Sieci neuronowe forexpros

Negociação harmônica forex fábrica indikator forex terbaru kurs walut onet forex forex um livro b livro c livro forex margem livre imposto negativo sobre futuros e opções de negociação 20 pips é quanto dinheiro no forex trading toontown bossbot campos de golfe opções de ações empresas relatam o custo das opções de compra de ações No uso de bandas de bollinger corretor opção de negociação e-mail forex sinais forex utilidades forex fábrica hugh briss forex sinais sms alerta universidade marca estratégia malásia banco central forex livros para aprender opções negociação vix estratégias de negociação como pode ganhar enorme dinheiro no forex trading binaryoptions fórum opções trading canada Ações opções de energia trabalho de comerciante opções de opções binárias para negociação direcional e de volatilidade pdf download forex super sinal v3 xforex kazananlar opções binárias campeão investimento carteira estratégia de diversificação sistema de negociação lvts e hdd forex forex ou futuros corretores forex afetados pela swiss ozforex avaliação do cartão de viagem 2017 head of fx Opções goldman sachs forex tra Cursos de ding lebanon melhor gerenciamento de fundos forex método de depósito instaforex forexfactory apenas ouro mg forex corporação forex valutaveksling odense c john bartlett scalping o forex download thinkforex metatrader 4 download pfgfx forex lista de opção negociação estratégias cnbc opções de ações ação 1 minuto diário sistema de negociação gratuito curso de negociação forex Forex estuda a a z como os negociantes do forex ganham dinheiro kvb forex ratesSieci neuronowe bezmodelowa analiza danych KM Graczyk IFT, Uniwersytet Wrocawski Polônia. Apresentação sobre o tema: Sieci neuronowe bezmodelowa analiza danych K. M. Graczyk IFT, Uniwersytet Wrocawski, Polônia. Transcrição de apresentação: 1 Sieci neuronowe bezmodelowa analiza danych K. M. Graczyk IFT, Uniwersytet Wrocawski Polônia 2 Resumo Podczas seminarium opowiem o zastosowaniu jednokierunkowych sieci neuronowych do analizy danych eksperymentalnych. W szczeglnoci skupi uwag na podejciu bayesowskim, ktre pozwala na klasyfikacj i wybr najlepszej hipotezy badawczej. Metoda ta ma w naturalny sposb wbudowane tzw. Kryterium brzytly Ockhama, preferujce modele o mniejszym stopniu zoonoci. Dodatkowym atutem podejcia jest brak wymogu uywania tzw. Zbioru testowego do weryfikacji procesu uczenia. W drugiej czci seminarium omwi wasn implementacje sieci neuronowej, zawierajc metody uczenia bayesowskiego. Na zakoczenie pokae moje pierwsze zastosowania w analizie danych rozproszeniowych. 3 Por que as redes neurais consideram os dados do fator de forma eletromagnética Simples Strightforward Então attac problemas mais sérios Inspirados por C. Giunti (Torino) Papers de Forte et al. (JHEP 0205: 062,200, JHEP 0503: 080,2005, JHEP 0703: 039,2007, Nucl. Phys. B809: 1- 63,2009). Um tipo de modelo independente de ajuste de dados e computação assistida sem dúvida. Cooperação com R. Sulej (IPJ, Warszawa) e P. Poski (Politechnika Warszawska) NetMaker GrANNet) minha própria biblioteca C 4 Mapa rodoviário Idéia das Redes Neurais Artificiais (NN) FeedForward NN Estatísticas bayesianas abordagem bayesiana para NN PDFs por NN GrANNet Fatores de Forma por NN 6 Aplicações, lista geral de aproximação de funções, ou análise de regressão, incluindo previsão de séries temporais, aproximação de aptidão e modelagem. Classificação, incluindo reconhecimento de padrões e seqüências, detecção de novidade e tomada de decisão seqüencial. Processamento de dados, incluindo filtragem, agrupamento, separação de fontes cegas e compressão. Robótica, incluindo manipuladores diretores, controle numérico de computador. 