Модель нечеткого классификатора и генетический алгоритм обучения для поддержки принятия решений в медицинской информационной системе тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Шамсулдин Хайдар Абдулваххаб Х.

• Шамсулдин Хайдар Абдулваххаб Х.
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Шамсулдин Хайдар Абдулваххаб Х.

ВВЕДЕНИЕ

1. Необходимость применения нечёткого классификатора для поддержки принятия решений в медицинской информационной системе

1.1 Современные вызовы медицинской аналитики

1.2. Машинное обучение

1.2.1. Что такое машинное обучение

1.2.2. Основные виды машинного обучения

1.2.3. Кластеризация и классификация

1.2.4. Основные алгоритмы машинного обучения

1.2.5. Метрики моделей машинного обучения

1.2.6. Переобучение модели машинного обучения

1.3. Анализ существующих тенденций в области принятия решений в медицине

1.4. Обзор существующих систем поддержки принятия решений в медицинской сфере

1.5. Постановка цели и задачи исследования

1.6. Выводы по первой главе

2. Модель нечёткого классификатора

2.1. Нечёткая логика

2.2. Нечёткий классификатор на основе генетических алгоритмов

2.2.1 Нечёткая система классификации на основе генетических алгоритмов

2.2.2 Структура нечёткой системы классификации на основе генетических алгоритмов

2.2.3 Система нечёткой логики на основе генетических алгоритмов

2.2.4 Схема представления нечёткой функции принадлежности

2.2.5 Схема представления нечётких правил

2.2.6 Вставки и удаления

2.2.7 Операторы генетического алгоритма

2.2.8 Оптимизация параметров нечёткого классификатора на основе генетического алгоритма

2.2.9 Оценка эффективности предложенного классификатора

2.3. Выводы по второй главе

3. Генетическое обучение нечётким правилам классификации на основе правил, сотрудничающим с методами нечёткого вывода

3.1. Нечёткие системы классификации на основе правил

3.1.1. База знаний

3.1.2. Нечёткие методы вывода

3.2. Основные аспекты методологии MOGUL

3.3. Генетический процесс обучения

3.3.1. Процесс генерации нечётких правил

3.3.2. Метод генерации нечётких правил

3.3.3. Метод покрытия

3.3.4. Мультивыборочный генетический процесс

3.3.5. Основной метод генетического отбора

3.3.6. Мультиотборный генетический процесс

3.3.7. Процесс генетической настройки

3.4. Анализ эффективности

3.5. Выводы по третьей главе

4. Использование нечёткой системы классификации в решении практической задачи

4.1. Устройство программы для сравнения нечёткой системы классификации с другими моделями машинного обучения

4.2. Анализ результатов работы нечёткой системы классификации

4.3. Проверка работы улучшенной нечёткой системы классификации

4.4. Выводы по четвёртой главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. ПРОГРАММНЫЙ КОД ДЛЯ ОБЪЕДИНЕНИЯ МЕТАДАННЫХ И ИЗОБРАЖЕНИЙ

ПРИЛОЖЕНИЕ Б. ИЗВЛЕЧЕНИЕ ПРИЗНАКОВ ИЗ

ДЕРМАТОЛОГИЧЕСКИХ ИЗОБРАЖЕНИЙ

ПРИЛОЖЕНИЕ В. НЕЧЁТКАЯ КЛАСТЕРИЗАЦИЯ (FUZZY C-MEANS)

ПРИЛОЖЕНИЕ Г. ГЕНЕТИКО-НЕЧЁТКАЯ КЛАССИФИКАЦИЯ

ПРИЛОЖЕНИЕ Д. АКТЫ О ВНЕДРЕНИИ

ПРИЛОЖЕНИЕ Е. СЕРТИФИКАТЫ УЧАСТНИКА КРНФЕРЕНЦИИ

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Модель нечеткого классификатора и генетический алгоритм обучения для поддержки принятия решений в медицинской информационной системе»

Актуальность темы исследования.

Компьютерные технологии в медицине имеют долгую и плодотворную историю применения, начиная с конца 1960-х годов, когда были внедрены системы поддержки принятия решений (СППР) для диагностики на основе использования медицинских информационных систем. Эти системы активно используются в различных медицинских специализациях, включая хирургию, что свидетельствует об их высокой значимости.

Несмотря на более чем три десятилетия исследований в области автоматизированной постановки диагнозов с использованием СППР в медицинских информационных системах, результаты этих исследований не получили широкого признания в медицинском сообществе. Тем не менее, современные вызовы, такие как необходимость обработки больших объемов информации, особенно актуальны для врачей-онкологов. Даже опытные специалисты испытывают трудности в учете всех характеристик пациентов, что негативно сказывается на точности принимаемых решений.

В эпоху цифровой трансформации медицины анализ медицинских изображений приобретает ключевое значение. Неинвазивные методы визуализации, такие как рентгенография, компьютерная томография (КТ), магнитно-резонансная томография (МРТ) и ультразвуковое исследование (УЗИ), стали основными инструментами диагностики и мониторинга заболеваний. Однако интерпретация больших объемов медицинских изображений требует значительных временных и кадровых ресурсов, а ручной анализ подвержен субъективным ошибкам, обусловленным человеческим фактором [2, 11].

Разработка СППР на основе интеллектуальной обработки данных для анализа медицинских изображений является актуальной задачей, для развития и построения медицинских информационных систем. Эти системы способны

автоматизировать работу с большими массивами данных, повысить точность и скорость диагностики. В условиях введенных санкций особое значение приобретают вопросы создания специальных математических моделей и алгоритмов для разработки соответствующих программных решений, что способствует решению задачи импортозамещения [34, 103].

Применение методов машинного обучения, в частности нечетких классификационных систем, является наиболее перспективным направлением. Эти методы позволяют учитывать неопределенность и нечеткость данных, моделировать экспертные знания врачей и представлять их в виде интерпретируемых правил. Однако ключевым вопросом остается построение классификаторов в условиях огромного количества данных и их неопределенности [38].

Внедрение СППР в медицинскую практику, применяющее информационные системы, обогатило диагностический арсенал врачей специализированными инструментами для анализа контрастности и яркости медицинских изображений. Эти системы позволяют применять уникальные фильтры для обработки данных, а также повышают точность измерений размеров патологических новообразований в тканях [4, 12, 90].

Однако стоит отметить, что современное программное обеспечение для медицинских аппаратов, несмотря на свою высокую функциональность и мощность является полностью проприетарным и поставляется исключительно в комплекте с аппаратурой. В контексте России это создает значительные препятствия для раннего выявления новообразований из-за ограниченного доступа к инструментам для комплексного анализа данных, как на уровне аппаратного, так и алгоритмического обеспечения.

Это подчеркивает актуальность разработки моделей и алгоритмов интеллектуальной обработки данных для СППР в области анализа медицинских изображений. Медицинские учреждения России испытывают потребность в высококачественных и функциональных аналогах зарубежных программно-аппаратных комплексов, которые могли бы обеспечить

своевременное выявление и идентификацию патологических новообразований. При этом ключевым фактором, определяющим точность обработки каждого медицинского снимка, является качество алгоритмического и программного обеспечения. Кроме того, наличие обширной базы данных, включающей десятки тысяч клинических случаев с различной динамикой развития заболеваний, способно значительно повысить точность и объективность диагностических заключений.

Степень разработанности темы исследования.

Вопросы связанные с построением классификаторов и применением нейросетевых технологий рассматривались в работах следующих авторов: ZsoltGera, JózsefDombi, J. L. Castro, E. Trillas, S. Huang, H. Xing, W. Pedrycz,M. Reformat, Agrawal R.K., Muchahary F., Tripathi M.M. Sangrody H., Zhou N., Tutun S., Khorramdel B., Motalleb M., Sarailoo M., Wang JQ, Du Y, Wang J., Vantuch T., Vidal A.G., Ramallo-González A.P., Skarmeta A.F., Misák S., Majumdar A, Megha, Hewamalage H., Bergmeir C., Bandara K., Picton P., Choi E, Cho S, Kim DK., Dickerson, B. Kosko, J.C. Bezdek, P. P. Angelov, A. Lemos, H. Genther, E. D. Lughofer. а также отечественных ученых Т.М. Леденёвой, А.С. Катасёва, Д.В. Катасёвой, И.А. Ходашинского, А.Л. Тулупьева, А.А. Сорокина, М.А. Сергиенко и др.

Обработке медицинских изображений посвящены работы Moradmand H., Setayeshi S., Karimian A.R., Sirous M., Esmaeil M. Garg R., Mittal B., Garg S. Anguh M., A.Silva и др., а так же в работы отечественных ученых Авшарова Е. М., Абгаряна М. Г., Сафарянца С. А.,Недзьведь А. М., Абламейко С. В.,Тычкова А. Ю., Чуракова П. П., Кузьмина А. В. и др.

В России в недостаточном количестве ведутся исследования по построению моделей и методов для СППР анализа медицинских изображений, что существенно затрудняет и тормозит процесс импортозамещения.

На основании вышеизложенного тема диссертационного исследования, направленная на разработку моделей и алгоритмов для СППР в анализе медицинских изображений, представляется чрезвычайно актуальной.

Предлагаемая система должна стать экономически доступным и тиражируемым аналогом зарубежных компьютерных систем диагностики новообразований. Она будет способна обрабатывать как скрининговые изображения, так и снимки обследований, сокращая время их анализа и предоставляя новые данные о динамике развития опухолей. Кроме того, система повысит точность и объективность диагностики за счет интеграции большего объема данных, а также сформирует единую базу данных обследований для проведения статистических исследований по различным параметрам.

Эти аспекты определяют практическую задачу исследования, заключающуюся в повышении точности работы классификатора медицинских изображений, для СППР при постановке диагноза.

Для достижения этой цели необходимо решить научную задачу, связанную с разработкой модели классификатора, обеспечивающей повышение точности диагностики новообразований, а также генетического алгоритма ее настройки.

Таким образом, данное исследование представляет собой комплексное научное исследование, направленное на разработку и оптимизацию моделей классификаторов для обработки медицинских изображений, что в конечном итоге может способствовать повышению точности диагностики дерматологических заболеваний и может быть направлено на интеграцию передовых методов искусственного интеллекта и машинного обучения в медицинскую практику, что позволит значительно улучшить качество диагностики и эффективность лечения онкологических заболеваний.

Объект исследования: процессы интеллектуальной классификации в задачах медицинской диагностики по данным различной природы: табличным признакам и признакам, сформированным на основе медицинских изображений.

