Нейромережевий метод глобально-локальної апроксимації коротких наборів медичних даних

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Бляхаром Романом Степановичем. Тема «Нейромережевий метод глобально-локальної апроксимації коротких наборів медичних даних». Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Метою роботи є підвищення ефективності прогнозування коротких наборів медичних даних на основі модифікації нейромережевого методу глобально-локальної апроксимації. Об’єктом дослідження є процеси композиції глобально-локальних методів апроксимації даних. Предметом дослідження є нейромережеві методи аналізу коротких наборів даних. В результаті роботи модифіковано метод глобально-локальної апроксимації за рахунок використання нейронної мережі узагальненої регресії замість RBF нейронної мережі для виділення локальної компоненти, що забезпечило підвищення точності апроксимації табличних наборів медичних даних на 7% (за метрикою RMSE) та зменшення тривалості процедури навчання на 10% у порівнянні з базовим методом. Проведено оптимізацію роботи методу та досліджено ефективність послідовного виділення глобальної та локальної складових поверхні відгуку у порівнянні з ефективністю використання ряду існуючих методів на прикладі задачі передбачення вмісту підшкірного жиру людини. Магістерська кваліфікаційна робота містить 58 сторінки основного тексту, 10 рисунки, 26 використаних джерел. The master’s degree work was performed by a student of the group CSAI-21 Bliakhar Roman Stepanovych. The topic is «Neural-network-based method for global local approximation of short medical datasets». The work is aimed at obtaining a master’s degree in 122 «Computer Science». The aim of the work is to increase the efficiency of predicting short medical datasets based on the modification of the neural network method of global-local approximation. The object of research is the processes of composing global-local data approximation methods. The subject of the study is neural network methods for analyzing short data sets. As a result of the work, the method of global-local approximation was modified by using a generalized regression neural network instead of an RBF neural network to extract the local component, which increased accuracy of approximation of tabular medical datasets by 7% (according to the RMSE metric) and reduced the duration of training procedure by 10% compered to the basic method. The method was optimized and the efficiency of the sequential separation of the global and local components of the response surface was investigated in comparison with efficiency of using a number of existing methods on the example of the problem of predicting the BMI. Total work contains 58 pages, 10 figures, 26 references.