Национальной академии наук республики казахстан

Вестник Н
 
 
Пров
на  величи
шарошек 
определяе
 
[1]
 
Ма
инструмент
С. 322-323. 
[2]
 
Ка
[3]
 
Ме
практ. конф
[4]
 
Му
 
[1]
 
Ma
Khostikoyev
[2]
 
Ku
[3]
 
Me
practical con
Р. 209-213.  
[4]
 
Mu
 
БҰРҒ
 
Тірек
Анно
лымдары  к
қолданып, 
 
Национальной
еденные ис
ину  разновы
следует  н
емых служе
ахненко А.Н. И
ом. Хостикоев
ардыш В.Г. По
ендебаев Т.Н. 
ф. «Перспектив
узапаров М.Ж.
akhnenko A.N.
v M.H., Makhne
urdish Century. 
endeleev I.E. an
nference "Pros
uzafarov M.J. D
ҒЫ ҚАШАУЫ
Ө
Қ. И. Сəтб
к сөздер: бұрғ
тация.  Ғылы
келтірілген. 
қашауларды
й академии на
 
следования 
ысотности  з
азначать  не
бным назна
Изготовление 
в М.З., Махнен
вышение эффе
и др. Компоно
вы развития ма
. Направленно
. Manufacturer
enko A.N. Mini
The efficiency
nd other. Layo
spects of deve
Directional drill
ЫНЫҢ ТЕХ
ЛШЕМ БАЙ
Т. М. М
баев атындағы
ғылау, қашау
ыми  мақалад
Мұнда  өңде
ың технология
аук Республи
показываю
зубков,  на  и
е  только  с
ачение издел
Л
буровых доло
нко А.Н. / Горн
ективности раб
овка секционн
ашиностроения
ое бурение. – Т
R
r of drill bits fo
ing information
y of the machine
ut section hydr
elopment of en
ling. Vol. 1. Tu
ХНОЛОГИЯ
ЙЛАНЫСТА
Мендебаев, А
ы Қазақ ұлтты
утас, тістің қа
да  тау-кен  жы
еу  технологи
ялылықтары 
ки Казахста
   
50  
ют, что норм
их  радиальн
  учетом  ра
лия.  
ЛИТЕРАТУРА
 
от на станках 
ный информац
боты станков. 
ного гидробура
я и транспорта
Т. 1. – Учебник
REFERENCE
 
for CNC machi
n and analytical
es. M.: Nedra, 1
rodrill for the c
ngineering and
utorial. Almaty: 
 
ЯЛЫЛЫҒЫН
АРЫ АРҚЫЛ
 
А. З. Габдулл
 
ық техникалы
абы, бұрғыла
ыныстарын  ү
ияларының  ер
мен жұмысқа
н  
Рисунок
шароше
базов
1 – о
I
Г

 – с
I
Г

 – с
I
Г

 – с
мы точности
ное  биение 
азмеров  до
А  
с ЧПУ и обра
ционно-аналит
– М.: Недра, 1
а для сооруже
а в ХХI веке». 
к. – Алматы: К
S 
ines and machi
l Bulletin. M., 2
1980. Р. 97-101
construction of 
d transport in 
KazNTU, 200
Н ЖƏНЕ Ж
ЛЫ ҚАМТА
ина, У. С. Ра
ық университ
ау жылдамды
үгітіп  өңдейт
рекшеліктері
а сенімділікт
к 3 – Схема см
к по разную ст
вой резьбовой
1, 2, 3 – 
ось базовой рез
смещение верш
I
Г

 =
смещение верш
смещение верш
и на основны
и  на  смеще
лот,  но  и 
абатывающих ц
тический бюлл
1980. – С. 97-10
ния скважин /
– Семей, 2014
азНТУ, 2001. –
ining centers w
2011. N 4. Р. 32
1.  
wells. Material
the twenty-fir
1. 205 p.  
ЖҰМЫСҚА Қ
АМАСЫЗ ЕТ
ахимова 
теті, Алматы,
ығы, өндірісті
тін  неше  түр
ін  өлшемдік 
терін қамтама
мещений верши
торону относи
й поверхности д
шарошки;  
зьбовой поверх
шины первой ш
= 
нб
Г