Предмет исследования: методы и модели классификации (в том числе нечеткие и гибридные), а также процедуры формирования и использования

признакового описания объектов, применяемые при классификации как табличных медицинских данных, так и наборов изображений, представленных через извлечённые признаки.

Цели и задачи исследования. Повысить точность диагностики дерматологических новообразований за счет использования построенной модели классификатора и генетического алгоритма его обучения для СППР анализа медицинских изображений в специализированных информационных системах.

Для достижения цели были поставлены следующие задачи:

1) Сделать обзор и провести анализ СППР анализа медицинских изображений и осуществить комплексный анализ существующих моделей классификаторов, применяемых для обработки медицинских изображений.

2) Построить модель классификатора, обеспечивающую повышение точности анализа медицинских изображений.

3) Разработать генетический алгоритм обучения классификатора, включая оценку применимости методов глубокого обучения, который демонстрирует высокую точность в задачах обработки изображений.

4) Провести анализ полученных результатов классификации с использованием различных метрик, таких как точность, полнота, специфичность и чувствительность, что позволит объективно оценить модель и генетический алгоритм и выявить их сильные и слабые стороны в контексте диагностики изменений кожных новообразований.

В работе рассматриваются два сценария проведения вычислительных экспериментов:

1) классификация по табличным данным, где входом модели является вектор заранее заданных числовых признаков;

2) классификация по данным изображений, где входом моделей в рамках исследования выступает не исходное изображение как таковое, а вектор признаков/представлений, извлечённое из изображений. Данное

разграничение используется далее при описании наборов данных и постановке экспериментов.

Научная новизна исследования заключается в разработке:

1. Модели классификатора, базирующейся на системе правил с разнообразной структурной организацией, отличающейся методом расчета степени активации отдельных правил и последующей детерминацией выхода классификатора на основе введенного показателя точности правил с использованием новой обобщенной формулы представления функции принадлежности.

2. Вида функции приспособленности, отличающегося использованием комбинации максимизации правильно классифицированных образцов и минимизации числа нечётких правил.

3. Генетического алгоритма для формирования базы знаний, отличающегося применением схемы генотипического обмена для штрафования особей в зависимости от их близости к предыдущим найденным решениям. Для этого определяется метрика расстояния, учитывающая двух индивидуумов и возвращающая значение их близости.

Теоретическая и практическая значимость работы. Теоретическая значимость работы заключается в развитии методов теории нечетких множеств для построения классификаторов их обучения и использования различных метрик для СППР анализа медицинских изображений.

Практическая значимость работы заключается в разработке программного обеспечения, реализующего предложенные модель и алгоритм для СППР анализа медицинских изображений, применение которого позволит повысить оперативность, точность и объективность обследования. Рассматриваются табличные признаки изображения (HAM10000), при этом для изображений задача решается через переход к признаковому представлению, используемому далее как вход классификаторов.

Методология и методы исследования. Методологическая основа исследования детально характеризует ключевые компоненты научного

анализа, включая объект и предмет исследования, а также формулирует задачи, необходимые для их решения. В рамках данной методологии осуществляется комплексный подход к выбору и применению исследовательских инструментов и методов, соответствующих специфике поставленной задачи. Данный методологический базис основывается на принципах системного анализа и теории информационных процессов и систем, что обеспечивает строгую научную обоснованность и структурированность исследовательского процесса.

В процессе решения поставленных задач были задействованы методы искусственного интеллекта, включая теорию нечетких множеств, генетическое программирование и глубокое обучение, что способствовало формированию целостного представления об исследуемом объекте и позволило выявить ключевые закономерности и тенденции, что является важным этапом в развитии научного знания в данной области.

Диссертация выполнена в соответствии с требованиями паспорта специальности 2.3.8 «Информатика и информационные процессы» и соответствует пунктам 8 «Разработка систем принятия решения на основе баз данных и знаний, реализующих имитационные модели прогнозирования изменения материальных процессов и событий», 13 «Разработка и применение методов распознавания образов, кластерного анализа, нейро-сетевых и нечетких технологий, решающих правил, мягких вычислений при анализе разнородной информации в базах данных».

Положения, выносимые на защиту:

1. Модели классификаторов, базирующиеся на системе правил с разнообразной структурной организацией.

2. Вид функции приспособленности.

3. Генетический алгоритм формирования базы знаний.

Степень достоверности и апробация результатов.

Достоверность результатов диссертационного исследования подтверждается обширной эмпирической базой, состоящей из достаточного

количества наблюдений, а также применением современных методов исследования, строго соответствующих поставленным целям и задачам. Научные положения, выводы и рекомендации, изложенные в диссертации, подкреплены вескими фактическими данными, наглядно представленными в таблицах и графиках. Частичное совпадение с результатами, полученными другими исследователями, дополнительно подтверждает валидно сть проведенного анализа.

Основные результаты представлены и обсуждены на: 10-й ВСЕРОССИЙСКОЙ Конференции Молодых учёных, Тамбов, ТГТУ 2023г., Всероссийской научно-практической конференции. Воронеж, 2024, IV Международной научно-практической конференции «ЦИФРОВИЗАЦИЯ АГРОПРОМЫШЛЕННОГО КОМПЛЕКСА» Тамбов, ТГТУ 2024г., Международная научно-практическая конференция «НаБиТЭМ» Нано-био-технологии. Тепло- и электроэнергетика. Математическое моделирование. Липецк, ЛГТУ, 2025г., а также на семинарах кафедры «Информационные системы и защита информации» ФГБОУ ВО «Тамбовский государственный технический университет» и Научно-образовательного центра «Проблемы управления, информатики и защиты информации в организационных и технических системах», созданный решением Ученого совета федерального ФГБУН «Институт проблем управления им. В.А. Трапезникова» Российской академии наук и Ученого совета ФГБОУ ВО «Тамбовский государственный технический университет».

Внедрение результатов исследования. РТУ МИРЭА г. Москва, РосБиоТех г. Москва, АОО ВО «Международный институт компьютерных технологий» г. Воронеж, Межвидовый центр подготовки и боевого применения войск радиоэлектронной борьбы (учебный и испытательный).

Публикации. По теме диссертации опубликовано 16 работа, в том числе 8 статей в изданиях, рекомендованных ВАК при Минобрнауки РФ, 2 статьи в международном издании из перечня SCOPUS.

Выносимые на защиту результаты получены лично соискателем. В тех публикациях, которые были написаны, личный вклад автора заключается в построении моделей классификаторов, разработке и программной реализации предлагаемых алгоритмов настройки классификаторов и глубокого обучения при анализе медицинских изображений.

Структура и объём работы. Диссертация состоит из оглавления, введения, четырех глав и списка источников из 158 наименований, шести приложений. Полный объём диссертации составляет 193 страницы. Основной текст работы включает 61 рисунок и 19 таблиц.

Введение включает в себя обоснование актуальности выбранной темы, демонстрируя её значимость в контексте современных научных исследований. Детально анализируется степень изученности проблемы, что позволяет выявить пробелы в существующей научной литературе и обосновать необходимость проведения данного исследования. Формулируется четкая цель работы, направленная на достижение новых знаний в данной области, а также ставятся конкретные задачи, способствующие её реализации. Информацию о публикациях автора и его личном вкладе в развитие данной области подчеркивает его компетентность и научную репутацию. Объем и содержание диссертации соответствуют требованиям академического сообщества, обеспечивая всестороннее рассмотрение проблемы.

Первая глава содержит результаты анализа состояния СППР в медицине, охватывая обзор существующих решений, методов обработки изображений и необходимость интеграции нечетких классификаторов для работы с неопределенными данными. Материалы, представленные в данной главе, послужили основой для формулирования цели и задач исследования, подчеркивая важность комплексного подхода к разработке таких систем. Они демонстрируют необходимость комплексного подхода к разработке СППР, который включает в себя не только технические аспекты обработки изображений, но и методологические подходы, обеспечивающие высокую точность анализа изображений.

Вторая глава посвящена построению модели классификатора. Чтобы полностью охарактеризовать систему нечёткой логики, необходимо определить нечёткие множества, нечёткие функции принадлежности и соответствующие нечёткие правила. Эти параметры необходимо построить на основе доступных обучающих данных в соответствии с некоторыми критериями.

Дополнительной задачей является создание наиболее компактного набора правил для предлагаемой системы нечёткой классификации. Процесс построения нечётких правил включает добавление и удаление нечётких правил. Для этого используется показатель точности, чтобы количественно оценить полезность правила для данного набора данных. Шаги алгоритма, используемые для его расчета, подробно рассмотрены в диссертационном исследовании.

Для каждого обучающего образца происходит вычисление расхождения выхода нечёткого правила от желаемого нечёткого выхода с целью измерить насколько точным является значение выхода нечёткого правила (значение 1 указывает на то, что выход и желаемый результат совпадают).

Третья глава посвящена рассмотрению функции приспособленности и генетического алгоритма оптимизации, в которой используется комбинация максимизации правильно классифицированных образцов и минимизации числа нечётких правил в качестве функции приспособленности.

Предложен мультиотборный генетический алгоритм, основанный на последовательной нишевой технике для создания ниш в пространстве поиска для получения различных определений базы данных.

На каждом этапе используется генетический процесс отбора. Каждый раз, когда генетический процесс отбора получает новое определение базы данных, мультиотборный процесс штрафует зону пространства поиска, где оно расположено, для того чтобы избежать генерации этого определения в будущих запусках.

Применяется схема генотипического обмена для штрафования особей в зависимости от их близости к предыдущим найденным решениям. Для этого определяется метрика расстояния, учитывающая двух индивидуумов и возвращающая значение их близости.

В дополнение рассматривается алгоритм локального поиска для индивидуальной оптимизации каждого из полученных определений со вставкой/удалением правил или изменением хеджа, которые приведут к улучшению базы знаний.

Четвертая глава посвящена реализации предложенных моделей и алгоритмов настройки классификаторов, для этого используем датасет НАМ10000. Последний, в свою очередь, содержит диагностические изображения кожных новообразований, метаданные, аннотации и клинические метки, которые предназначены для обучения и тестирования при решении задач выявления и классификации дерматологических новообразований.

Набор НАМ10000 содержит дерматоскопические изображения новообразований кожи. Метаданные и связи между изображениями и диагнозами хранятся в файлах с расширением ^^ Результат работы программы был записан в файл Results.xlsx (рисунок 2). В сравнении со всеми остальными моделями машинного обучения нечёткий классификатор обладает наилучшими параметрами, позволяющими с высокой точностью определить диагноз пациента.