10 Redes Neurais O teorema de aproximação universal para redes neurais afirma que toda função contínua que mapeia intervalos de números reais para algum intervalo de saída de números reais pode ser aproximada arbitrariamente de perto por um perceptron de várias camadas com apenas uma camada oculta. Este resultado é válido somente para classes restritas de funções de ativação, por exemplo, Para as funções sigmoidais. (Wikipedia. org) teorema de aproximação universal 11 Função de ativação Feed-Forward-Network Função Heavside (x) 0 ou 1 função Sigmoid Tanh () tanh (x) sigmoid 12 arquitetura 3 - layers network, two hidden: 1: 2: 1 . Par9: Q2Q2 G (Q 2) Função linear Função sigmoid simétrica neurônios de polarização, em vez de limiares 13 Aprendizagem supervisionada Propor a função de erro (função de erro padrão, chi2, etc., qualquer função contínua que tenha um mínimo global) Considere conjunto de dados Treinar rede dada com dados marginalizar a função de erro Algoritmos de propagação traseira Procedimento iterativo que corrige pesos 14 Algoritmos de Gradiente de Aprendizado Gradiente descida QuickProp (Fahlman) RPROP (Ridmiller Braun) Conjugado gradientes Levenberg-Marquardt (hessian) Método newtoniano (hessian) Algoritmos de Monte Carlo No algoritmo da cadeia Marcov) 15 A superposição Modelos mais complexos descrevem os dados de uma maneira melhor, mas as generalizações perdidas de distorção de tendência e desvio Após o ajuste, é necessário comparar com o conjunto de teste (deve ser duas vezes maior que o original) Sobreposição de grandes valores das perdas Regularização Termo de penalização adicional para a função de erro 16 Dados de montagem com Redes Neurais Artificiais O objetivo do treinamento em rede Não é aprender sobre a representação exata dos próprios dados de treinamento, mas sim construir modelo estatístico para o processo que gera os dados C. Bishop, Redes Neurais para o Reconhecimento de Padrões 18 Funções de Distribuição Parton S. Forte, L. Garrido, JI Latorre e A. Piccione, JHEP 0205 (2002) 062 Um tipo de modelo de análise independente dos dados Construção da densidade de probabilidade PG (Q 2) no espaço das funções da estrutura Na prática, apenas uma arquitetura de rede Neural Densidade de probabilidade no espaço de parâmetros De um NN particular, mas, na realidade, Forte at al. 19 Treinamento N redes neurais representativas, uma para cada conjunto de N pseudo-dados Gerando pseudo-dados de Monte Carlo As redes neurais treinadas N representam uma representação da medida de probabilidade no espaço das funções da estrutura. A idéia vem de WT Giele e S. Keller 24 Minhas críticas Dados artificiais e função de erro chi2 superestimar a função de erro Não discuta outras arquiteturas Problemas com a superposição 26 Como aplicar o NN aos dados ep Primeira etapa: verificar se o NN pode trabalhar no nível razoável GE e GM e Ratio separadamente Entrada Q2 saída Fator de forma A função de erro padrão GE: 200 pontos GM: 86 pontos Ratio: 152 pontos Combinação de GE, GM e Ratio Entrada Q2 saída GM e GE A função de erro padrão: uma soma de três funções GEGMração: cerca de 260 pontos É preciso restringir os ajustes adicionando alguns pontos artificiais com GE (0) GM (0) p 1 40 Bayesian Framework para BackProp NN, MacKay, Bishop, Critérios Objetivos para comparação de alternância Soluções de rede ativa, em particular com diferentes arquiteturas. Critérios objetivos para a determinação da taxa de decaimento; Escolha objetiva da função de re-lização E; não é necessária a comparação com dados de teste. 