;  
шины второй ш
шины третей ш
ые параметр
ение  верши
с  учетом 
центрах с резь
летень. – М., 20
01. 
// Мат-лы меж
4. – С. 209-213.
– 205 с.  
with thread roll
22-323.  
ls of internation
rst century". S
ҚАБІЛЕТТІЛ
ТУ 
, Қазақстан 
ік ұжым. 
рлі  қашаулар
тізбектер  те
асыз ету көзд
Поступила 
ин конусов 
ительно оси 
долота:  
хности;  
шарошки 1, 
шарошки 2; 
шарошки 3 
ры долот – 
ин  конусов 
их  типов, 
ьбонакатным 
011. – № 4. – 
дун. научно-
. 
ling tool. The 
nal scientific-
Semei, 2014.  
ЛІГІН 
рдың  құры-
еорияларын 
делген.  
15.01.2015 г. 
                         

ISSN 1991-3494                                                                                                                                                № 1. 2015 
 
 
51 
BULLETIN OF NATIONAL ACADEMY OF SCIENCES  
OF THE REPUBLIC OF KAZAKHSTAN 
ISSN 1991-3494 
Volume 1,  Number 353 (2015),  51 – 55 
 
 
THE APPLICATION OF NEURO-FUZZY CASCADE NETWORK  
IN PREDICTION SYSTEMS OF PATIENTS  
WITH CHRONIC RENAL FAILURE 
 
O. Yu. Kuznetsova
1
, K. Mukapil
2
 
 
1
Penza state university, Penza, Russia, 
2
Kazakh National Technical University named after K. I. Satpayev, Almaty, Kazakhstan. 
E-mail: kaiyrkhan@mail.ru 
 
Key words: chronic renal failure, cascading neuro-fuzzy network architecture of cascade neuro-fuzzy net-
works, fuzzy knowledge base. 
Abstract. The application of neuro-fuzzy network with cascade architecture for constructing a prediction 
system of patients with chronic kidney disease is regarded. The network uses nodes with the ANFIS network and can 
be trained using optimization procedures. There has been made a study of the optimization algorithm of ANFIS 
networks using the method of sequential quadratic programming. The results of testing on the example of patients of 
the Penza Regional Clinical Hospital named after N. N. Burdenko showed a five time decrease of diagnostic errors. 
 
 
УДК 004.032.26 
 
ПРИМЕНЕНИЕ КАСКАДНОЙ НЕЙРО-НЕЧЕТКОЙ СЕТИ  
В СИСТЕМАХ ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ БОЛЬНЫХ  
С ХРОНИЧЕСКОЙ ПОЧЕЧНОЙ НЕДОСТАТОЧНОСТЬЮ
  
 
О.Ю. Кузнецова
1
, К. Мукапил
2
  
 
1
Пензенский государственный университет, Пенза, Россия 
2
Казахский национальный технический университет им. К. И. Сатпаева, Алматы, Казахстан 
 
Ключевые слова: хроническая почечная недостаточность, каскадные нейро-нечеткие сети, архитектура 
каскадной нейро-нечеткой сети, нечеткая база знаний. 
Аннотация. Рассматривается применение нейро-нечеткой сети с каскадной архитектурой для построе-
ния системы прогнозирования состояния больных с хронической почечной недостаточностью. Данная сеть 
использует узлы с сетью ANFIS и может быть обучена с помощью процедур оптимизации. Проведено иссле-
дование  алгоритма  оптимизации  сети ANFIS с  использованием  метода  последовательного  квадратичного 
программирования.  Результаты  тестирования  на  примере  пациентов  Пензенской  областной  клинической 
больницы имени Н. Н. Бурденко показали уменьшение погрешности диагностики в пять раз. 
 