На основе полученных гистограмм можно утверждать, что логистическая регрессия и нейронная сеть показывают наилучшие показатели, случайный лес и нечёткая классификатор также показывают достаточно хорошие результаты.

В том числе на основании проведенных исследований можно судить о точности применения нечёткого классификатора в СППР в медицинских информационных системах, при этом экономятся не только вычислительные

ресурсы, но и время на его настройку, в отличие от нейросетей и глубокого обучения.

1. Необходимость применения нечёткого классификатора для поддержки принятия решений в медицинской информационной системе

1.1 Современные вызовы медицинской аналитики

В наши дни медицина характеризуется стремительным ростом объемов генерируемых данных. Медицинские информационные системы (МИС) аккумулируют гигантские массивы информации, включающие электронные медицинские карты (ЭМК), результаты лабораторных исследований, данные диагностической визуализации, генетические данные и многое другое.Эффективная обработка этих данных является критически важной задачей для повышения качества оказания медицинской помощи, улучшения диагностики, прогнозирования заболеваний, а также оптимизации лечения пациентов. С ростом количества пациентов традиционные методы анализаданных достаточно часто неспособны эффективно обрабатывать и интерпретировать такие большие и сложные наборы данных [17, 94].

Более того, многие медицинские показатели небинарны. Например, у пациента уровень глюкозы в крови 6.9 ммоль/л -можно утверждать, что у пациента диабет, или нет? Такая неопределенность вызывает трудности для постановки корректного диагноза традиционными компьютерными системами, потому что они требуют чётких правил, а медицина часто работает с формулировками наподобие «умеренно повышенный показатель» или «выраженное отклонение». С целью решения данной проблемы применяют нечёткие системы - математические модели, способные работать с размытыми (нечёткими) понятиями, как и человеческий мозг [16, 124].

В таких условиях возникает сложность, связанная с рядом факторов.

Первым фактором является соотношение точности ответа и возможности его объяснить. Ответственность за принятое решение всё ещё несёт врач, поэтому он должен не только получать ответ, основанный на некоторых правилах, но и иметь полное понимание, с чем связан данный ответ. Это приводит к тому, что система должна быть не только точной, но и качественно, доступно и комплексно подходить к ответу, чтобы давать наиболее понятные и качественные ответы.

Из данного пункта вытекает проблема того, что нужно сохранять баланс между простотой и эффективностью, так как более простые модели будут более понятны, но при этом доля ошибок в таких моделях выше, чем в более комплексных. Но более сложные аналоги становятся слишком не практичными для использования, так как начинают требовать отдельных навыков для их использования.

Также важную роль играет то, что медицинские данные часто имеют неточности или даже пропуски. Система также должна учитывать данные факторы при ответе, так чтобы врач понимал уровень качества данных и, основываясь на данном уровне, делал выводы о правильности предложенного решения [25, 85, 152].

Из этих пунктов следует одно общее решение - создание такого набора правил, который будет одновременно точным и понятным. Ручное создание таких комплексов правил почти невозможно, но решить данную проблему можно применением генетического алгоритма машинного обучения [21,77].

Их применение позволит точнее ставить диагноз, основываясь одновременно на сотнях и даже тысячах показателях здоровья пациента, и оптимизировать лечение под каждого конкретного пациента [19], учитывая множество предыдущих пациентов и результаты каждой вариации лечения для конкретного диагноза человека с определенными показателями здоровья.

1.2. Машинное обучение

1.2.1. Что такое машинное обучение

Машинное обучение - это область искусственного интеллекта, посвященная алгоритмам, позволяющим компьютерам обучаться на основе данных без явного программирования. Вместо ручного написания конкретных инструкций, алгоритмы машинного обучения анализируют данные и выявляют закономерности, которые затем используются для прогнозирования, классификации или принятия решений [27, 88, 113].

1.2.2. Основные виды машинного обучения

Выделяют два вида машинного обучения: обучение с учителем и обучение без учителя [44, 132].

Обучение с учителем - это такой вид обучения, при котором алгоритму предоставляется набор данных, который содержит входные данные и соответствующие им выходные значения (так называемые метки классов или целевые переменные). Алгоритм обучается на этом наборе данных, после чего становится способным предсказывать выходные значения для новых входных данных [59, 91].

Обучение без учителя - это такой вид обучения, при котором алгоритму предоставляется набор данных без каких-либо меток или целевых переменных (т.е. неразмеченные данные), на котором он обучается выявлять скрытые структуры и закономерности в данных [40, 47].

Обучение с подкреплением - это такой вид обучения, при котором алгоритм обучается принимать решения в некоторой среде, получая вознаграждение или штраф за свои действия. Цель - построение такой стратегии, которая позволяет получить максимальное вознаграждение. На

Список литературы диссертационного исследования кандидат наук Шамсулдин Хайдар Абдулваххаб Х., 2026 год

Список литературы

1. AGradient-BasedGeneticAlgorithmForConstructingFuzzyRules/ Ю.Ю. Громов, П.И. Карасев, З.А.Х. Аль-Судани, Х.А.Х. Шамсулдин // XXI век: итоги прошлого и проблемы настоящего плюс. - 2025. - Т. 14. - № 2(70). -EDN: TVDCAC. журнал Век 21 N 2(70)T 14 2025, С. 77-83.

2. A. Bonarini, Evolutionary learning of fuzzy rules: competition and cooperation, in: W. Pedrycz (Ed.), Fuzzy Modelling: Paradigms and Practice, Kluwer Academic Press, Norwell, MA, 1996, pp. 265-284.

3. A. Geyer-Schulz, Fuzzy Rule-Based Expert Systems and Genetic Machine Learning, Physica-Verlag, Heidelberg, 1995.

4. A. Gonzalez, R. Perez, Selection of relevant features in a fuzzy genetic learning algorithm, IEEE Trans. System Man Cybernet. B 31 (3) (2001) 417-425.

5. A. Rajapakse, K. Furuta, S. Kondo, Evolutionary learning of fuzzy logic controllers and their adaptation through perpetual evolution, IEEE Trans. Fuzzy Systems 10 (3) (2002) 309-321.

6. A.F. Gomez-Skarmeta, F. Jimenez, Fuzzy modeling with hybrid systems, Fuzzy Sets and Systems 104 (1999) 199-208.

7. A-F. Chung, C.J. Lin, C.T. Lin, A GA-based fuzzy adaptive learning control network, Fuzzy Sets and Systems 112 (1) (2000) 65-84.

8. AFuzzy Method For Increasing The Contrast Of Low-quality Cartographic Images / Yury Y. Gromov, Haidar Abdulwahhab Shamsuldain, Elena Maksimova, Pavel Karasev// https://www.researchgate.net/publication/382286374_A_Fuzzy_Method_For_Incre asing_The_Contrast_Of_Low-quality_Cartographic_Images/.

9. B. Carse, T.C. Fogarty, A. Munro, Evolving fuzzy rule based controllers using genetic algorithms, Fuzzy Sets and Systems 80 (1996) 273-294.

10. B.P. Buckles, F.E. Petry, D. Prabhu, R. George, R. Srikanth, Fuzzy clustering with genetic search, in Proc. 1 st IEEE Conf. on Evolutionary Computation (ICEC'94), Orlando, FL, USA, 1994, pp. 46 -50.

11. Breast Cancer - UCI Machine Learning Repository // UCI Machine Learning Repository URL: https://archive.ics.uci.edu/dataset/14/breast+cancer (датаобращения: 20.05.2025).

12. Breast Cancer Dataset // Kaggle: Your Machine Learning and Data Science Community URL: https://www.kaggle.com/datasets/yasserh/breast-cancer-dataset (датаобращения: 22.05.2025).

13. C. Karr, Genetic algorithms for fuzzy controllers, AI Expert 6 (2) (1991) 26-33.

14. Clustering And Classification Of Text Documents Using Optimization Method / Ali Abdulkarem Habib Alrammahil, Farah Abbas Obaid Saril, Fahad Ghalib Abdulkadhim1,Haidar Abdulwahab Habeeb Shamsuldeen // Цифровизацияагропромышленногокомплекса/ III Международнаянаучно-практическаяконференция, Тамбов, ИздательскийцентрФГБОУВО «ТГТУ», 2022, C.398-404.

15. D.E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, Reading, MA, 1989.

16. Decision Support in Problems of Course Selection During Personalization of Learning Based on the Fuzzy Logic Method / Zh. Seitakhmetova, S. Kumargazhanova, A. Bektenova [et al.] // Трудыуниверситета. - 2024. - No. 1(94). - P. 535-541. - DOI 10.52209/1609-1825_2024_1_535. - EDN LFKZAQ.

17. E. Alba, M. Tomassini, Parallelism and evolutionary algorithms, IEEE Trans. Evolutionary Computation 6 (5) (2002) 443-462.

18. E. Sanchez, T. Shibata, L. Zadeh (Eds.), Genetic Algorithms and Fuzzy Logic Systems. Soft Computing Perspectives, World Scientific, Singapore, 1997.

19. F. Herrera, J.L. Verdegay (Eds.), Genetic Algorithms and Soft Computing, Physica-Verlag, Wurzburg, 1996.

20. F. Herrera, M. Lozano, J.L. Verdegay, Tuning fuzzy controllers by genetic algorithms, Int. J. Approx. Reasoning 12 (1995) 299-315.

21. Fuzzy method for increasing the contrast of low-quality cartographic images; YYGromov, Haidar Abdulwahhab Shamsuldain, E.Maksimova; «Vestnik

Saint-Petersburg university of state fire service of emercom of Russia» Volume 2024 № 2, 2024.

22. H. Heider, T. Drabe, A cascade genetic algorithm for improving fuzzy-system design, Int. J. Approximate Reasoning 17 (4) (1997) 351-368.

23. H. Ishibuchi, K. Nozaki, N. Yamamoto, H. Tanaka, Selecting fuzzy if-then rules for classification problems using genetic algorithms, IEEE Trans. Fuzzy Systems 3 (3) (1995) 260-270.

24. H. Ishibuchi, T. Murata, A genetic-algorithm-based fuzzy partition method for pattern classification problems, in: F. Herrera, J.L. Verdegay (Eds.), Genetic Algorithms and Soft Computing, Physica-Verlag, Wurzburg, 1996, pp. 555578.

