Розробка генетичного методу для прогнозування показників здоров’я населення на основі нейромережевих моделей

Автор(и)

  • Ievgen Fedorchenko Національний університет «Запорізька політехніка» вул. Жуковського, 64, м. Запоріжжя, Україна, 69063, Україна https://orcid.org/0000-0003-1605-8066
  • Andrii Oliinyk Національний університет «Запорізька політехніка» вул. Жуковського, 64, м. Запоріжжя, Україна, 69063, Україна https://orcid.org/0000-0002-6740-6078
  • Alexander Stepanenko Національний університет «Запорізька політехніка» вул. Жуковського, 64, м. Запоріжжя, Україна, 69063, Україна https://orcid.org/0000-0002-3668-5828
  • Tetiana Zaiko Національний університет «Запорізька політехніка» вул. Жуковського, 64, м. Запоріжжя, Україна, 69063, Україна https://orcid.org/0000-0003-1800-8388
  • Serhii Korniienko Національний університет «Запорізька політехніка» вул. Жуковського, 64, м. Запоріжжя, Україна, 69063, Україна https://orcid.org/0000-0002-5435-0773
  • Anastasiia Kharchenko https://orcid.org/0000-0002-4313-555X

DOI:

https://doi.org/10.15587/1729-4061.2020.197319

Ключові слова:

нейронні мережі, генетичний алгоритм, фенотип, модифікований генетичний оператор мутації, прогнозування показників здоров’я населення

Анотація

Запропоновано генетичний метод для прогнозування показників здоров’я населення на основі нейромережевих моделей. Принципова відмінність запропонованого генетичного методу від існуючих аналогів полягає у використанні диплоїдного набору хромосом в особин популяції, яка еволюціонує. Така модифікація робить залежність фенотипу особини від генотипу менш детермінованою і, врешті, сприяє збереженню різноманітності генофонду популяції і варіабельності ознак фенотипу впродовж виконання алгоритму. Крім цього, запропоновано модифікацію генетичного оператору мутацій. На відміну від класичного методу, особини, які піддаються дії оператору мутації, обираються не випадковим чином, а у відповідності до їх мутаційної стійкості, що відповідає значенню функції пристосованості особини. Таким чином, мутують особини, що характеризуються гіршими значеннями цільової функції, а геном сильних особин залишається незмінним. У цьому випадку зменшується вірогідність втрати досягнутого впродовж еволюції екстремуму функції внаслідок дії оператора мутацій, а перехід до нового екстремуму здійснюється у випадку накопичення достатньої питомої ваги кращих ознак в популяції.

Порівняльний аналіз роботи моделей, синтезованих за допомогою розробленого генетичного методу, показав, що найкращі результати досягнуті у моделі на основі нейронної мережі довгої короткочасної пам’яті. Під час створення і навчання моделі на основі мережі довгої короткочасної пам’яті було досліджено можливість використання методу рою часток для оптимізації параметрів мережі. Результати експериментальних досліджень показали, що розроблена модель дає найменшу помилку передбачення кількості нових випадків туберкульозу – середня абсолютна помилка складає 6,139, що менше у порівнянні з моделями, побудованими за допомогою інших методів.

Практичне використання розроблених методів дасть можливість своєчасно коригувати плановані лікувально-діагностичні, профілактичні заходи, завчасно визначати необхідні ресурси для локалізації та ліквідації захворювань з метою збереження здоров'я населення

Біографії авторів

Ievgen Fedorchenko, Національний університет «Запорізька політехніка» вул. Жуковського, 64, м. Запоріжжя, Україна, 69063

Старший викладач

Кафедра програмних засобів

Andrii Oliinyk, Національний університет «Запорізька політехніка» вул. Жуковського, 64, м. Запоріжжя, Україна, 69063

Кандидат технічних наук, доцент

Кафедра програмних засобів

Alexander Stepanenko, Національний університет «Запорізька політехніка» вул. Жуковського, 64, м. Запоріжжя, Україна, 69063

Кандидат технічних наук, доцент

Кафедра програмних засобів

Tetiana Zaiko, Національний університет «Запорізька політехніка» вул. Жуковського, 64, м. Запоріжжя, Україна, 69063

Кандидат технічних наук, доцент

Кафедра програмних засобів

Serhii Korniienko, Національний університет «Запорізька політехніка» вул. Жуковського, 64, м. Запоріжжя, Україна, 69063