Введение.  Синдром  эндогенной  интоксикации  (СЭИ)  является  одним  из  наиболее  распро-
страненных  в  клинической  практике  и  характеризуется  накоплением  в  тканях  биологических 
продуктов, которые представляют собой результат реагирования на повреждающий фактор [1, 2]. 
Распространенным  случаем  СЭИ  является  хроническая  почечная  недостаточность  (ХПН).  По 
данным  крупных  популяционных  регистров [1], таких  как US Renal Data System и  Российский 
регистр заместительной почечной терапии, распространенность хронической болезни почек (ХБП) 
составляет  не  менее 10%, достигая 20% и  более  у  отдельных  категорий  лиц  (пожилые,  больные 
сахарным  диабетом  второго  типа).  Для  сравнения:  хроническая  сердечная  недостаточность 

Вестник Национальной академии наук Республики Казахстан  
 
 
   
52  
встречается у 1% населения, бронхиальная астма у 5% взрослого населения, сахарный диабет – у  
4-10%. Признаки повреждения почек и снижение скорости клубочковой фильтрации выявляют, как 
минимум,  у  каждого  десятого  представителя  общей  популяции.  При  этом  сопоставимые  цифры 
были получены как в индустриальных странах с высоким уровнем жизни, так и в развивающихся 
странах  со  средним  и  низким  доходом  населения.  Таким  образом,  задача  ранней  диагностики 
синдрома  эндогенной  интоксикации  имеет  большое  значение.  Задача  ранней  диагностики  СЭИ 
затруднена сложностью использования специфических маркеров токсикоза. Для диагностики СЭИ 
существуют различные лабораторные методы, однако они являются дорогостоящими, в связи с чем 
встает задача создания менее дорогостоящих и более доступных методов диагностики [3]. Поэтому 
необходимо создавать менее дорогостоящие и более доступные методы диагностики.  
Постановка  задачи.  Для  обработки  биомедицинских  данных  используют  формальные 
методы, среди которых одними из наиболее популярных являются нейросетевые. Нейронные сети 
имеют  возможность  обучаться  и  обобщать  накопленные  знания  и  используются  для  задач 
классификации  образов,  распознавания,  идентификации,  прогнозирования,  но  не  дают  ответа  на 
вопрос, как осуществляются эти процессы. Этот недостаток нейронных сетей решается в системах 
с  нечетким  выводом,  в  основе  которых  лежат  понятия  теории  нечетких  множеств  и  нечеткой 
логики [5].  
Системы  с  нечетким  выводом  позволяют  объяснить  получаемый  с  их  помощью  результат, 
позволяют  закладывать  в  информационное  поле  априорный  опыт  врачей-экспертов,  но  они  не 
имеют возможности обучаться и обобщать накопленные знания. 
От  перечисленных  недостатков  свободны  системы  на  основе  нейро-нечетких  сетей.  Выводы 
нейро-нечеткая сеть делает на основе базы знаний, в которой заключен априорный опыт эксперта, 
а  параметры  функций  принадлежности  настраиваются  с  использованием  алгоритмов  обучения 
нейронных  сетей.  В  настоящей  работе  предпринимается  попытка  синтеза  двух  выше  перечис-
ленных сетей в каскадной нейро-нечеткой сети.  
Разработка  диагностической  системы.  Первоначально  определяются  входные  переменные. 
Ими являются пять отобранных показателей – это общий белок, мочевина, креатинин, альбумины, 
билирубин.  Единственным  выходом  сети  является  признак  «больной-здоровый».  Признак 
«здоровый»  кодировался  значением  выхода  y = 1, признак  «больной»  кодировался  значением 
выхода y = –1. Таким образом, разрабатывалась модель нейро-нечеткой сети состояния пациента в 
зависимости от пяти показателей: x
1
 – общий белок, x
2
 – билирубин, x
3
 – мочевина, x
4
 – креатинин, 
x
5
 – альбумины. 
Структура  адаптивной  нейро-нечеткой  сети (ANFIS) постоянна  и  зависит  от  количества 
входов. Так, для ANFIS с двумя входами имеем 28 настраиваемых коэффициентов, а с пятью – 232. 
Это  ограничение  для  применения ANFIS с  большим  количеством  входных  параметров  и  малым 
количеством  обучающих  данных. Для сокращения  числа настраиваемых  коэффициентов  разрабо-
тана  нейро-нечеткая  сеть,  имеющая  каскадную  архитектуру  (рисунок).  Данная  сеть  использует 
узлы  с  сетью ANFIS и  может  быть  обучена  с  помощью  процедур  оптимизации,  также  сеть 
дополнена слоем, на котором определяется тяжесть ХБП.  
В древовидной структуре в процессе поиска решения каждый узел дерева, начиная с листьев, 
помечается  как  решенная  задача,  если  какая-нибудь  подзадача  либо  все  подзадачи  решены.  Про-
цесс поиска продолжается до тех пор, пока не будет помечен корень дерева, т.е. решена исходная 
задача.  Каждая  вершина  условия  содержит  некоторое  высказывание,  которое  может  принимать 
значения  «Высокий  уровень», «Средний  уровень»  или  «Низкий  уровень»  входной  переменной. 
Вершина  вывода  содержит  одно  или  несколько  предложений,  описывающих  некоторое  проме-
жуточное  или  окончательное  заключение  в  виде  набора  показателей  (соответствует  выходам 
«здоровый»  или  «больной»).  Корень  дерева  обозначается  как  вершина  условия,  содержащая 
высказывание, с которого начинается процесс логических рассуждений. 
 