25. H. Ishibuchi, T. Nakashima, Effect of rule weights in fuzzy rule-based classification systems, IEEE Trans. Fuzzy Systems 9 (4) (2001) 506-515.

26. H. Ishibuchi, T. Nakashima, T. Murata, Performance evaluation of fuzzy classifier systems for multidimensional pattern classification problems, IEEE Trans. System Man Cybernet. 29 (1999) 601-618.

27. H.B. Gurocak, A genetic-algorithm-based method for tuning fuzzy logic controllers, Fuzzy Sets and Systems 108 (1) (1999) 39-47.

28. H.-M. Lee, C.-M. Chen, J.-M. Chen, Y.-L. Jou, An efficient fuzzy classifier with feature selection based on fuzzy entropy, IEEE Trans. Systems Man Cybernet. B 31 (3) (2001) 426-432.

29. I.G. Damousis, P. Dokopoulos, A fuzzy expert system for the forecasting of wind speed and power generation in wind farms, in Proc. of Int. Conf. on Power Industry Computer Applications PICA 2001, Sydney, Australia, 2001, pp. 63- 69.

30. Iskra, N. A. Neural network based image understanding with ontological approach / N. A. Iskra, V. Iskra, M. Lukashevich // OTKpbiTbieceMaHTHHecKHeTexHonorHHnpoeKTHpoBaHHflHHTenneKTyanbHbixcHCTeM

. - 2019. - No. 3. - P. 113-122. - EDN DVIKMR.

31. J. Casillas, O. Cord on, M.J. del Jesus, F. Herrera, Genetic feature selection in a fuzzy rule-based classification system learning process for high dimensional problems, Inform. Sci. 136 (2001) 169-191.

32. J. Kinzel, F. Klawoon, R. Kruse, Modi cations of genetic algorithms for designing and optimizing fuzzy controllers, in Proc. First IEEE Conf. on Evolutionary Computation (ICEC'94), Orlando, FL, USA, 1994, pp. 28-33.

33. J.H. Holland, Adaptation in Natural and Artificial Systems, University of Michigan Press, Ann Arbor, 1975.

34. K. Deb, Multi-Objective Optimization Using Evolutionary Algorithms, Wiley, New York, 2001.

35. K. DeJong, Learning with genetic algorithms: an overview, Mach. Learning 3 (3) (1988) 121-138.

36. Kayeshko, A. Decision support system for breast cancer screening / A. Kayeshko, A. Efimova // Открытыесемантическиетехнологиипроектированияинтеллектуальныхсистем

. - 2021. - No. 5. - P. 229-232. - EDN OJYCAI.

37. L. Baron, S. Achiche, M. Balazinski, Fuzzy decision support system knowledge base generation using a genetic algorithm, Int. J. Approximate Reasoning 28 (1) (2001) 125-148.

38. L.O. Hall, J.C. Bezdek, S. Boggavarapu, A. Bensaid, Genetic fuzzy clustering, In Proc. NAFIPS'94, San Antonio, Texas, USA, 1994, pp. 411- 415.

39. Lexema-Medicine - интеллектуальная система поддержки принятия врачебных решений (СППВР, CDSS) // Lexema — российская ERP-система, RPA-платформа, проекты с искусственным интеллектом, цифровизация бизнес-процессов. URL: https://lexema.ru/medicine/decision-support/ (дата обращения: 17.05.2025).

40. M. Regatieri-Delgado, Automatic design of fuzzy systems: a co-evolutionary approach, Ph.D. Thesis, State University of Campinas, Sao Paulo, Brazil, 2002 (in Portuguese).

41. M. Regattieri-Delgado, F. Von-Zuben, F. Gomide, Hierarchical genetic fuzzy systems, Inform. Sci. 136 (1- 4) (2001) 29-52.

42. M. Russo, FuGeNeSys: a fuzzy genetic neural system for fuzzy modeling, IEEE Trans. Fuzzy Systems 6 (2000) 373-388.

43. M. Setnes, H. Roubos, GA-fuzzy modeling and classification: complexity and performance, IEEE Trans. Fuzzy Systems 8 (5) (2000) 509-522.

44. M. Shim, S. Seong, B. Ko, M. So, Application of evolutionary computation at LG electronics, in Proc. of IEEE Int. Conf. on Fuzzy Systems FUZZ-IEEE'99, Seoul, South Korea, 1999, pp. 1802-1806.

45. O. Cordón, Maria Jose del Jesus, Genetic Learning of Fuzzy Rule-Based Classification Systems Cooperating with Fuzzy Reasoning Methods // International journal of intelligent systems, vol. 13, 1025-1053 1998.

46. O. Cordón, MOGUL: A methodology to obtain genetic fuzzy rule-based systems under the iterative rule learning approach // International Journal of Intelligent Systems 14 (1999): n. pag.

47. Optimization of the Network Information System Structure Based on Traffic Analysis; YY Gromov;P.I.Karasev;M.I. Shelpuck;A.Y Aleshin;Shamsuldaeen Haidar Abdulwahhab H. Publication Year: 2023,Page(s):696 - 701.2023 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA).

48. P.P. Bonissone, P.S. Khedkar, Y Chen, Genetic algorithms for automated tuning of fuzzy controllers: a transportation application, in Proc. Fifth IEEE Int. Conf. on Fuzzy Systems (FUZZ-IEEE'96), New Orleans, USA, 1996, pp. 674 - 680.

49. P.P. Bonissone, R. Subbu, K.S. Aggour, Evolutionary optimization of fuzzy decision systems for automated insurance underwriting, in Proc. of IEEE Int. Conf. on Fuzzy Systems FUZZ-IEEE'02, 2002, pp. 1003-1008.

50. P.V. Krishnamraju, J.J. Buckley, K.D. Reilly, Y Hayashi, Genetic learning algorithms for fuzzy neural nets, In Proc. Third IEEE Int. Conf. on Fuzzy Systems (FUZZ-IEEE'94), Orlando, FL, USA, 1994, pp. 1969 -1974.

51. R. Alcala, J. Casillas, O. Cordón, F. Herrera, Linguistic modeling with weighted double-consequent fuzzy rules based on cooperative revolutionary learning, Integrated Comput. Aided Eng., 2003, to appear.

52. R. Babuska, Fuzzy Modeling for Control, Kluwer Academic Press, Dordrecht, 1998.

53. R. Fuller, Introduction to Neuro-Fuzzy Systems, Physica-Verlag, Wurzburg, 1999.

54. R. Gudwin, F. Gomide, W. Pedrycz, Context adaptation in fuzzy processing and genetic algorithms, Int. J. Intell. Systems 13 (10/11) (1998) 929-948.

55. R. Subbu, A. Anderson, P.P. Bonissone, Fuzzy logic controlled genetic algorithms versus tuned genetic algorithms: an agile manufacturing application, in Proc. IEEE Int. Symp. on Intelligent Control (NIST), Gaithersburg, MD, USA, 1998.

56. Rfid-карта со сканером отпечатка пальцев / П.И.Карасев, М.А.Гладышев, Ахмед Аднан Латиф, Шамсулдин Хайдар Абдулваххаб Х.// Безопасность информационных систем и технологий в условиях цифровой экономики, материалы X Всероссийской научно-практической конференция -Волгоград, 2022. - C.53-57.

57. ScatteredInformationUsingSteganographyMethods/ ShamsuldaeenHaidarAbdulwahhabHabeeb // Мир науки без границ, Материалы 9-й Всероссийской научно-Практической конференция Молодых Учёных (с международным участием) - Тамбов, 2022. - C.335-339.

58. Smart Card with Biometric Authentication Using a Fingerprint Scanner; Y Y Gromov, P. I. Karasev, M.A. Gladyshev, Mustafa Abdulkadhim Dhahir Al-Ameedee, Shamsuldaeen Haidar Abdulwahhab H., Almali Ahmed Adnan Lateef; Publication Year: 2023,Page(s):691 - 695. 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA).

59. https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/ DVN/DBW86T Noel Codella, Veronica Rotemberg, Philipp Tschandl, M. Emre Celebi, Stephen Dusza, David Gutman, Brian Helba, Aadi Kalloo, Konstantinos Liopyris, Michael Marchetti, Harald Kittler, Allan Halpern: "Skin Lesion Analysis

Toward Melanoma Detection 2018: A Challenge Hosted by the International Skin Imaging Collaboration (ISIC)", 2018; https://arxiv.org/abs/1902.03368.

60. U.D. Hanebeck, G.K. Schmidt, Genetic optimization of fuzzy networks, Fuzzy Sets and Systems 79 (1) (1996) 59-68.

61. W. Caminhas, H. Tavares, F. Gomide, W. Pedrycz, Fuzzy set based neural networks: structure, learning and application, J. Adv. Comput. Intell. 3 (3) (1999) 151-157.

62. Z. Chi, H. Yan, T. Pham, Fuzzy Algorithms: With Applications to Image Processing and Pattern Recognition, World Scientific, Singapore, 1996.

63. Адаптивный нейро-нечеткий классификатор для оценки эффективности технологии на основе модифицированной нечеткой нейронной производственной mimo-сети ванга и менделя / Ю.Ю.Громов, П.И.Карасев, З.А.Х. Аль-Судани, Х.А.Х. Шамсулдин // XXI век: итоги прошлого и проблемы настоящего плюс. - 2025. - Т. 14. - № 2(70). - С. 10-16.

64. Аждер, Т. Б. Системы поддержки принятия решений и информационные системы / Т. Б. Аждер, О. А. Гуреева // Уральский научный вестник. - 2019. - Т. 6, № 3. - С. 46-48. - EDN GKFBGV.

65. Анализ методов аутентификации и авторизации и их применение для защиты ПК от несанкционированного доступа / Д.А.Скотаренко, П.И.Карасев, Хайдар АбдулваххабХ.Шамсулдин // Информационная безопасность и защита персональных данных. проблемы и пути их решения, конференция - Брянск БГТУ, 2023. - C.258-260.

66. Анализ методов и средств аутентификации пользователей для защиты информации автоматизированной системы / К.В. Стародубов, Шамсулдин Хайдар Абдулваххаб Х., Мустафа Абдулкадим Ал-Амееди, Алмали Ахмед Аднан Латиф // Воронежский государственный универстит, Научный журнал макет ПУвС, 2023.- № 2(30).-C.86-89.

