавания (отношения количества неправильно распознанных состояний ар-
терии по модели (нейросети) к их общему количеству).
ii Cm
P
1p
jp
j
jp
j
dyI
P
1
F
,
max)maxarg,max(arg →= ∑
=
; (14)
≠
=
=
ba0
ba1
baI
,
,
),( ,
где jpy – выходы, полученные по нейросети;
pd – желаемые выходы;
P – количество тестовых реализаций.
2. Критерий точности, который для данного случая означает выбор таких значений
компонент векторов im и матриц iC , которые доставляют минимум среднеквадратичной
ошибки отклонения от оптимальной траектории (разности выхода по нейросети и желае-
мого выхода).
ii
2
Cm
P
1p
N
1j
2
jpjp dy
P
1
F
,
min)(
)(
→−= ∑∑
= =
. (15)
Оператор репродукции
В качестве оператора репродукции, который позволяет отобрать лучшие особи, т.е. значе-
ния компонент векторов im и матриц iC , удовлетворяющие (14) или (15), для повышения
скорости сходимости, в статье используется пропорциональный отбор (рулетка).
Число копий для каждой s -й особи (определенных численных значений компонент
векторов im и матрицы iC ) зависит от величины ее фитнес-функции и определяется в виде
=
∑
=
||
)(
)(
||
H
hF
hF
roundV
H
1q
q
s
s
, ||,1 Hs ∈ . (16)
Оператор кроссинговера
В качестве оператора кроссинговера, который скрещивает две хромосомы из множества
отобранных оператором репродукции (16), т.е. комбинирует определенные численные зна-
чения компонент векторов im и матрицы iC , удовлетворяющих (14) или (15), в статье ис-
пользуется дискретная рекомбинация.
Обе хромосомы выбираются случайно. Затем для каждого гена хромосомы с равной
вероятностью выбирается первый или второй родитель. Осуществляется скрещивание, и
производятся два потомка. Вероятность кроссинговера – 0,5.
Оператор мутации
После кроссинговера для обеспечения разнообразия хромосом, т.е. значений компонент
векторов im и матрицы iC , для поиска глобального экстремума (14) или (15) используется
оператор мутации.
90 ISSN 1028-9763. Математичні машини і системи, 2011, № 4
Случайно выбирается хромосома. Затем случайно выбирается математическое ожи-
дание или среднеквадратичное отклонение из этого вектора (ген хромосомы), к которому
добавляется шаг мутации ∆ .
В статье для вычисления шага мутации используется алгоритм имитации отжига:
<
−−−
≥
−−
=
−
−
0rr1hh
0rr1hh
2
2
I
t
1
sjsj
I
t
1
sjsj
,)()min(
,)(max
∆ , (17)
где sjsj hh min,max – максимальное и минимальное значения j -го гена s -й хромосомы;
t – номер итерации;
T – максимальное количество итераций;
r – случайное число, ],[ 11r −∈ .
Для этого алгоритма вероятность мутации уменьшается с количеством итераций
)/exp( t1PP 0m −= , (18)
где 10050P0 ,, ÷=
Оператор редукции
В качестве оператора редукции, который позволяет выбрать особи, т.е. значения компо-
нент векторов im и матриц iC , из множества, полученного объединением исходной попу-
ляции с результатами кроссинговера и мутации, в статье используется селекционная схема.
Старые и новые особи объединяются в одно множество (популяцию) и упорядочи-
ваются по убыванию значения фитнес-функции. Отбираются первых || H особей.
Условие останова
В статье предлагается следующее условие завершение генетического алгоритма:
TthF1 s
s
≥∨ε<− )(max . (19)
Значения ε и T вычисляются экспериментально.
Результатом работы генетического алгоритма является особь (значения компонент
векторов im и матриц iC ) *sh , )(maxarg* s
s
hFs = .
8. Численное исследование
Для сопоставления разработанной вероятностной нейросети (PNN) с многослойным пер-
септроном (MLP) и радиально-базисной сетью (RBF) было проведено численное исследо-
вание. Длина тестовой выборки определялась как 100N = .