ISSN 1991-3494                                                                                                                                                № 1. 2015 
 
 
53 
 
 
Структура каскадной нейро-нечеткой сети для диагностики СЭИ 
 
Структура сети включает входной (нулевой) слой с внешними n-признаками и последующими 
k-слоями, каждый слой имеет m узлов. Количество слоев и узлов в каждом слое определяется по 
следующим формулам, пока не выполнятся условия 
0
k
t

 и 
1
k
m

: 
0
1
1
1
2
2
2
3
1
1
1
2
3
,
,
,
,
k
k
k
k
m
t
m
t
t
m
t
t
m
t
t
m
m
m
m
d
d
d
d



 
 







, 


1
2
0
,
,...,
,  .
k
M
m m
m
m
l


 
где k – количество слоев в диагностической системе;  
– 
число, округленное до меньшего целого 
от деления 
 и определяющее количество узлов в k-слое;  
– 
остаток от деле-
ния,  определяющий  количество  незадействованных  признаков  в k-слое,  переходящих  на 
следующий слой.  
Таким  образом,  создается  сходящаяся  каскадная  структура,  в  которой  выходы  узлов  слоя 
являются  входами  для  следующего  слоя.  Узлом  каскадной  нейро-нечеткой  сети  является  сеть 
ANFIS с заданным количеством входов d. 
На  каждый  узел  слоя  должны  последовательно  подаваться  группы  диагностических 
признаков: 


,
1
2
,
, ,...,
,  1, 2,..., ,  1, 2,...,
i j
d
i
i j
X
x x
x
i
k j
m



 
При формировании групп диагностических признаков используются следующие правила:  

 
признаки объединяются в группу, если они «не предсказывают» друг друга, т.е. когда они 
имеют наименьшие значения корреляции;  




 

2
2
i
i
xy
i
i
x
x y
y
r
x
x
y
y








 
где 
i
x
 – значения,  принимаемые  в  выборке
X
, 
i
y
 – значения,  принимаемые  в  выборке 
Y
, 
x
 – 
средняя по 
X
, 
y
 – средняя по 
Y
. 
k
m


k
m d
1
k
k
k
t
m
dm




Вестник Национальной академии наук Республики Казахстан  
 
 
   