67. Анализ методов обнаружения внешних угроз информационной безопасности в корпоративных сетях / А.А.Елин, П.И.Карасев, Хайдар АбдулваххабХ.Шамсулдин // Информационная безопасность и защита

персональных данных. Проблемы и пути их решения, конференция - Брянск БГТУ, 2023.- С.113-П6.

68. Анализ решений в области средств защиты информации в автоматизированной системе / К.В. Стародубов, Шамсулдин Хайдар Абдулваххаб Х., Мустафа Абдулкадим Ал-Амееди, Алмали Ахмед Аднан Латиф// Научный журнал актуальные исследования, Белгород, 2023, С.50-54.

69. Анализ современных систем защиты информации агропромышленного комплекса / К. V. Kuptsov, ShamsuldaeenHшdarAbdulwahhabH., MustafaAbdulkadhimDhahirAl-Ameedee // «Цифровизация агропромышленного комплекса» IV Международная научно-практическая конференция - Тамбов, 2024. - Т.1.-С.95-99.

70. Анализ современных систем защиты информации промышленного комплекса / К.В. Купцов, Шамсулдин Хайдар Абдулваххаб Х.1, Мустафа Абдулкадим Аль-АмидиДхаир // Проблемные вопросы моделирования систем и процессов, конференция, 2024 г. Воронеж, С.637-640.

71. Ананенков, В. А. Применение xgboost для решения задач классификации / В. А. Ананенков // Инновации. Наука. Образование. - 2020. -№ 24. - С. 1663-1669. - EDN VZVDYM.

72. Андриенко, М. П. Понимание повторяющихся нейронных сетей: предпочтительная нейронная сеть для данных временных рядов / М. П. Андриенко, П. А. Юдин, Е. Ю. Вишневецкая // АКТУАЛЬНЫЕ ВОПРОСЫ СОВРЕМЕННОЙ науки и ОБРАЗОВАНИЯ : сборник статей Международной научно-практической конференции : в 2 ч., Пенза, 05 января 2020 года. Том Часть 1. - Пенза: "Наука и Просвещение" (ИП Гуляев Г.Ю.), 2020. - С. 96-98. - EDN DXRRYY

73. Баев, Н. О. Использование метода опорных векторов в задачах классификации / Н. О. Баев // Международный журнал информационных технологий и энергоэффективности. - 2017. - Т. 2, № 2(4). - С. 17-21. - EDN YTSKKN.

74. Байков, И. И. Метод ансамблирования алгоритмов кластеризации для решения задачи совместной кластеризации / И. И. Байков, Е. А. Семерова, А. И. Курмуков // Сенсорные системы. - 2021. - Т. 35, № 1. - С. 43-49. - DOI 10.31857^0235009221010029. - EDN RJMKGA.

75. Баклушина, Н. А. Подсистема идентификации материалов по электронографическому изображению / Н. А. Баклушина, К. И. Лягина // Интеллектуальные информационные технологии : Труды международной научно-практической молодёжной конференции, Пенза, 31 мая 2016 года. -Пенза: Пензенский государственный технологический университет, 2016. - С. 18-26. - EDN WFYWZV.

76. Боженко, П. П. Краткая характеристика нейронных сетей. Реализация расширяемой нейронной сети / П. П. Боженко, Р. У Стативко // Вестник молодёжной науки России. - 2019. - № 5. - С. 1. - EDN SDFVWR.

77. Брагинский, М. Я. Идентификация состояния биологических объектов по их цифровому изображению / М. Я. Брагинский, Д. В. Тараканов // Актуальные вопросы современной науки : сборник статей по материалам XIX международной научно-практической конференции, Томск, 14 марта 2019 года. Том Часть 1(2). - Томск: Общество с ограниченной ответственностью Дендра, 2019. - С. 63-68. - EDN ZBQBNZ.

78. Бузылев, Ф. Н. Фильтрация цифровых изображений на основе элементов нечеткой логики / Ф. Н. Бузылев, Д. Д. Мухин, С. Н. Щербакова // Технологии и материалы для экстремальных условий : материалы XIV Всероссийской научной конференции, с. Агой, Россия, 16-20 сентября 2019 года. - с. Агой, Россия: Межведомственный центр аналитических исследований в области физики, химии и биологии при Президиуме Российской академии наук, 2019. - С. 281-284. - DOI 10.26103MZ.2019.55.95.040. - EDN ZXGEEN.

79. Васильева, Н. В. Построение функций принадлежности параметров технологического процесса на основе нечеткой кластеризации

производственных данных / Н. В. Васильева, Э. Д. Кадыров // Записки Горного института. - 2013. - Т. 202. - С. 251-253. - EDN ROOUZJ.

80. Воевода, А. А. Формирование структуры нейронной сети посредством декомпозиции исходной задачи на примере задачи управления роботом манипулятором / А. А. Воевода, Д. О. Романников // Известия СПбГЭТУ ЛЭТИ. - 2018. - № 9. - С. 27-32. - EDN YPNBYT.

81. Генетический алгоритм с настройкой на основе градиента для построения нечетких правил / Ю.Ю.Громов, П.И.Карасев, З.А.Х. Аль-Судани, Х.А.Х. Шамсулдин // XXI век: итоги прошлого и проблемы настоящего плюс. - 2025. - Т. 14. - № 2(70). - С. 77-83.

82. Давронов, Ш. Р. Обзор современных генетических алгоритмов и их применение на практике / Ш. Р. Давронов. — Текст : непосредственный // Молодой ученый. — 2023. — № 36 (483). — С. 15-18. — URL: https://moluch.ru/archive/483/105878/ (дата обращения: 19.05.2025).

83. Двумерный нечеткий метод кластеризации с-средних для сегментации изображений / Ю.Ю.Громов, П.И.Карасев, Шамсулдин Хайдар Абдулваххаб Х., Мустафа Абдулкадим Аль-АмидиДхаир // Журнал век 21, 2024. - № 4 (68). - C.111-117.

84. Демушкина, К. М. Обзор методов проектирования систем поддержки принятия врачебных решений / К. М. Демушкина, М. О. Демушкин, А. В. Кузьмин // Модели, системы, сети в экономике, технике, природе и обществе. - 2022. - № 2(42). - С. 75-89. - DOI 10.21685/2227-84862022-2-6. - EDN BXNCBS.

85. Джамалидинова, М. Е. Разработка методов контроля уровня качества инфокоммуникационных систем на основе методов нечеткой логики / М. Е. Джамалидинова // Новые технологии, материалы и оборудование российской авиакосмической отрасли : Материалы Всероссийской научно-практической конференции с международным участием. Материалы докладов, Казань, 08-10 августа 2018 года. Том 3. - Казань: Казанский государственный

технический университет им. А.Н. Туполева, 2018. - С. 113-118. - EDN Т^ТРЕ

86. Жетимекова, Г. Ж. Нечеткая классификация с использованием нечеткого анализа кластеризации / Г. Ж. Жетимекова // Вестник Кыргызского государственного университета строительства, транспорта и архитектуры им. Н.Исанова. - 2014. - № 4. - С. 117-120. - EDN UMKRWN.

87. Жмуровский, К. В. Нейронный сети и как они работают: основные виды и этапы разработки нейронных сетей / К. В. Жмуровский // Современные тенденции и инновации в науке и производстве : Материалы XII Международной научно-практической конференции, Междуреченск, 26 апреля 2023 года / Редколлегия: Т.Н. Гвоздкова (отв. редактор), С.О. Марков [и др.]. - Междуреченск: Кузбасский государственный технический университет имени Т.Ф. Горбачева, 2023. - С. 417.1-417.3. - EDN ERDBKW.

88. Жукова, Т. В. Методы машинного обучения в профилактической медицине / Т. В. Жукова, А. Ю. Шатов, М. В. Придворова [и др.] // Экология, здоровье, образование : IX Международная научно-практическая конференция студентов и молодых учёных: сборник материалов. - Ростов-на-Дону: Ростовский государственный медицинский университет, 2023. - С. 59-63. -EDN PAONDM.

89. Зимина, Е. Ю. Кластеризация электрокардиограмм и оценка качества кластеризации / Е. Ю. Зимина, С. В. Фролов // Межвузовская научно-техническая конференция студентов, аспирантов и молодых специалистов им. Е.В. Арменского, Москва, 18-28 февраля 2019 года. - Москва: Московский институт электроники и математики НИУ ВШЭ, 2019. - С. 53. - EDN PENVYZ.

90. Иванов, С. В. Преимущества генетических алгоритмов и их применение в медицине / С. В. Иванов // Актуальные проблемы гуманитарных и естественных наук. - 2014. - № 10. - С. 44-47. - EDN тЛММ

91. Использование алгоритмов машинного обучения в средствах защиты автоматизированных систем / П.И. Карасев, А.С. Никишов, Шамсулдин Хайдар Абдулваххаб, Алмали Ахмед Аднан Латиф // Журнал :

Приборы и системы. управление, контроль, диагностика, 2023. - № 3. - C.21-29.

92. Использование дронов и ии для отбора проб и анализа почвы: повышение эффективности севооборота на сельскохозяйственных полях / Э.Э.Голуб, Аль-Судани Зайд Али Хуссейн, Шамсулдин Хайдар Абдулваххаб Х., ФГБОУ ВО «Воронежский государственный лесотехнический университет имени Г.Ф. Морозова» // Проблемные вопросы моделирования систем и процессов, конференция - Воронеж, 2024. - C.300-302.

93. К вопросу об осуществимости сложных информационных систем / Ю.Ю.Громов, С. В.Данилкин, П.И.Карасев, Шамсулдин Хайдар Абдуллваххаб, Алмали Ахмед Аднан // Цифровизация гропромышленного комплекса / III Международная научно-практическая конференция, Тамбов, Издательский центр ФГБОУ ВО «ТГТУ», 2022.- C.183-185.

94. Карасев, П. И. Аналитические и процедурные модели анализа изображений для системы поддержки принятия решений врачом-маммологом : специальность 05.25.05 "Информационные системы и процессы" : диссертация на соискание ученой степени кандидата технических наук / Карасев Павел Игоревич, 2017. - 178 с. - EDN UQKZVY.

95. Киикова, М. Х. Разработка программного обеспечения для фильтрации растровых изображений / М. Х. Киикова // Матрица научного познания. - 2017. - № 3. - С. 14-18. - EDN XYEVTD.

96. Классификация зашумленных СТМ-изображений с использованием аппарата нечеткой логики / С. И. Липанов, Е. Ю. Шелковников, А. В. Тюриков [и др.] // Ползуновский вестник. - 2016. - № 2. -С. 126-129. - EDN WJHZMT.