41 Notação e convenções Ponto de dados, entrada de vetor, vetor Resposta de rede Conjunto de dados Número de pontos de dados Número de pesos de dados 42 Modelo Classificação Uma coleção de modelos, H 1, H2,, H k Nós acreditamos que os modelos são classificados por P (H 1 ), P (H 2), P (H k) (soma para 1) Após a observação dos dados D Bayes regra Geralmente no início P (H 1) P (H 2) P (H k) Normalização constatada Probabilidade de D dada H i 43 Estatísticas do Modelo Único Suponha que o modelo H i é correto. A rede neural A com pesos w é considerada Tarefa 1: Assumindo alguma probabilidade anterior de w, construa Posterior após incluir dados 45 Construindo probabilidade de função anterior e posterior Previsão anterior Probabilidade w MP W0w0 Distribuição de peso. 47 Como corrigir duas ideias adequadas: Aproximação de evidências (MacKay) Pesquisa Hirerquical w MP Encontrar MP Realizar integrais analíticamente sobre Se atingiu fortemente. 48 Obtendo PM O número efetivo de parâmetros bem determinados Procedimento Iterativo durante o treinamento 49 Comparação de modelos Bayesianos Factor Occam Fator Occam Melhor probabilidade de ajuste O registro da quantidade Occam Factor de Informações que obtemos após a coleta de dados Grandes modelos complexos de fatores Occam maior espaço de fase acessível ( Maior escala de posterior) Factores Occidentais pequenos do modelo de Occam maior espaço de fase acessível maior (faixa maior posterior) 50 Evidência Fator de Simetria Q2Q2 x FF mudança w sinal Tanh (.) Desajuste dos dados interpolantes Occam Factor Prazo de Penalidade 51 E sobre as seções transversais GE e GM simultaneamente, Entrada Q2 e secções transversais Função de erro padrão função do tipo chi-2, com a matriz de covariância obtida a partir da separação Rosenbluth Possibilidades: O conjunto de Redes Neurais se torna uma distribuição natural das seções transversais diferenciais. Pode-se produzir dados artificiais em A ampla gama de epsilon e realizar a separação Rosenbluth, buscando as não-linearidades De R na dependência epsilon. 52 E quanto ao TPE Q2, epsilon GE, GM e TPE No caso perfeito, a mudança do epsilon não deve afetar a GE e o GM. Treinamento pelo NN por série de dados de seção transversal artificial com dados fixos epsilon Collecting nas caixas de epsilon e caixas Q2, mostrando rede o conjunto de dados com epsilon específico na ampla faixa de Q2. Q2Q2 GM GE TPE 54 Uma rede Q2Q2 GM GE TPE Linha amarela tem os pesos que desaparecem não transferem o tagmarkbre forex teregulasi kaskus o que é a política forex roboforex vps aprende opções binárias trading forex on-line através da empresa offshore o que fazer com opções de estoque não qualificadas opções fx Opções de borboletas trading las vegas opções trading zero soma jogo o que são opções binárias sinais indicateur forex ssd análise quantitativa opções de negociação forex estratégias de negociação mancha de borboleta forex tratamento de impostos forex grátis serviço de vps retrocesos de fibonacci forex hot forex demo download forex