НЕЙРОМЕРЕЖНА ТЕХНОЛОГІЯ ПІДТРИМКИ СКРИНІНГ-АНАЛІЗУ КОРОНАВІРУСА COVID-19

Анотація

Низькозатратна, надійна і оперативна скринінг-діагностика коронавіруса може бути реалізована на основі інтелектуальних технологій аналізу сукупності ознак симптомів з рішенням задачі розпізнавання образів в базисі штучних нейронних мереж. Високий ступінь апріорної невизначеності діагностичної процедури коронавірусної небезпеки, розмірність вектору вхідних факторів-симптомів, нечітка обумовленість і слабка формалізованість взаємозв'язків станів суб'єкта з цими симптомами вимагають відповідного аналітичного інструментарію. Аналіз проблеми і можливих рішень дозволяє обґрунтувати доцільність реалізації скринінг-діагностування як рішення задачі нелінійної оптимізації в багатовимірному просторі факторів і станів високої розмірності. Як інструмент реалізації проекту обрано штучні нейронні мережі з примусовим навчанням на репрезентативній вибірці прикладів. Проведені дослідження ознакових просторів процесу розпізнавання (діагностування), можливостей коректного застосування статистичних вирішальних правил, алгоритмів примусового навчання ансамблю синтезованих нейромережних моделей в базисі існуючих пакетів технічних даних, дозволяють підвищити продуктивність технічних засобів діагностики шляхом автоматизації процесу аналізу, зниження впливу суб'єктивних рішень, скорочення часу реакції. Запропонована технологія наближає діагностику коронавірусної небезпеки до повної автоматизації, роботизації і інтелектуалізації складних моніторингових (діагностичних) систем як найбільш перспективної технології розпізнавання образів в системах з високим ступенем ентропії і дозволяє вирішувати вартісну задачу при мінімальних витратах і необхідних показниках ефективності. При цьому сучасний програмний інструментарій дозволяє оперативно конструювати нейромережному середу і реалізувати широкий клас архітектур нейромереж різної складності і правил модифікації вагових коефіцієнтів в процесі примусового навчання з можливістю адаптації набору стандартних опцій (попередня обробка, факторний аналіз, організація однорідних підмножин, чутливість входів, класифікація та ін.).