97. Клестов, Р. А. Разработка прототипа автоматизированной системы поддержки принятия решений при поиске контуров на изображениях формата DICOM / Р. А. Клестов, В. Ю. Столбов // Управление большими системами. УБС-2017 : материалы XIV Всероссийской школы-конференции молодых ученых, Пермь, 04-08 сентября 2017 года. - Пермь: Пермский национальный

исследовательский политехнический университет, 2017. - С. 599-607. - EDN ZTJRXB.

98. Коновалов, А. С. Параметрические максиминные операторы конъюнкции и дизъюнкции в нечеткой логике / А. С. Коновалов, П. Е. Шумилов // Информационно-управляющие системы. - 2003. - № 1(2). - С. 410. - EDN КУЕЛ^

99. Контурный анализ эндоскопических изображений в диагностике раннего рака желудка / К. С. Приходько, Н. Н. Митракова, А. А. Роженцов, А. А. Митраков // Экспериментальная и клиническая гастроэнтерология. - 2020.

- № 12(184). - С. 53-56. - DOI 10.31146/1682-8658^-184-12-53-56. - EDN ЬТМУНТ.

100. Конькова, О. Ю. Сравнительный анализ методов кластеризации на примере кластеризации медицинских данных / О. Ю. Конькова // Проблемы управления в социально-экономических и технических системах : Сборник научных статей по материалам XII Международной научной конференции, Саратов, 07-08 апреля 2016 года / Ответственный редактор Шульга Т.Э.. -Саратов: ИЦ "Наука", 2016. - С. 149-151. - EDN WOJDNX.

101. Коробова, Л. А. Разработка модели принятия решения для постановки диагноза заболеваний на основе нечеткой логики / Л. А. Коробова, Т. В. Гладких // Вестник Воронежского государственного университета инженерных технологий. - 2018. - Т. 80, № 4(78). - С. 80-89. - DOI 10.20914/2310-1202-2018-4-80-89. - EDN ЮТМЦЖ

102. Кошкин, Д. Е. Анализ и сравнение алгоритмов кластеризации данных применительно к кластеризации текстового контента / Д. Е. Кошкин, Н. В. Багдасарова // Информатизация образования и науки. - 2018. - № 4(40).

- С. 116-128. - EDN XЛLOFI.

103. Кравец, Е. В. Анализ понятия "нечёткая логика", методы и области применения нечёткой логики / Е. В. Кравец, О. С. Солодова // "Цифра" -реальность, меняющая мир: готовность российской экономики к новым правилам игры : Материалы Национальной научно-практической

конференции, Москва, 23 апреля 2019 года. Том 13. - Москва: Федеральное государственное унитарное предприятие "Всероссийский научно-исследовательский институт "Центр", 2019. - С. 110-112. - EDN YXOTFD.

104. Кудрявцев, М. А. Методика измерения сложности изображения с использованием нечеткой логики / М. А. Кудрявцев // Современные инновации: достижения и перспективы III тысячелетия : Сборник статей по материалам VII Международной научно-практической конференции, Москва, 19-20 декабря 2017 года. - Москва: Проблемы науки, 2017. - С. 22-24. - EDN YQCIQR.

105. Лисьих, А. С. Нейронные сети. Применение нейронных сетей в автоматизации процессов / А. С. Лисьих, А. А. Турчина, С. А. Шадрин // Исследования молодых ученых : Материалы LIII Международной научной конференции, Казань, 20-23 января 2023 года. - Казань: Молодой ученый, 2023. - С. 1-6. - EDN EWWJPU.

106. Лысенко, А. Ф. Нечеткая логика в моделях экспертных систем / А. Ф. Лысенко // Вопросы науки и образования. - 2018. - № 16(28). - С. 7-9. -EDN OXPOCG.

107. Мальков, А. А. Метод нечеткой кластеризации для управления многорежимным технологическим процессом / А. А. Мальков // Актуальные вопросы науки. - 2017. - № 34. - С. 120-122. - EDN ZVRLYV.

108. Метод синтеза эффективности целенаправленных информационных процессов/Ю.Ю.Громов, С.В.Данилкин, П.И.Карасев, Шамсулдин Хайдар Абдуллваххаб, Алмали Ахмед Аднан // Цифровизация агропромышленного комплекса / III Международная научно-практическая конференция - Тамбов, Издательский центр ФГБОУ ВО «ТГТУ» 2022. - C.190-194.

109. Мингликулов, З. Б. Алгоритм решения задачи нечеткой кластеризации / З. Б. Мингликулов // Проблемы информатики. - 2014. - № 1(22). - С. 10-14. - EDN SEGHQX.

110. Михайлов, А. А. Использование алгоритма k-средних в кластеризации данных / А. А. Михайлов // Прикладные исследования и технологии ART2016: Сборник трудов международной конференции, Москва, 12-14 сентября 2016 года / НОУ ВО Московский технологический институт. -Москва: Негосударственное образовательное учреждение высшего образования Московский технологический институт, 2016. - С. 205-210. - EDN XAVPUF.

111. Мишунина, Н. О. Разработка системы идентификации объекта по его изображению / Н. О. Мишунина // Путь науки. - 2015. - № 5(15). - С. 3941. - EDN TWHNMB.

112. Моделирование многоагентной интеллектуальной системы непрерывного мониторинга внешнего сетевого периметра / А.Г.Иванов, П.И.Карасев, ShamsuldaeenHaidarAbdulwahhabH., AbdAHHusseinnNajmAbdAli // Сборник статей международной научно-практической конференция -Липецк, 2024.- C.175-183.

113. Молдагулова, А. Н. Применение методов нечеткой логики в медицине / А. Н. Молдагулова // Вестник Казахской академии транспорта и коммуникаций им. М. Тынышпаева. - 2019. - № 4(111). - С. 186-192. - EDN VJKHMC.

114. Муравьева, Е. А. Artificialintelligenceandartificialneuralnetworkinimagesrecognition / Е. А. Муравьева, А. М. Сагдатуллин, А. А. Емекеев // Материалы научной сессии ученых Альметьевского государственного нефтяного института. - 2014. - №2 2. - С. 98-101. - EDN SEJKXF.

115. Назаров, Д. М. Цифровые технологии и интеллектуальные модели / Д. М. Назаров. - Казань : Общество с ограниченной ответственностью "Бук", 2022. - 192 с. - ISBN 978-5-00118-993-0. - EDN YCNCNG.

116. Неконтролируемая адаптация кросс-данных с помощью вероятностного амодального 3D-комплектования позы человека / Ю.Ю. Громов, К.В. Стародубов, П.И. Карасев, Х.А. Шамсулдин, А.Л. Ахмед //

Журнал: Приборы и системы управление, контроль, диагностика, 2023. - № 1. - C.23-30.

117. Нечеткий метод повышение контрастности картографических изображений качества / Ю.Ю.Громов, Е.А.Максимова, П.И.Карасев, Шамсульдаин Хайдар Абдулваххаб Х. // МИРЭА - Российский технологический университет, Москва// Научно-аналитический журнал "Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России", 2024 г. - № 2.- С. 42-52.

118. О применении российских алгоритмов шифрования при создании виртуальных частных сетей / Д.А.Свиридова, Н.Д.Потапова, Хайдар Абдулваххаб Х. Шамсулдин // Информационная безопасность и защита персональных данных. проблемы и пути их решения, конференция- Брянск БГТУ, 2023. - C.236-240.

119. Обзор методов использования нейросетевого фишинга / В.В.Кулешов, П.И.Карасев, Хайдар Абдулваххаб Х. Шамсулдин // Информационная безопасность и защита персональных данных. проблемы и пути их решения, конференция - Брянск БГТУ, 2023.- C.151-153.

120. Обзор подходов исследования эффективности информационных процессов /Ю. Ю. Громов, С.В. Данилкин, П.И. Карасев, Шамсулдин Хайдар Абдуллваххаб, Алмали Ахмед Аднан // Цифровизация агропромышленного комплекса / III Международная научно-практическая конференция, Тамбов, Издательский центр ФГБОУ ВО «ТГТУ», 2022. - C.186-189.

121. Обнаружение спама с помощью машинного обучения / П.И.Карасев, Ю.М.Концевая, Ахмед Аднан Латиф, Шамсулдин Хайдар Абдулваххаб // Безопасность информационных систем и технологий в условиях цифровой, материалы x всероссийской научно-практической конференция - Волгоград, 2022. - С.63-70.

122. Определение аномалий в сетевом трафике на основе использования его энтропийных характеристик / С.В. Данилкин, П.И. Карасев,

М.С. Ефанов, Шамсулдин Хайдар Абдулваххаб // Журнал: Приборы и системы управление, контроль, диагностика 2023, № 3, C. 9-14.

123. Особенности имитаторов авиационного тренажёра, синтезирующих для лётчика 3d-модели окружающего пространства в разном диапазоне световых волн / Roganov B.R., Kuvshinova O.A., AhmedAndanLateef, Abdulwahhab4 Haidar // Труды Международного симпозиума «Надежность и качество», журнал Пенза 2023, Том2, C.75-78.

124. Оценка эффективности методического и алгоритмического обеспечения системы поддержки принятия решений специального назначения / Р. В. Допира, А. Н. Потапов, Д. Ю. Брежнев [и др.] // Программные продукты и системы. - 2019. - № 2. - С. 273-282. - EDN ECHWVQ.

125. Патент № 2789260 C1 Российская Федерация, МПК G16H 50/20. Система поддержки принятия врачебных решений на основе анализа медицинских изображений : № 2021137766 : заявл. 20.12.2021 : опубл. 31.01.2023 / Р. Ф. Кулеев, С. А. Оразов ; заявитель Автономная некоммерческая организация высшего образования "Университет Иннополис". - EDN MCANYL.

126. Патент № 2808058 C1 Российская Федерация, МПК G01S 17/86, G01S 17/931, G08G 1/16. Способ распознавания объектов и устройство распознавания объектов : № 2022123027 : заявл. 31.01.2020 : опубл. 22.11.2023 / Т. Куротоби, К. Нода, Т. Икегами, Х. Мацуо ; заявитель НИССАН МОТОР КО., ЛТД.. - EDN DQHLEV.

127. Побединский, В. В. Нечеткая модель диагностирования предстательной железы / В. В. Побединский, А. М. Бахтин // Высокотехнологическая медицина. - 2020. - Т. 7, № 2. - С. 28-36. - EDN SNHNVD.