Количество нейронов в первом слое для MLP и RBF определяется согласно усло-
вию [11]:
( )
+++
+≤≤
+
⋅ )()()(
)(
)()(
)(
log
220
2
21
2
2
N1NN1
N
N
NN
N1
NN
,
причем )(1N выбиралось как среднее значение.
Для PNN количество нейронов в первом слое определяется с помощью генетиче-
ского алгоритма и удовлетворяет показателям качества (12) и (14).
ISSN 1028-9763. Математичні машини і системи, 2011, № 4 91
Структура PNN, MLP и RBF определена в табл. 2.
Таблица 2. Вероятность правильного прогноза
Количество
нейронов
в слоях
PNN MLP RBF
Слой 0 14 14 15
Слой 1 100 2478 2478
Слой 2 3 3 3
ноза имеет вероятностная сеть.
Таблица 3. Вероятность правильного прогноза
Название
нейросети
Вероятность правильного
прогноза, %
PNN 98
MLP 85
RBF 80
ного анализатора, созданную в соответствии с законами гидравлики, и нейросетевой моде-
ли прогноза состояния артерий глаза, настраиваемой посредством генетического алгорит-
ма. При принятии решения о состоянии артерий глаза обе предложенные модели могут
применяться параллельно. Разработанная методика позволяет повысить вероятность и ско-
рость принятия решения.
Практическое значение. Основные положения данной работы предназначены для
подсистемы диагностики физиологического состояния человека.
СПИСОК ЛИТЕРАТУРЫ
1. Acute IOP elevation with scleral suction: effects on retrobulbar haemodynamics / A. Harris, K. Joos,
M. Kay [et al.] // British Journal of Ophthalmology. – 1996. – Т. 80, N 12. – P. 1055 – 1059.
2. The Effect of Dehydration and Fasting on Ocular Blood Flow / U.U. Inan, A. Yucel, S.S. Ermis [et al.]
// Journal of Glaucoma. – 2002 – Т. 11, N 5. – P. 411 – 415.
3. Съем и обработка биоэлектрических сигналов: уч. пособие / Под ред. К.В. Зайченко. – СПб:
СПбГУАП, 2001. – 140 c.
4. Шамшинова А.М. Функциональные методы исследования в офтальмологии / А.М. Шамшинова,
В.В. Волков. – М.: Медицина, 1999. – 416 с.
5. Penkala K. Analysis of bioelectrical signals of the human retina (PERG) and visual cortex (PVEP)
evoked by pattern stimuli / K. Penkala // Bulletin of the Polish Academy Of Sciences Technical Sciences.
– 2005. – Vol. 53, N 3. – P. 223 – 229.
6. Гейер В.Г. Гидравлика и гидропривод: уч. для вузов / Гейер В.Г., Дулин В.С., Заря А.Н. – М.:
Недра, 1991. – 331 с.
7. Specht D.F. Probabilistic neural networks / D.F. Specht // Neural Networks. – 1990. – Vol. 3. – Р. 109 –
118.
8. Бодянский Е.В. Искусственные нейронные сети: архитектуры, обучение, применения / Е.В. Бо-
дянский, О.Г. Руденко. – Харьков: ТЕЛЕТЕХ, 2004. – 372 с.
9. Mitchell M. An introduction to genetic algorithms / Mitchell M. – London: A Bradford Book The MIT
Press, 1999. – 158 p.
10. Скобцов Ю.А. Основы эволюционных вычислений: уч. пособие / Скобцов Ю.А. – Донецк:
ДонНТУ, 2008. – 326 с.
11. Горбань А.Н. Нейронные сети на персональном компьютере / А.Н. Горбань, Д.А. Россиев. –
Новосибирск: Наука, 1996. – 276 с.
12. Слесорайтите И. Методика диагностики зрительного аппарата водителя / И. Слесорайтите,
Е.Е. Федоров // Вестник Донецкого института автомобильного транспорта. – 2009. – № 2. – С. 26 –
32.