Кандидат технічних наук, доцент

Кафедра програмних засобів

Anastasiia Kharchenko

Розробник програмного забезпечення

Посилання

  1. Paustenbach, D. (Ed.) (2002). Paustenbach Human and ecological risk assessment. Theory and practice. New York, 635.
  2. Vykydy zabrudniuiuchykh rechovyn v atmosferne povitria. Derzhavna sluzhba statystyky Ukrainy. Available at: https://ukrstat.org/uk/operativ/operativ2009/ns_rik/ns_u/dvsr_u2008.html
  3. Stan zabrudnennia pryrodnoho seredovyshcha na terytoriyi Ukrainy. Available at: http://cgo-sreznevskyi.kiev.ua/index.php?fn=u_zabrud&f=ukraine
  4. Tuberculosis. World Health Organization. Available at: https://www.who.int/news-room/fact-sheets/detail/tuberculosis
  5. Ghazvini, K., Yousefi, M., Firoozeh, F., Mansouri, S. (2019). Predictors of tuberculosis: Application of a logistic regression model. Gene Reports, 17, 100527. doi: https://doi.org/10.1016/j.genrep.2019.100527
  6. Mei, B., Xu, Y. (2019). Multi-task least squares twin support vector machine for classification. Neurocomputing, 338, 26–33. doi: https://doi.org/10.1016/j.neucom.2018.12.079
  7. Rubal, Kumar, D. (2018). Evolving Differential evolution method with random forest for prediction of Air Pollution. Procedia Computer Science, 132, 824–833. doi: https://doi.org/10.1016/j.procs.2018.05.094
  8. Dembinski, H., Schmelling, M., Waldi, R. (2019). Application of the iterated weighted least-squares fit to counting experiments. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 940, 135–141. doi: https://doi.org/10.1016/j.nima.2019.05.086
  9. Soebiyanto, R. P., Kiang, R. K. (2000). Modeling Influenza Transmission Using Environmental Parameters. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science, XXXVIII, 330–334.
  10. Yi, H.-C., You, Z.-H., Zhou, X., Cheng, L., Li, X., Jiang, T.-H., Chen, Z.-H. (2019). ACP-DL: A Deep Learning Long Short-Term Memory Model to Predict Anticancer Peptides Using High-Efficiency Feature Representation. Molecular Therapy - Nucleic Acids, 17, 1–9. doi: https://doi.org/10.1016/j.omtn.2019.04.025
  11. Speiser, J. L., Miller, M. E., Tooze, J., Ip, E. (2019). A comparison of random forest variable selection methods for classification prediction modeling. Expert Systems with Applications, 134, 93–101. doi: https://doi.org/10.1016/j.eswa.2019.05.028
  12. Alam, S., Dobbie, G., Koh, Y. S., Riddle, P., Ur Rehman, S. (2014). Research on particle swarm optimization based clustering: A systematic review of literature and techniques. Swarm and Evolutionary Computation, 17, 1–13. doi: https://doi.org/10.1016/j.swevo.2014.02.001
  13. Kumar, J., Goomer, R., Singh, A. K. (2018). Long Short Term Memory Recurrent Neural Network (LSTM-RNN) Based Workload Forecasting Model For Cloud Datacenters. Procedia Computer Science, 125, 676–682. doi: https://doi.org/10.1016/j.procs.2017.12.087
  14. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media, Inc.
  15. Viktorova, О. (2012). Use of fuzzy neural networks for technical diagnostics of road machinery. Vestnik Har'kovskogo natsional'nogo avtomobil'no-dorozhnogo universiteta, 56, 98–102.
  16. McClure, N. (2017). TensorFlow Machine Learning Cookbook. Packt Publishing, 370.
  17. Kolesnikov, K. V., Karapetian, A. R., Tsarenko, T. A. (2013). Henetychni alhorytmy dlia zadach bahatokryterialnoi optymizatsii v merezhakh adaptyvnoi marshrutyzatsiyi danykh. Visnyk Nats. tekhn. un-tu "KhPI", 56 (1029), 44–50.
  18. Oliinyk, A., Fedorchenko, I., Stepanenko, A., Rud, M., Goncharenko, D. (2018). Evolutionary Method for Solving the Traveling Salesman Problem. 2018 International Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T). doi: https://doi.org/10.1109/infocommst.2018.8632033