128. Поддержка принятия решений в системе распознавания изображений с применением искусственной нейронной сети / А. О. Калашников, В. Ф. Барабанов, А. М. Нужный, А. В. Барабанов // Вестник

Воронежского государственного технического университета. - 2021. - Т. 17, №2 2. - С. 19-23. - DOI 10.36622^Ш.2021.17.2.003. - EDN VYGRMN.

129. Поленок, М. В. О методах машинного обучения при принятии управленческих решений в области здравоохранения / М. В. Поленок, С. В. Бондаренко, И. Р. Козлова, О. Н. Юркова // Вызовы цифровой экономики: тренды развития в условиях последствий пандемии COVID-19 : Сборник статей IV Всероссийской научно-практической конференции, приуроченной к Году науки и технологий в России, Брянск, 25 мая 2021 года. - Брянск: Федеральное государственное бюджетное образовательное учреждение высшего образования "Брянский государственный инженерно-технологический университет", 2021. - С. 225-229. - EDN CFXOPQ.

130. Применение блокчейн технологий в промышленном комплексе / Е.С.Жирнов, Шамсулдин Хайдар Абдулваххаб Х., Мустафа Абдулкадим Аль-АмидиДхаир // Проблемные вопросы моделирования систем и процессов, конференция - Воронеж, 2024. - С.325-327.

131. Применение блокчейн-технологий в агропромышленном комплексе / E.S.Zhirnov, Shamsu1daeenHaidarAbdu1wahhabH., MustafaAbdulkadhimAl-AmeedeeDhahir // Цифровизация агропромышленного комплекса, IV Международная научно-практическая конференция - Тамбов, 2024.- Т.1.- С.85-88.

132. Применение дронов и ИИ для сбора и анализа почвы: оптимизация севооборота сельскохозяйственных полей / Е.Е^о1иЬ, А1-SoudanyZaidA1iHussein, Shamsu1daeenHaidarAbdu1wahhabH. // Цифровизация агропромышленного комплекса, Международная научно-практическая конференция - Тамбов, 2024.- Том 2.-С.168-170.

133. Применение теории надёжности в рамках организационных мер информационной безопасности / Ф.М.Пыршев, П.И.Карасев,Shamsu1daeenHaidarAbdu1wahhabH., AbdA1iHusseinnNajmAbdA1i // Сборник статей международной научно-практической конференция -Липецк, 2024.- С.189-192.

134. Программная реализация методов нечеткой логики в современных контроллерах / С. Л. Горобченко, Ю. И. Беленький, Н. Э. Гусейнова [и др.] // Известия Тульского государственного университета. Технические науки. -2023. - № 3. - С. 474-479. - DOI 10.24412/2071-6168-2023-3-474-480. - EDN CQTYNT.

135. Псоянц, В. Г. Классификация рисков программного проекта с использованием мультимножеств и автоматической нечеткой кластеризации /

B. Г. Псоянц // Теоретические и прикладные аспекты современной науки. -2015. - № 7-3. - С. 112-116. - EDN TKIHFZ.

136. Разработка и исследование модели иерархической системы распознавания объектов для оценки влияния параметров изображений на быстродействие распознавания / А. И. Тур, А. Н. Кокоулин, К. Р. Ахметзянов [и др.] // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. - 2020. - № 35. - С. 87-101. - DOI 10.15593/2224-9397/2020.3.06. - EDN ОТУВВЕ.

137. Регулирование и стандарты безопасности в агропромышленном комплексе / V. S. Blazhenov, ShamsuldaeenHaidarЛbdulwahhabH., ЛlmaliЛhmedЛdnanLateef // Цифровизация агропромышленного комплекса, IV Международная научно-практическая конференция - Тамбов, 2024. - Тот1. -

C.54-57.

138. Регулирование и стандарты безопасности в промышленном комплексе / В.С. Блаженов, Шамсулдин Хайдар Абдулваххаб Х., АлмалиАхмед Аднан Ла-тиф. // Проблемные вопросы моделирования систем и процессов, конференция, 2024 г. Воронеж, С.526-528.

139. Румовская, С. Б. Интеллектуальные системы поддержки принятия решений в медицине: понятие, проблемы, подходы к разработке / С. Б. Румовская // Системы и средства информатики. - 2024. - Т. 34, № 2. - С. 107122. - DOI 10.14357/08696527240208. - EDN IJDVVV.

140. Саяпин, А. В. Автономная колесная платформа для изучения основ обработки изображений, нейронных сетей и систем нечеткой логики / А. В. Саяпин, А. Г. Зотин // Евразийский союз ученых. - 2015. - № 2-3(11). - С. 3840. - EDN XGXSMR.

141. Свидетельство о государственной регистрации программы для ЭВМ № 2019667533 Российская Федерация. Интеллектуальная система идентификации объектов на изображении : № 2019666533 : заявл. 08.12.2019 : опубл. 24.12.2019 / Д. А. Петров. - EDN MOOZNY.

142. Сегментация цветных изображений яблок с использованием методов нечеткой кластеризации / Ю.Ю.Громов, П.И.Карасев, Шамсулдин Хайдар Абдулваххаб Х., Мустафа Абдулкадим Аль-АмидиДхаир // Журнал век 21, 2024. - № 4 (68). - C.35-40.

143. Система поддержки принятия врачебных решений Webiomed.DHRA // Webiomed URL: https://webiomed.ru/products/webiomed-dhra/ (дата обращения: 17.05.2025).

144. Система поддержки принятия решений идентификации и обработки изображений / Yu.Yu. Gromov, S.V. Artemova, P.I.Karasev, ShamsuldaeenHaidarAbdulwahhab Н.//СТЭК-В журнал первью 2024, C.38-39.

145. Создание безопасной сети для агробизнеса: пример внедрения vpn-технологий в сельском хозяйстве / A.R.Emin, MustafaAbdulkadhimDhahirAl-Ameedee, ShamsuldaeenHaidarAbdulwahhabH. // Цифровизация агропромышленного комплекса, IV Международная научно-практическая конференция - Тамбов, 2024. - T.1. -C.157-160.

146. Стремоус, М. А. Алгоритм кластеризации методом k-средних / М. А. Стремоус // Электронные системы и технологии : Сборник материалов 58-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 18-22 апреля 2022 года. - Минск: Белорусский государственный университет информатики и радиоэлектроники, 2022. - С. 191-193. - EDN MJQMUK.

147. Структура баз данных компьютерных генераторов изображения синтезирующих 3d-модель района полётов авиационного тренажёра / Роганов

В.Р., Четвергова М.В., Кувшинова О.А., Абдулваххаб Хайдар //Журнал век 21 № 2 (62), 2023, C.41-47.

148. Тормозов, В. С. Анализ методов распознавания образов и машинного обучения для распознавания визуальных образов / В. С. Тормозов // Информационные технологии XXI века : Сборник научных трудов / Ответственный редактор В. В. Воронин. - Хабаровск : Тихоокеанский государственный университет, 2019. - С. 354-359. - EDN LGBPXX.

149. Угрозы и методы защиты от нежелательных рассылок в социальных сетях / Александр Алексеевич Алексеев, Павел Игоревич Карасев, Хайдар Абдулваххаб Х. Шамсулдин // Информационная безопасность и защита персональных данных. Проблемы и пути их решения, конференция, Брянск БГТУ 2023, C.15-18.

150. Устойчивость агропредприятий к кибератакам: Угрозы и приемы по их предотвращению / AbdulkadhimDhahirAl-Ameedee, ShamsuldaeenHaidarAbdulwahhabH. // Цифровизация агропромышленного комплекса, IV Международная научно-практическая конференция - Тамбов, 2024.- T.1.-C.69-72.

151. Устойчивость транспортной отрасли к кибератакам: грозы и приемы по их предотвращению /А.А. Двойных, Мустафа Абдулкадим Аль-АмидиДхаир, Шамсулдин Хайдар Абдулваххаб Х. // Проблемные вопросы моделирования систем и процессов, конференция, 2024 г. Воронеж, C.301-304.

152. Утешева, Г. Ш. Применение методов теории нечётких множеств для обнаружения закономерностей в данных: модели и алгоритмы / Г. Ш. Утешева, Ж. К. Кадирова // Вестник Западно-Казахстанского инновационно-технологического университета. - 2024. - Т. 29, № 1. - С. 377-383. - EDN AUAYZW.

153. Фам, В. Т. Применение нечеткого метода анализа иерархий к методу анализа видов и последствий отказов / В. Т. Фам // ComputationalNanotechnology. - 2021. - Т. 8, № 2. - С. 29-36. - DOI 10.33693/2313-223X-2021-8-2-29-36. - EDN RTZYGE.

154. Цынко, Д. О. Кластеризация. Методы кластеризации / Д. О. Цынко, Х. Ш. Мамаев // Академия педагогических идей Новация. Серия: Научный поиск. - 2018. - № 10. - С. 6-9. - EDN VPPLSS.

155. Шилова, С. В. Композиция Мамдани в моделях нечёткого анализа как нечёткий аналог подстановок зависимостей / С. В. Шилова, О. Н. Бурмистрова // Современные наукоемкие технологии. - 2021. - № 10. - С. 102107. - DOI 10.17513/snt.38861. - EDN BZCZYS.

156. Шляхова, Н. И. Метод построения функций принадлежности нечетких множеств на основе модификации метода попарных сравнений и прямого группового метода / Н. И. Шляхова // Актуальные проблемы современной науки : IV Международная научно-практическая конференция, Алушта, 27-30 апреля 2015 года. Том Выпуск 4, Том 2. - Алушта: Ставропольский университет, 2015. - С. 285-287. - EDN UECTDL.

157. ЭКФ - электронный клинический фармаколог, проверка лекарственных средств // ЭКФ ecp электронный клинический фармаколог URL: https://www.ecp.umkb.com/ (дата обращения: 17.05.2025).

158. Элементы сетевой защиты многофункциональным комплексом (мксз) diamondvpn/fw / П.И.Карасев, Д.А.Головченко, Е.В.Зыбайло, М.В.Соколенко, Ахмед Аднан Латиф, Шамсулдин Хайдар Абдулваххаб // Безопасность информационных систем и технологий в условиях цифровой, материалы X Всероссийской научно-практической конференция - Волгоград, 2022. - C.58-63.

