ترجمه مقاله يك سيستم خبره فازي – عصبي براي تشخيص

دانلود ترجمه مقاله يك سيستم خبره فازي – عصبي براي تشخيص

در 17 صفحه ورد قابل ويرايش با فرمت doc

به همراه فايل انگليسي در 12 صفحه ورد قابل ويرايش با فرمت doc

چكيده:

منطق فازي،يك شبكه عصبي و سيستم خبره است كه براي ايجاد يك سيستم تشخيصي تركيبي با يكديگر تركيب شده اند.با استفاده از چنين سيستمي ما يك روش جديد براي فراگيري مباني دانش استفاده مي كنيم. سيستم ما شامل يك سيستم خبره فازي همراه با يك بيس دانشي با منبع دوگانه است. دو سري قوانين لازم هستند ، كه به صورت استنباطي از مثالهاي ارائه شده و به صورت استقرايي توسط فيزيك دانان بدست آمده اند. يك شبكه عصبي فازي سعي ميكند كه از داده هاي نمونه ياد گرفته و اين اجازه را مي دهد كه قوانين فازي براي دانش پايه را استخراج كنيم.تشخيص electroencephalograms با تفسير عناصر نموداري بعنوان يك نوع مشاهده در روش ما بكار گرفته مي شود. نتايج اوليه نشان دهنده احتمالات مورد نظر با استفاده از روش ما مي باشد. 

1- مقدمه:

روشهاي تكراري شناسايي و ارزيابي پديده خاص را كار تشخيصي مي نامند ،كه يكي از كاربردهاي اصلي براي هوش مصنوعي (AI) مي باشد. با توجه به اينكه رنج وسيعي از چنين كاربرهاي تشخيصي وجود دارد . اگرچه رنج وسيعي از چنين كاربردهاي تشخيصي در پزشكي وجود دارد ولي اين بخش مورد توجه استفاده كنندگام از هوش مصنوعي قرار دارد. عمومي ترين روشهاي AI در بخش پزشكي مبتني بر دانش و مدلسازي رفتار تشخيصي متخصصان است .  انواع مختلفي از چنين سيستمهاي خبره اي از زماني كه SHRTLIFFEروش SHRTLIFFE MYCIN   را بعنوان يك سيستم خبره براي تشخيص آسيبهاي خوني انسان طراحي و معرفي كرد ، بوسيله پزشكان مورد استفاده قرار گرفته است. يكي از بزرگترين مشكلات بر سر راه طراحي يك سيستم خبره مناسب ، گردآوري و دانش پايه آن است. ما روش جديدي را معرفي ميكنيم كه در آن دانش پايه با منبع دوگانه بوسيله يادگيري قياسي واستقرايي ايجاد مي شود. شيكه هاي عصبي نيز از اين راه براي تشخيص استفاده ميكنند . آنها قادرند رابطه بين مجموعه داده ها را با داشتن اطلاعات نمونه كه نشاندهنده لايه هاي ورودي و خروجي آنها است ،ياد بگيرند. در حوزه تشخيص الگو در داده هاي پزشكي ، شبكه هاي عصبي زير بناي روشهايي است كه باعث دستيابي به نتايج قابل توجهي شده اند. براي انجام وظيفه چمع آوري دانش پايه كه بخشي از روش تركيبي ما است ، شبكه هاي عصبي جديدي معرفي شده اند. منطق فازي كه در علوم پزشكي نيز ظاهر شده اند ، با توضيحات شفاهي مبهم سروكار دارند. واژه هايي همانند كم ، زياد يا احتمالاً براي مدلسازي با استفاده از روشهاي منطقي مرسوم ،دشوار هستند. متغيرهاي زباني معرفي شده بوسيله توضيحات فازي ، توضيحات شبه گفتاري نزديك به گفتارهاي يك شخص طيبعي است. تمامي روشهاي بالا داراي مزايا و معايبي هستند كه در بخش 2 توضيح داده خواهند شد. تركيب اين روشها نه تنها باعث افزايش مزيتها آن مي شود بلكه باعث حذف برخي از نقاط ضعف آنها نيز ميشود. تاكنون فقط چند روش در تشخيص پزشكي ، روشهاي چندگانه هوش مصنوعي را با هم تركيب كرده اند، كه البته با مدلسازي يك پروسه تشريحي پزشكي به نتايج خوبي هم رسيده اند.

A  H y b r i d  F u z z y - N e u r a l  E x p e r t  S y s t e m  f o r  D i a g n o s i s

Christoph S. Herrmann *

Intellektik, Informatik, TH Darmstadt

Alexanderstrafie 10, D-64283 Darmstadt, Germany

herrmann@intellektik.informatik.th-darmstadt.de

Abstract

Fuzzy Logic, a neural network and an expert system are combined to build a hybrid diagnosis system.  With this system we introduce a new approach to the acquisition of knowledge bases. Our system consists of a fuzzy expert system with a dual source knowledge base. Two sets of rules are acquired, inductively from given examples and deductively formulated by a physician. A fuzzy neural network serves to learn from sample data and allows to extract fuzzy rules for the knowledge base. The diagnosis

of electroencephalograms by interpretation of graphoelements serves as visualization

for our approach. Preliminary results demonstrate the promising possibilities offered by our method.

1 Introduction

Repetitively applied cognitive tasks of recognizing and evaluating certain phenomena, called diagnostic tasks, are among the main applications for Artificial Intelligence

(AI). As there exists a vast variety of such diagnostic tasks in medicine, it has always belonged to the spectrum of potential users of Artificial Intelligence. Most popular among AI methods in medicine are knowledge based systems [Buchanan and Shortliffe, 1985], modeling the diagnostic behaviour of experts. A variety of such expert systems is being used in everyday practice of physicians since Shortliffe introduced MYCIN Shortliffe, 1976], an expert system designed to diagnose

infections of the human blood. One of the greatest difficulties in designing a convenient expert system is acquiring the knowledge base. We introduce a new approach where a dual source knowledge base is generated by deductive

and inductive learning. Neural networks have also made their way into diagnosis.

They are able to learn relationships between data sets by simply having sample data represented to their input and output layers. In the field of pattern recognition in medical data, neural network based approaches have led to quite remarkable results, for exam- *also affiliated with Mainz University Clinic, Department of Neurology, Reisingerweg, D-55101 Mainz, Germany ple in processing MRI pictures [Hall et a/., 1992] or EEG traces [Mamelak et a/., 1991; Jando et a/., 1993]. For the task of  acquiring knowledge bases, which is a part of our hybrid approach, neural networks have been proposed recently [Thrun and Mitchell, 1993]. Fuzzy logic [Zadeh, 1965] also makes its appearance in medicine, dealing with the uncertainty of verbal expressions [Kuncheva, 1991; Nishimura et a/., 199l]. Terms like many, few or probably are hard to model with conventional logic. The linguistic variables offered by fuzzy representations allow pseudo-verbal descriptions close to natural human expressions. All of the above methods bear advantages as well as disadvantages as will be seen in Section 2. Combining these methods not only sums up the advantages

but also avoids some of the disadvantages. Up to now, only few approaches in  medical diagnosis combine multiple methods of Artificial Intelligence, although

good results have been made by these means, modeling a physician's decision process [Kuncheva et a/., 1993; Orsier et a/., 1994]. Here, we will describe a hybrid system consisting of a fuzzy expert system for rule-based reasoning with a fuzzy neural network for acquiring case-based knowledge in addition to the explanation-based knowledge from an expert (Section 3). The automatic acquisition of rules by

the network is implemented in parallel to the classical formulation of expert rules.