  19. Lin, B., Sun, X., Salous, S. (2016). Solving Travelling Salesman Problem with an Improved Hybrid Genetic Algorithm. Journal of Computer and Communications, 04 (15), 98–106. doi: https://doi.org/10.4236/jcc.2016.415009
  20. Haupt, R. L., Haupt, S. E. (2003). Practical Genetic Algorithms. John Wiley & Sons. doi: https://doi.org/10.1002/0471671746
  21. Shkarupylo, V., Skrupsky, S., Oliinyk, A., Kolpakova, T. (2017). Development of stratified approach to software defined networks simulation. Eastern-European Journal of Enterprise Technologies, 5 (9 (89)), 67–73. doi: https://doi.org/10.15587/1729-4061.2017.110142
  22. Fedorchenko, I., Oliinyk, A., Stepanenko, A., Zaiko, T., Shylo, S., Svyrydenko, A. (2019). Development of the modified methods to train a neural network to solve the task on recognition of road users. Eastern-European Journal of Enterprise Technologies, 2 (9 (98)), 46–55. doi: https://doi.org/10.15587/1729-4061.2019.164789
  23. Oliinyk, A., Zaiko, T., Subbotin, S. (2014). Training sample reduction based on association rules for neuro-fuzzy networks synthesis. Optical Memory and Neural Networks, 23 (2), 89–95. doi: https://doi.org/10.3103/s1060992x14020039
  24. Fedorchenko, I., Oliinyk, A., Stepanenko, A., Zaiko, T., Korniienko, S., Burtsev, N. (2019). Development of a genetic algorithm for placing power supply sources in a distributed electric network. Eastern-European Journal of Enterprise Technologies, 5 (3 (101)), 6–16. doi: https://doi.org/10.15587/1729-4061.2019.180897
  25. Fedorchenko, I., Oliinyk, A., Stepanenko, A., Zaiko, T., Shylo, S., Svyrydenko, A. (2019). Development of the modified methods to train a neural network to solve the task on recognition of road users. Eastern-European Journal of Enterprise Technologies, 2 (9 (98)), 46–55. doi: https://doi.org/10.15587/1729-4061.2019.164789
  26. Oliinyk, A. O., Zayko, T. A., Subbotin, S. O. (2014). Synthesis of Neuro-Fuzzy Networks on the Basis of Association Rules. Cybernetics and Systems Analysis, 50 (3), 348–357. doi: https://doi.org/10.1007/s10559-014-9623-7
  27. Oliinyk, A., Fedorchenko, I., Stepanenko, A., Rud, M., Goncharenko, D. (2019). Combinatorial Optimization Problems Solving Based on Evolutionary Approach. 2019 IEEE 15th International Conference on the Experience of Designing and Application of CAD Systems (CADSM). doi: https://doi.org/10.1109/cadsm.2019.8779290
  28. Sharifzadeh, M., Sikinioti-Lock, A., Shah, N. (2019). Machine-learning methods for integrated renewable power generation: A comparative study of artificial neural networks, support vector regression, and Gaussian Process Regression. Renewable and Sustainable Energy Reviews, 108, 513–538. doi: https://doi.org/10.1016/j.rser.2019.03.040
  29. Buduma, N., Locascio, N. (Eds.) (2017). Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms. O'Reilly Media, 298.
  30. Lapan, M. (2018). Deep Reinforcement Learning Hands-On: Apply modern RL methods, with deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more. Packt Publishing, 546.
  31. Aggarwal, C. C. (2018). Neural Networks and Deep Learning. Springer. doi: https://doi.org/10.1007/978-3-319-94463-0

##submission.downloads##

Опубліковано

2020-02-29

Як цитувати

Fedorchenko, I., Oliinyk, A., Stepanenko, A., Zaiko, T., Korniienko, S., & Kharchenko, A. (2020). Розробка генетичного методу для прогнозування показників здоров’я населення на основі нейромережевих моделей. Eastern-European Journal of Enterprise Technologies, 1(4 (103), 52–63. https://doi.org/10.15587/1729-4061.2020.197319

Номер

Том 1 № 4 (103) (2020): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2020 Ievgen Fedorchenko, Andrii Oliinyk, Alexander Stepanenko, Tetiana Zaiko, Serhii Korniienko, Anastasiia Kharchenko

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.