Стаття надійшла до редакції 07.12.2010
9. Выводы
Новизна. В статье была предложена ме-
тодика распознавания состояния арте-
рий глаза, основанная на модели дав-
ления потока крови через артерию глаз-
Качество прогноза оценивалось по
предложенному показателю качества
(14).
Результаты исследования приве-
дены в табл. 3. Как видно из табл. 3, наи-
большую вероятность правильного прог-
|
| id | nasplib_isofts_kiev_ua-123456789-83630 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1028-9763 |
| language | Russian |
| last_indexed | 2025-12-07T17:26:57Z |
| publishDate | 2011 |
| publisher | Інститут проблем математичних машин і систем НАН України |
| record_format | dspace |
| spelling | Федоров, Е.Е. Слесорайтите, И. 2015-06-21T10:40:01Z 2015-06-21T10:40:01Z 2011 Методика распознавания состояния артерий глаза / Е.Е. Федоров, И. Слесорайтите // Мат. машини і системи. — 2011. — № 4. — С. 84-91. — Бібліогр.: 12 назв. — рос. 1028-9763 https://nasplib.isofts.kiev.ua/handle/123456789/83630 004.934.1'1 В статье была предложена методика распознавания состояния артерий глаза, которая основана на модели давления потока крови через артерию глазного анализатора, и нейросетевой модели прогноза состояния артерий глаза, настраиваемой посредством генетического алгоритма. Для создания второй модели выполнялось формирование вектора признаков; формирование эталонов; синтез структуры нейросети и ее математической модели; адаптация значений признаков эталонов и структуры нейросети посредством генетического алгоритма. Для предложенной методики приводятся результаты численного исследования. У статті була запропонована методика розпізнавання стану артерій ока, заснована на моделі тиску потоку крові через артерію очного аналізатора, і нейромережевої моделі прогнозу стану артерій ока, що налагоджується за допомогою генетичного алгоритму. Для створення другої моделі виконувалося формування вектора ознак; формування еталонів; синтез структури нейромережі та математичної моделі; адаптація значень ознак еталонів і структури нейромережі за допомогою генетичного алгоритму. Для запропонованої методики наводяться результати чисельного дослідження. The method of recognition of a state of arteries of an eye which is based on the pressure stream blood model through the eye analyzer artery and neural network forecasting model of a state of arteries of an eye adjusted by means of genetic algorithm has been offered in the article. For creation of the second model formation of a vector of features was carried out; patterns formation; synthesis of a neural network structure and the mathematical model; adaptation of patterns values features and structure of a neural network by means of genetic algorithm. For the offered method the results of numerical research are given. ru Інститут проблем математичних машин і систем НАН України Математичні машини і системи Нові інформаційні і телекомунікаційні технології Методика распознавания состояния артерий глаза Методика розпізнавання стану артерій ока Method of recognition of a state of arteries of an eye Article published earlier |
| spellingShingle | Методика распознавания состояния артерий глаза Федоров, Е.Е. Слесорайтите, И. Нові інформаційні і телекомунікаційні технології |
| title | Методика распознавания состояния артерий глаза |
| title_alt | Методика розпізнавання стану артерій ока Method of recognition of a state of arteries of an eye |
| title_full | Методика распознавания состояния артерий глаза |
| title_fullStr | Методика распознавания состояния артерий глаза |
| title_full_unstemmed | Методика распознавания состояния артерий глаза |
| title_short | Методика распознавания состояния артерий глаза |
| title_sort | методика распознавания состояния артерий глаза |
| topic | Нові інформаційні і телекомунікаційні технології |
| topic_facet | Нові інформаційні і телекомунікаційні технології |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/83630 |
| work_keys_str_mv | AT fedorovee metodikaraspoznavaniâsostoâniâarteriiglaza AT slesoraititei metodikaraspoznavaniâsostoâniâarteriiglaza AT fedorovee metodikarozpíznavannâstanuarteríioka AT slesoraititei metodikarozpíznavannâstanuarteríioka AT fedorovee methodofrecognitionofastateofarteriesofaneye AT slesoraititei methodofrecognitionofastateofarteriesofaneye |