mt5 manual forex trading pay tax market Perfil trading forex etrade taxas opções diferença forex et cfd kroll na estratégia de negociação de futuros estratégias de opções de epub na Índia max forex pvt ltd forex o que significa alavancar significar cara nak principal saham forex iforex opiniões mouthshut ipad forex gráficos estratégia confiável forex hdfc forex plus saldo do cartão pré-pago Verificar ganhar perfil de mercado forex exercendo Opções de ações após a morte forex trading bot forum melhor bônus forex 2017 seguro day trading strategy forex app ios forex bureau taxas de câmbio em nairobi estratégias de negociação quantitativa pdf troca permuta roma fiumicino mercado neutro negociação estratégias opções swing trader ukforex taxas opções binárias pendentes order forex turkiye forum pengalaman trading Forex kaskus opções binárias é falsa forex swap grátis demonstração conta taxa forex dólar para peso filipino que forma de imposto eu uso para opções de ações ganhar capital revisão forex sistema de negociação de alta freqüênciaSieci neuronowe w medycynie Faça o login para adicionar seu comentário. Transcrição de Sieci neuronowe w medycynie Modelo neuronu a komrka nerwowa Zdolno uczenia si Jedn z najwaniejszych cech mzgu jest zdolno do uczenia si. Tak sam zdolno posiadaj sztuczne sieci neuronowe. Ucz si one na danych numerycznych, ktre s im przedstawiane. Gdy s ju odpowiednio nauczone moemy je wykorzysta do zgbienia wiedzy o zachodzcym procesie oraz do predykcji przebiegu nieznanych procesw czy waciwoci substancji. Uczenie si znajdywanie w kolejnych krokach wartoci wag na poczeniach tak, aby sie produkowaa odpowiednie wyjcie. Nadzorowane sie ma przykady wej i wyj na podstawie ktrych si uczy, Nienadzorowane sie sama podczas uczenia odkrywa podobiestwo midzy wzorcami. Sztuczne sieci neuronowe to nowoczesne systemy obliczeniowe, ktrych dziaanie zostao oparte o funkcjonowanie mzgu. Skadaj sie podobnie jak mzg z neuronw (sztucznych neuronw) bdcych uproszczonym matematycznym modelem prawdziwej komrki nerwowej. W neuronie wystpuje jasno okrelony i ukierunkowany przepyw informacji. Znajomo struktury i zjawisk pozwala zaproponowa modelo cybernetyczny komrki. Komrka nerwowa Synapsy jest miejsce czenia aksonu z dendrytem i miejscem przepywu sygnau Dendryty wejcie sygnau ktry ma por obrbce poddany, jest ich tysice Jdro centrum neurony Wzgrek aksonu - interpretowany sygna wejciowy przekazywany jest w tym miejscu nd ca dugo aksonu ku wyjciu Akson przetworzona Informacja przekazywana jest Za jego porednictwem dalej, jest tylko jeden Historia 1968 - Pierwszy szeroko znany przykad zbudowanej i ciekawie dziaajcej sieci neuropodobnej - perceptron Frank Rosenblatt 1960 - Bernarda Widrowa - sie elektrochemicznych uczcych si elementw Adaline. Para o neurokomputer pierwszy oferowany komercyjnie. Zadania jego byy zwizane z adaptacyjnym przetwarzaniem sygnaw. Sie Madaline wykorzystywana jest w radarach, sonarach, modemach i liniach telefonicznych. Historia 1943r. - McCulloch i Pitts po raz pierwszy przedstawili matematyczny opis komrki nerwowej oraz powizanie go z problemem przetwarzania danych. 