54  

 
каждый признак (диагностический) используется только в одном слое и только один раз;  

 
признаки  (диагностические),  которые  не  входят  в  группу  в  верхнем  слое,  подаются  на 
нижние слои. 
В качестве типового узла сети выступает сеть ANFIS 
 
,
i j
G
u
 с набором правил. Ее параметры 
настраиваются при обучении известными методами оптимизации [6], соблюдая правила [7]: 

 
слои обучаются последовательно от первого к последнему; 

 
узлы  в  отдельном  слое  обучаются  параллельно,  причем  на  вход  подается  поставленная  в 
соответствие группа, а на выход – вектор-столбец диагнозов. 
Векторы-столбцы 
,
i j
g
, полученные при пересчете обученной сети 
 
,
i j
G
u
 
по заданной группе 


1
2
,
, ,...,
d i j
x x
x
,  являются  внутренними  признаками,  формирующими  группы  для  ниже  обра-
зующихся узлов. Выходом системы является выход сети последнего слоя. 
Так  как  узлами  каскадной  нейро-нечеткой  сети  являются  сети ANFIS, необходимо  провести 
настройку  их  параметров.  Особенностью  сети ANFIS является  то,  что  каждое  правило  нечетких 
продукций  имеет  постоянный  весовой  коэффициент  равный 1. В  данной  работе  параметры 
функций  принадлежности  входных  переменных  (показатели  крови  общего  и  биохимического 
анализов) подстраивать нельзя, так как это приведет к неверному диагнозу. Под обучением нейро-
нечеткой  сети  понимается  настройка  параметров  функций  принадлежности  и  нечетких  правил  с 
помощью  методов  оптимизации.  Особенностью  обучения  нейро-нечеткой  сети ANFIS для 
диагностики  синдрома  эндогенной  интоксикации  на  примере  хронической  почечной  недоста-
точности является запрет изменения термов входных переменных «Общий белок», «Альбумины», 
«Мочевины» и «Креатинина», «Билирубин», что гарантирует правильную постановку диагноза. 
Настройка  сети ANFIS представляет  собой  нахождение  весовых  коэффициентов  заключений 
правил.  Процедура  настройки  по  ошибке  сети ANFIS на  обучающей  выборке  модифицирует 
весовые  коэффициенты. Тогда настройка  сети ANFIS сводится  к  задаче  оптимизации. Проведено 
исследование  алгоритма  оптимизации  сети ANFIS с  использованием  метода  последовательного 
квадратичного  программирования (SQP – Sequential quadratic programming) с  ограничениями. 
Настройка  сети ANFIS рассматривается  как  задача  параметрической  оптимизации  с 
ограничениями:  требуется  найти  вектор , 
обеспечивающий 
 
min
f w

  при  ограничениях 
 
0
1 (
1, 2,..., )
i
g w
i
m



,  где  
– 
вектор  оптимизируемых  параметров  (весовых  коэффи-
циентов правил),  
– 
результат вывода по нечеткой базе знаний Сугено с параметрам 
 для 
входного вектора,  
– 
некоторые скалярные функции векторного аргумента. 
При  выходе  из  подсистемы  диагностики  СЭИ  с  результатом  «болен»  происходит  переход  в 
подсистему  диагностики  тяжести  хронической  болезни  почек  (см.  рисунок).  Критерием  тяжести 
является  скорость  клубочковой  фильтрации  (СКФ),  которая  рассчитывается  по  известным 
формулам CKD-EPI (Chronic Kidney Disease Epidemiology Collaboration), справедливым на любой 
стадии хронической болезни почек у представителей всех четырех рас [4]. 

жүктеу/скачать 3,22 Mb.

Достарыңызбен бөлісу: