Построение и исследование моделей краткосрочного прогнозирования гликемии у больных сахарным диабетом

Рисунок 3.8 – Таблица значений На рисунке 3.9 представлен график изменения значений абсолютной по-

грешности прогнозируемых значений гликемии от эталонных образов.

Рисунок 3.9 – График изменения значений абсолютной погрешности

71

Построенная модель множественной линейной регрессии отвечает требо-

ваниям точности и может использоваться в качестве модели краткосрочного про-

гнозирования гликемии.

3.3.Разработка структуры нейросетевой модели

Для доказательства предположения о том, что нейросетевые модели явля-

ются более подходящими для решения задачи прогнозирования, построим нейронную сеть типа «многослойный персептрон» и нелинейную авторегресси-

онную нейронную сеть с внешним выходом (NARX) в среде разработки

MATLAB. Данные виды нейросетевых моделей являются наиболее пригодными для решения задачи прогнозирования [2, 4, 7].

Для разработки нейросетевых моделей будем использовать MATLAB R2021a. Данный пакет прикладных программ позволяет эффективно решать ряд технических и математических задач и помогает в научных исследованиях. По-

сле запуска программы появляется главное окно программы.

В командной строке вводим команду NNTool, которая вызовет окно ввода данных и создания нейронной сети (Neural Network/Data Manager).

Для начала выгружаем входные и выходные данные, сохраненные раннее.

Нажатие на кнопку Import открывает окно Import Network/Data Manager. Сначала выгружаем входные данные, выбирая в списке Import As тип данных Input Data.

Когда выгружаем выходные данные, в списке выбираем тип данных Target Data.

После выгрузки всех данных можно приступать к конструированию нейросетевой модели. Нажатие на кнопку New открывает окно создания нейрон-

ной сети или данных Create Network and Data. Здесь есть возможность выбора нейросетевой модели (Network type), входных/выходных данных (Input Data/Target Data), алгоритма обучения (Training function), адаптивную функцию обучения

(Adaptation learning function), функцию ошибки (Performance function), количе-

ство слоев нейронной сети (Number of layers) и указать количество нейронов в каждом слое (Number of neurons) и активационную функцию (Transfer function).

Окно для создания нейронной сети представлена на Рисунке 3.10.

72

Рисунок 3.10 – Окно создания нейронной сети Конкретные параметры, выбранные для создания нейросетевой модели

типа «многослойный персептрон», решающая поставленную задачу, представ-

лена на Таблице 3.1.

Таблица 3.1 – Параметры для создания нейросетевой модели

Просмотр созданной сети можно организовать, воспользовавшись кнопкой

View. Для каждого из металлов были обучены самостоятельные нейронные сети.

Структура спроектированной нейронной сети изображена на рисунке 3.11.

Рисунок 3.11 – Структура многослойного персептрона с одним скрытым слоем Для оценки эффективности прогнозирования моделей различного типа было создано, спроектировано и обучено еще две модели нейронных сетей типа

«многослойный персептрон». На рисунке 3.12 представлена структура нейрон-

ной сети с 40 нейронами в скрытом слое.

Рисунок 3.12 – Структура многослойного персептрона с одним скрытым слоем

74

На рисунке 3.13 представлены параметры для создания многослойного персептрона с двумя скрытыми слоями по 40 нейронов в каждом.

Рисунок 3.13 – Окно создания нейронной сети Структура многослойного персептрона, созданного на предыдущем шаге,

представлена на рисунке 3.14.

Рисунок 3.14 – Структура многослойного персептрона с двумя скрытыми сло-

ями На рисунке 3.15 представлены параметры для создания нелинейной авто-

регрессионной нейронной сети с внешним выходом (NARX) и одним скрытым

75

слоем с 20 нейронами. Параметр Input delay vector задает входной вектор за-

держки, Output delay vector – выходной вектор задержки.

Рисунок 3.15 – Окно создания нейронной сети Структура созданной нейронной сети представлена на рисунке 3.16.

Рисунок 3.16 – Структура нелинейной авторегрессионной нейронной сети с внешним выходом и одним скрытым слоем

76

Было создано, спроектировано и обучено еще две модели NARX. На ри-

сунке 3.17 представлена структура нейронной сети с 40 нейронами в скрытом слое.

Рисунок 3.17 – Структура нелинейной авторегрессионной нейронной сети с внешним выходом и одним скрытым слоем

На рисунке 3.18 представлены параметры для создания модели NARX с

двумя скрытыми слоями по 40 нейронов в каждом.

77

Рисунок 3.18 – Окно создания модели Структура созданной нейронной сети представлена на рисунке 3.19.

Рисунок 3.19 – Структура нелинейной авторегрессионной нейронной сети с внешним выходом и двумя скрытыми слоями

78

3.4. Построение нейросетевых моделей и оценка точности

прогнозирования гликемии на обучающих данных

Для будущего обучения сети необходимо предварительно выгрузить ис-

ходные данные (dataset). Файл с электронными таблицами, где хранятся исход-

ные таблицы, перетаскиваем на рабочую панель Current Folder, где находятся до-

ступные для обработки данные. Рабочая панель Current Folder представлена на рисунке 3.20.

Рисунок 3.20. – Рабочая панель Current Folder

Исходные данные для обучения нейронной сети представлены в Приложе-

нии 1.

Нажав в рабочей панели на интересующую электронную таблицу, по-

явится окно, где представлены таблицы. Выделив область, выбрав в списке Imported Data, требуемое для обработки матричное представление данных Numeric Matrix, и нажав кнопку Import Selection можно выгрузить значения из таблицы исходных данных в подходящий для обучения матричный вид. Окно импорта исходных данных представлено на Рисунке 3.21.

79

Рисунок 3.21 – Импорт исходных данных После выгрузки обрабатываемых в дальнейшем данных закрываем окно

Import. Для открытия инструмента NNTool, который служит конструктором для конструирования собственных искусственных нейронных сетей, в командной строке, расположенной в окне Command Window, требуется набрать команду nntool и нажать Enter. Появится рабочая панель данного инструмента, которая представлен на Рисунке 3.22.

Рисунок 3.22 – Графическое окно инструмента NNTool

80