1949 r. - Donald Hebb, odkry, e informacja moe por przechowywana w strukturze pocze pomidzy neuronami i jako pierwszy zaproponowa metod uczenia sieci polegajc na zmianach wag pocze midzy neuronami (regua Hebba). W Latach 50-tych zaczto budowa pierwsze sieci neuronowe. Sieci neuronowe w medycynie Agnieszka Bartnikowska Katarzyna Banasiak Tomasz Bk Przykady SSN Sztuczne sieci neuronowe a komrki nerwowe - zasada dziaania Zasada dziaania jest podobna. Ukad obliczeniowy zoony jest z prostych elementw - sztucznych neuronw, ktre dziaaj w trybie rwnolegym. Maj one naturaln zdolno uczenia si na podstawie przykadw i stosowania tak pozyskanej wiedzy do przyszych nieznanych sytuacji. Neuron najpierw otrzymuje pewne impulsy (sygnay wejciowe), ktre s w odpowiedni sposb przetwarzane i nastpnie przesyane dalej, do kolejnych komrek jako sygna wyjciowy. Neurony w medycynie Na potrzeby medycyny uywa e neurony nieliniowe, gdy liniowe nie s w stanie poradzi sobie z pewnymi prostymi wzorcami. Ich nieliniowy charakter jest uzasadniony wystpujc nieliniowoci neuronw biologicznych. Dodatkowo sieci nieliniowe maj znacznie bogatsze moliwoci przetwarzania. Sztuczne sieci neuronowe Regua Hebba W modelu Hebba wykorzystuje si obserwacje neurobiologiczne. Jeeli akson komrki A bierze systematycznie udzia w pobudzeniu komrki B powodujcym jej aktywacj, para wywouje to zmian metaboliczn w jednej lub obu komrkach, prowadzc do wzrostu skutecznoci pobudzania B przez Aquot (Hebb 1949). Zgodnie z tym waga powiza midzy dwoma neuronami wzrasta przy jednoczesnym stanie pobudzenia obu neuronw, w przeciwnym wypadku maleje. Historia 1969 po publikacji ksiki Minsky39iego i Paperta rozwj bada nad sieciami neuronowymi zosta gwatownie zahamowany. Zawieraa formalny dowd, e sieci jednowarstwowe maj bardzo ograniczony zakres zastosowa. W Latach 80-tych pojawiy si pierwsze sieci ze sprzeniem zwrotnym. Przykadem jest opracowana w 1982 roku przez Johna Hopfielda, z ATampT Bell Labs sie wykorzystywana do odtwarzania obrazw z ich fragmentw, a tomar stosowana do rozwizywania zada optymalizacyjnych - synny problem komiwojaera. W Polsce zajmowano si problematyk sieci neuronowych i ich uczenia od samego pocztku istnienia tej dziedziny. Winkano szereg ksiek zajmujcych si problematyk sieci neuronowych oraz rozpoznawania obrazw i metodami uczenia, wrd ktrych naley wymieni monografie: Gawroskiego (1970), Kulikowskiego (1972) Brodziaka (1974). Nowa fala zainteresowania sieciami neuronowymi poowie lat 80-tych znajduje te odbicie w Polsce, gdzie wydano monografie Tadeusiewicza (1992), Korbicza, Obuchowicza i Uciskiego (1974), Kacprzaka i lota (1995) oraz przetumaczono monografi Hertza, Krogha i Palmera (1993) . Mzg w liczbach Mzg ludzki: objto 1,4 l. prisioneiro de guerra. 2000cm2, massa 1,5 kg Liczba pocze (synaps): 1014-1015 Impulsy komrek nerwowych: czstotliwo 1-100Hz, Czas trwania 1-2 ms, napicie 100mV Szybko pracy mzgu: 1018 operacjis. Due znaczenie dla intelektualnych zdolnoci ma kora mzgowa o gruboci rednio 3 mm, zawierajca: 1010 komrek nerwowych 1012 komrek glejowych. Liczba pocze miedzy komrkami jest okoo 1015. Pojemnoci kanaw zmysw mona oszacowa jako: wzrok 100Mbs, dotyk 1 Mbs, tal 15 Kbs, wch 1 Kbs, smak 100 bs. Ponadto: Dua odporno na uszkodzenia Dua odporno na szumy Zdolno uczenia i adaptacji, uoglnianie. Wejcia s traktowane jak dendryty miejsce nadawania sygnaw Wagi kojarzone jako synapsy - wykonuj cyfrow modyfikacj sygnau Blok sumujcy jest odpowiednikiem jdra sumuje zebrane informacje tzw. POTENCJA MEMBRANOWY Blok aktywacji jako odpowiednik pocztku aksonu kieruje sygna do wyjcia Charakterystyka sztucznych neuronw Neuron liniowy Neuron nieliniowy Agregacja danych wejciowych ma na celu przetworzenie wektora wejciowego x (x1, x2,.xn) w pojedyncz warto. Na rezultat tej transformacji w zasadniczy sposb wpywaj wartoci wag. Jest to innymi sowy funkcja cakowitego pobudzenia. Funkcja aktywacji jest to funkcja, wedug ktrej obliczana jest warto wyjcia neuronw sieci neuronowej. Charakter neuronw musi por jasno zdefiniowany poprzez funkcj agregacji i aktywacji oraz posiada wektory wag. Przykady funkcji agregacji i aktywacji Szacuje si, e przygotowanie danych oraz uczenia sieci moe zaj nawet do 75 caego czasu opracowania aplikacji, np. W przypadku rozpoznawania pojazdw, trzeba nauczy sie kadego z modeli samochodw por podczas waciwej pracy sie moga rozpozna poprzez dane wejciowe typ pojazdu jaki analizuje. Uczce dziecko ma dwie opcje: a) Zrozumie zasad dodawania i posugiwa si ni w przykadach, ktrych nie widziao b) Wyuczy si przykadw na pami, wtedy jeeli zobaczy agora, nieznany przykad to nie bdzie potrafio go rozwiza. W dziedzinie nauki SSN istnieje kilka metod uczenia zarwno jednoprzebiegowych jak i wieloprzebiegowych. Takie podejcie ma na celu zapobieenia tzw. Przeuczenia sieci. Przeuczenie sieci para brincadeira najzwyklejsze wyrycie na blach przykadw jakimi uczymy sie. Algorytm wstecznej propagacji bdw - proces uczenia sieci nieliniowych Algorytm wstecznej propagacji - BP (ang. BackPropagation) okrela strategi doboru wag w sieci wielowarstwowej. Podcasts processu uczenia sieci dokonuje si prezentacji pewnej iloci zestaww uczcych (tzn. Wektorw wejciowych oraz odpowiadajcych im wektorw sygnaw wzorcowych (wyjciowych). Uczenie polega na takim doborze wag neuronw por w efekcie kocowym bd popeniany przez sie por mniejszy od zadanego. Nazwa quotwsteczna propagacjaquot pochodzi od sposobu obliczania BDW w poszczeglnych warstwach sieci. bdy Najpierw obliczane s w warstwie ostatniej (nd sygnaw podstawie wyjciowych i wzorcowych Bd. dla neuronw w dowolnej warstwie wczeniejszej obliczany jest jako pewna funkcja BDW neuronw poprzedzajcej warstwy. Sygna BDU rozprzestrzenia Si od warstwy ostatniej, uma fazer wejciowej warstwy, um wstecz wic Warstwa neuronw Sie dwuwarstwowa Sie wielowarstwowa Sie rekurencyjna Umoliwiaj rozwizywanie zrnicowanych zada poprzez dobr:. funkcji agregacji, funkcji aktywacji, sieci struktury Dodanie kadej kolejnej warstwy sieci para zwikszenie jej moliwoci obliczeniowych przez co moliwe fazer rozwizania Staj si coraz. Bardziej skomp Likowane zadania klasyfikujce. Neurony w medycynie Potrafi odpowiada w warunkach informacji niepenej Nie wymagaj znajomoci algorytmu rozwizania zadania (automatyczne uczenie) Przetwarzaj informacj w sposb wysoce rwnolegy Potrafi generalizowa (uoglnia nd przypadki nieznane) S odporne nd czciowe uszkodzenia Potrafi realizowa pami asocjacyjn (skojarzeniow podobnie jak dziaa pami u ludzi ) W przeciwiestwie do pamici adresowanej (charakterystycznej dla klasycznych komputerw) Zalety sztucznych sieci neuronowych Zastosowanie sztucznych sieci neuronowych w medycynie Dziki niewraliwoci SSN na tipowo ludzkie przypadoci takie jak np. Zmczenie, warunki pracy, stan emocjonalny, mona je zastosowa: w systemach diagnosticycznych do wspomagania diagnoszowania nowotworw, chorb serca, tarczycy, rozedmy puc, chorb psychicznych, przeysygo przyszego stanu pacjenta np. Szansy przeycia, w analizie danych medycznych, analizie biochemicznej prbek krwi, moczu, w celu wykrycia stanw chorobowych np. Grulicy, w analizie obrazw medycznych np. Klasyfikacja zdj tomograficznych klatki piersiowej, klasyfikacja tkanek i naczy zmienionych chorobowo. Sieci neuronowe znalazy rwnie zastosowanie w mniej standardowych, a ciekawych zastosowaniach: sterowanie aparatur medyczn np. Respirator czy wzkiem inwalidzkim, projektowanie lekw do poszukiwania skutecznego rodka na raka, AIDS, modelowanie biomoleku, kompresja danych medycznych. Zastosowanie sztucznych sieci neuronowych w medycynie SSN w elektrokardiografii Elektrokardiografia jest jednym z podstawowych bada w nieinwazyjnej diagnostyce kardiologicznej. Umoliwia uzyskanie wielu informacji o stanie fizjologicznym serca pacjenta np. Rytmie serca, ukrwieniu minia sercowego. Badanie to ma zasadnicze znaczenie we wczesnej diagnoszie zawau serca. Krzywa EKG wyraa aktywno elektryczn serca i moe przybiera rn posta. SSN w elektrokardiografii uywane s przede wszystkim w: zadaniach modelowania i kompresji sygnau, detekcji cech sygnau, gdy na sygna EKG wpyny rne zakcenia, klasyfikacji sygnau, do wspomagania diagnosyzy medycznej. Wczesne diagnoszowanie zawau serca za pomoc SSN Zawa serca jest martwic fragmentu minia sercowego co jest spowodowane przeduajcym si niedokrwieniem. Typowymi objawami s ble klatki piersiowej, duszno, poty, uczucie lku, nudnoci. W diagnozowaniu wane s take dane o przebytych zawaach lub chorobach (cukrzyca, nadcinienie). Bardzo pomocny jest toma wykres EKG. Ze wzgldu na to, e nie wszystkie z objaww wystpuj w kadym przypadku sprawia to, e diagnostico jest trudna i nie zawsze trafna. Wczesne diagnoszowanie zawau serca za pomoc SSN schemat sieci W SSN do wczesnego wykrywania zawau serca wykorzystano sie perceptronow z jedn warstw ukryt zoon z: 18 neuronw w warstwie ukrytej, 53 neuronw w warstwie wejciowej, 1 neuronu wyjciowego. Wczesne diagnoszowanie zawau serca za pomoc SSN process uczenia i wyniki Sie uczono za pomoc algorytmu wstecznej propagacji bdw i testowano na grupie 300 pacjentw z objawami blu klatki piersiowej. Dane uczce zawieray parametry EKG i dane z wywiadu chorobowego skadajce si na 38-elementowy wektor cech. Wyniki: Dokadno poprawnych diagnostic SSN dla grupy testowej: 90 Dokadno diagnosz stawianych przez lekarzy: gt 82 Dokadno diagnosz lekarza korzystajcego z podpowiedzi sieci neuronowej: 94 Bibliografia U. Markowska-Kaczmar, H. Kwanicka, Sieci neuronowe w zastowowaniach, wyd. Oficyna Wydawnicza Politechniki Wrocawskiej, Wrocaw 2005 stn. cm-uj. krakow. plplcontentsztuczne-sieci-neuronowe-w-technologii-postaci-leku iisi. pcz. pl galaxy. agh. edu. pl vlsiAIwstep Dr in. Piotr Urbanek Sztuczne sieci neuronowe Zastosowanie SSN w diagnoszowaniu chorb tarczycy Choroby tarczycy mona podzieli na dwie gwne grupy: nadczynno i niedoczynno tego narzdu. Kada z nich moe por podzielona na dalsze podgrupy w zalenoci od charakteru choroby, w przypadku ktrej stosuje si rne metody leczenia. Prawidowe rozpoznanie zatem jest bardzo istotne. Przy diagnoszowaniu stanu patologicznego branych jest pod uwag kilkanacie rnych czynnikw co powoduje, e prawidowa klasyfikacja nie zawsze jest atwa. SSN w diagnoszowaniu rozedmy puc Rozedma jest czsto spotykan chorob ukadu oddechowego. Charakteryzuje si zniszczeniem tkanek pucnych, prowadzcym do redukcji dostarczanego organizmowi tlenu, a co z tym si wie ograniczeniem aktywnoci fizycznej chorej osoby. Niezbdnym narzdziem do wczesnego diagnoszowania tej choroby i oszacowania rozwoju jest tomografia komputerowa. W obrazie tomograficznym puc intensywno barwy piksela odpowiada gstoci tkanki. SSN diagnoszujce choroby tarczycy Do rozwizania problemu uyto hierarchicznej sieci neuronowej zoonej z dwch podsieci. Pierwsza suya do okrelenia, ktrzy z pacjentw s faktycznie chorzy, druga za dokonywaa dalszej klasyfikacji. Na wejciu pierwszej podano 20 wartoci charakteryzujce dany przypadek. Sie klasyfikowaa go do jednej z 4 grup: nadczynno, niedoczynno, przypadek normalny, Inne nieprawidowoci. Pacjenci zaliczeni do grupy osb z niedoczynnoci poddani zostali analizie przez droga sie, ktra na podstawie rozszerzonych informacji 23 parametry, dokonywaa oceny typu choroby i wystawiaa ostateczn diagnosoz. Proces uczenia sieci Sie trenowano na bazie 9000 przypadkw podejrzanych o chorob, przy czym 4000 wykorzystano do uczenia, uma pozostae 5000 przypadkw suyo do testowania dziaania sieci. Sie specjalizowana uczona bya wycznie na bazie przypadkw zaklasyfikowanych jako chorobowe. Rozpatrywane byy rozmaite parameters uczenia sieci oraz ich rne struktury. Schemat SSN do diagnozy chorb tarczycy Wyniki Uzyskane wyniki pokazay, e niemal zawsze sie wykazywaa bardzo du skuteczno (prawidowa klasyfikacja przypadkw chorobowych): SSN w diagnosozowaniu rozedmy puc Puca zawieraj w wikszoci powietrze charakteryzujce si ma gstoci (ciemne obiekty). Dodatkowo w obszarze puc wyrniamy naczynia krwionone - jasne punkty na obrazie (dua gsto). Odma charakteryzuje si brakiem tkanek co odzwierciedla obszary z mniejsz intensywnoci piksela (obstemary ciemne w i tak ciemnych ju pucach). Strzaki wskazuj ogniska rozedmy rodka zrazika Poziom zniszczenia tkanki obliczany jest na podstawie wielkoci obszarw o danej intensywnoci (przeliczanie pikseli przy odpowiednio dobranym progu intensywnoci). Metoda ta nie przynosi satysfakcjonujcych wynikw w przypadku, gdy poziom choroby jest niski. Dzieje si to z powodu szumw i zakce wystpujcych w obrazach CT. SSN w diagnoszowaniu rozedmy puc Metoda diagnoszowania odm oparta jest na kombinacji processw przetwarzania obrazu i sieci neuronowych. Skara si z odrbnych krokw: przetwarzania obrazu, gdzie wykrywane s potencjalne odonto obscuro, wykrywania istotnych cech caego obrazu i czci podejrzanych, klasyfikacji, ktra odrnia prawdziw odm od zakce obrazu. W celu poddania obrazw badaniu sieci naley okreli zbir istotnych czynnikw charakteryzujcych podejrzany region, ktre bd brane pod uwag w processie uczenia i testowania sieci. Zaprojektowano sie zoon z 14 neuronw wyjciowych, 8 ukrytych i 1 wyjciowego. SSN w diagnoszowaniu rozedmy puc Prawdziwie zniszczone regiony s wiksze i bardziej regularne ni powstae zakcenia. Jednak para nie wystarczy do klasyfikacji. Konieczna jest analiza obszaru otaczajcego np. Kontrast pomidzy pikselami. W eksperymencie diagnoszowania odmy, wzito pod uwag: charakterystyk graficzn (kontrast midzy pikselami, rednia, minimalna i maksymalna intensywno), opis ksztatu (wielko, orientacja przestrzenna), cechy globalne zdjcia (rednia intensywno, liczba podejrzanych obszarw, redni rozmiar). W celu zebrania danych do klasyfikacji przetworzono 500 obrazw CT od 50 pacjentw. Nastpnie regiony zostay sklasyfikowane przez eksperta co dao 5000 obszarw z odm, um 50 000 z zakceniami. Zebrano cechy przypadkw zaklasyfikowanych jako chore, um nastpnie trenowano sie przy uyciu 4500 prbek kadej klasy, natomiast po 500 uyto do oceny wynikw. Otrzymane wyniki porwnano z wynikami innych metod: liniowa klasyfikacja Fishera: 85,9 SVM: 88,8 sie neuronowa: 89,4. Dzikujemy za uwag Mais apresentações por