Приложение А. Программный код для объединения метаданных и

изображений

1. Импорт библиотек

1 # ===========================================

2 # НАМ10000 (ИСХОДНЫЕ ИЗОБРАЖЕНИЯ + МЕТАДАННЫЕ) -» ОДИН CSV

3 # Этап 1: Подготовка данных

4 # ===============================================

6 import os

7 import glob

8 import numpy as np

9 import pandas as pd IS from PIL import Image

11 from sklearn.preprocessing import MinMaxScaler

• os, glob — работа с файлами и папками (поиск .jpg, создание путей).

• numpy — быстрые вычисления с массивами (пиксели ^ вектор).

• pandas — работа с табличными данными (CSV, объединение, очистка).

• PIL.Image — открытие и обработка изображений.

• MinMaxScaler — нормализация значений пикселей в диапазон [0, 1].

2. Настройки (конфигурация)

# ---------- [НАСТРОЙКИ] ----------

# Путь к основной папке с файлами

BASEDIR = г"С:\Users\Lenovo\Downloads\archive (4)"

# Папки с изображениями IMGDIRS = [

os. path, join ( BASEDIR, " НАШ0000_i mage spa rt 1") j os. path, join (BASEDI R, " НАШ0000_i mage spa rt 2") j

]

# Файл метаданных

METACSV = OS.path.join(BASE_DIR, "HAM10000_metadata.csv")

# Конечный CSV файл

OUTPUTCSV = os.path.join(BASEDIR^ "haml0000_fullwithmetadata.csv")

# Размер целевого изображения (в пикселях) TARGETSIZE = (28, 28)

• Путь к данным — все файлы в папке archive (4).

• Папки с изображениями — две части (part_1, part_2).

• Метаданные — файл HAM10000_metadata.csv.

• Результат — один CSV: ham10000_full_with_metadata.csv.

• Размер изображений — все приводятся к 28*28 пикселей (маленький размер для ускорения).

3. Поведение при очистке данных

# Поведение при очистке данных

DROPROWSWITH CRITICALNA = True # удалять строки с отсутствующими важными данными

FILLAGEWITHMEDIAN = True # заменять пустой возраст медианой

ENC0DE_SEX = True # кодировать пол (1=муж, 0=жен)

ENCODE LOCALIZATION = True # кодировать локализацию в числовой код

# Словарь для преобразования типа болезни в числовую метку

LABELMAP = {"akiec":0, "bcc":l, "bkl":2j "df":3j "nv":4j "mel":5, "vase":6}

Параметр Что делает

DROP ROWS WITH CRITICAL NA Удаляет строки, где нет dx (диагноз)

FILL AGE WITH MEDIAN Заполняет пустой возраст медианой

ENCODE SEX Преобразует пол: male ^ 1, female ^ 0

ENCODE LOCALIZATION Кодирует место на теле числом

LABEL MAP Преобразует тип болезни в число (метка класса)

4. Чтение метаданных

# ---------- [ЧТЕНИЕ МЕТАДАННЫХ] ----------

print("Загрузка метаданных:'^ METACSV) meta = pd.readcsv(METACSV)

# Приведение названий столбцов к нижнему регистру

meta.columns = [с.strip(). lowerQ for c in meta.columns]

# Проверка наличия необходимых столбцов for col in ["imageid", "dx"]:

if col not ir meta.columns:

raise RuntimeError(-"Отсутствует столбец ~{col}~ в файле метаданных.")

• Загружает HAM10000_metadata.csv.

• Приводит названия столбцов к нижнему регистру и убирает пробелы.

• Проверяет наличие обязательных столбцов: image_id, dx.

5. Чтение и обработка изображений

# ---------- [ЧТЕНИЕ И ОБРАБОТКА ИЗОБРАЖЕНИЙ] ----------

TOMS = []

skipped = 0 total_found = 0

print("4TeHne изображений из папок...") for d in IMGDIRS:

pattern - os.path.]oin(d, "*.jpg") for jpgpath in glob.glob(pattern):

imageid = os.path.splitext(os.path.basename(jpg_path))[e] try:

# Открываем изображение, конвертируем в RGB и изменяем размер img = Image.open(jpgpath).convert( "RGB").resize(TARGET SIZE) arr = np.asarray(imgj dtype=np.float32) # форма (H, Ы, 3)

# Преобразуем изображение в одномерный вектор arr = arr.reshape(-l)

rows.append((image_id, arr)) totaifound += 1 if totaifound % 1000 == 0:

print(f" Обработано {total_found} изображений...") except Exception as e: skipped t 1 if skipped <= 10:

print(" [ПРЕДУПРЕЖДЕНИЕ] Пропуск:", jpg path, "Ошибка:", e)

print(~"^cerc| обработано изображений: {totaifound}, пропущено: {skipped}")

if totaifound == 0:

raise RuntimeError("^ найдено ни одного изображения. Проверьте пути IMGDIRS.")

• Поиск всех .jpg в двух папках.

• Извлечение image_id из имени файла.

• Открытие ^ RGB ^ размер 28x28.

• Преобразование в массив float32.

• Выравнивание в вектор (одна строка = одно изображение).

• Счётчик прогресса каждые 1000 изображений.

• Пропуск повреждённых файлов (с предупреждением).

6. Создание DataFrame с пикселями

# ---------- [СОЗДАНИЕ DATAFRAME С ПИКСЕЛЯМИ] ----------

ids = [г[9] for г in rows]

рх = np.vstack([r[l] for г in rows]) # размер (N, H*W*3)

pixel cols = [f"pixel{i:04d}" for i in range(px.shape[l])] dfpx = pd.DataFrame(px, columns=pixel_cols) dfpx.insert(0, "image_id"j ids)

• ids — список image_id.

• px — матрица (N, 2352) (N изображений).

• pixel_cols — имена столбцов: pixel0000, pixel0001, ..., pixel2351.

• df_px — таблица: image_id + 2352 пиксельных столбца.

7. Нормализация пикселей

# ---------- [НОРМАЛИЗАЦИЯ ПИКСЕЛЕЙ] ----------

print("Нормализация значений пикселей до диапазона [е.,1] ___")

scaler = MinMaxScalerQ

df_px[pixel_cols] = scaler.fit_transfonn(df_px[pixel_cols]}

• Пиксели: 0..255 ^ [0, 1].

• Ускоряет обучение и стабилизирует модели.

8. Объединение с метаданными

# ---------- [ОБЪЕДИНЕНИЕ С МЕТАДАННЫМИ] ----------

print("Объединение пикселей ^ метаданными по полю ~image_icT ...") df = df_px.merge(metaj on="image_id", how="left")

• Левое соединение (leftjoin) по image_id.

• К каждому изображению добавляются: dx, age, sex, localization и др.

9. Очистка данных

# ---------- [ОЧИСТКА ПРОПУЩЕННЫХ ЗНАЧЕНИЙ] ----------

critical_cols = ["dx"] # столбцы, которые нельзя терять before = len(df)

df = df.dropna(subset=critical_cols) after = len(df) if before != after:

print(Р"Удалено {before - after} строк |c] отсутствующим значением в {criticalcols}")

# Обработка возраста if "age" in df.columns:

if FILL AGE WITIH MEDIAN:

medianage = df["age"].median(skipna= "Ui) df["age"] - df["age"].fillna(medianage) elif DROP ROWS WITH С RITIСAL MA: df - df.dropna(subset=["age"]}

# Кодирование пола

if "sex" in df.columns and ENCODESEX:

df["sexnum"] - df["sex"].map({"male": 1, "female": e}) df["sex num"] - df["sexnum"].fillna(-l) # -1 если неизвестно

# Кодирование локализации

if "localization" in df.columns and ENCODELOCALIZATION:

df["localizationcode"] = df["localization"].astype("category").cat.codes

#---------- [dx -> label] ----------

df["label"] = df["dx"].map(LABELMAP) missing_label = df["label"].isna().sum() if missing^label > 9:

print(F"[ПРЕДУПРЕЖДЕНИЕ] {missing^label} строк не имеют правильного dx; они будут удалены.") df = df.dropna(subset=["label"])

df["label"] - df["label"].astype(int)

• Удаляет строки без диагноза (dx).

• Заполняет пустой возраст медианой.

• Кодирует пол: 1, 0, -1 (неизвестно).

• Кодирует место на теле: face ^ 0, back ^ 1 и т.д.

10. Преобразование dx ^ label

#---------- [dx label] ----------

df["label"] = df["dx"].map(LABELMAP) missing_label = df["label"].isna().sum() if missing_label > 0:

print(f"[ПРЕДУПРЕЖДЕНИЕ] {missing_label} строк не имеют правильного dx; они будут удалены.") df = df.dropna(subset=["label"])

df["label"] = df["label"].astype(int)

• dx (строка) ^ label (число от 0 до 6).

• Удаляет строки с неизвестным dx.

• Приводит label к целому типу.

11.Сохранение результата

# ---------- [СОХРАНЕНИЕ ФИНАЛЬНОГО CSV] -----

print("Сохранение итогового CSV:", OUTPUTCSV) df.to c sv(OUTPUT CSV, indexa aise) print("Готово!")

Сохраняет один CSV со всеми данными:

• image_id

• 2352 пиксельных признаков

• age, sex_num, localization_code

• label (целевая переменная)

12. Итоговая сводка

# ---------- [ОБЩАЯ ИНФОРМАЦИЯ] ----------

printС"\г§в§цк^:")

print С" - Итоговый CSV:", OUTPUT_CSV) print(" - Кол-во строк:", len(df))

print(" - Кол-во пиксельных столбцов:", len(pixelcols)) if "sex_num" in df.columns:

print(" - Кодированный пол: sex_num (1=муж, 0=жен, -1=неизвестно)") if "localizationcode" in df.columns:

print(" - Код локализации: localizationcode") print(" - Сопоставление dx -+ label:", LABEL_MAP)

Показывает:

• Путь к файлу

• Количество образцов

• Количество признаков

• Как закодированы sex, localization

• Словарь LABEL_MAP

Приложение Б. Извлечение признаков из дерматологических

изображений

import os

import numpy as np import pandas as pd from tqdm import tqdm

from skimage.feature import graycomatrix, graycoprops, local_binary_pattern from skimage.color import rgb2gray, rgb2hsv import cv2

#----------[НАСТРОЙКИ]----------

BASE_DIR = r"C:\Users\Lenovo\Downloads\archive (4)" INPUT_CSV = os.path.join(BASE_DIR, "ham10000_full_with_metadata.csv") OUTPUT_CSV = os.path.join(BASE_DIR, "ham10000_features.csv") IMAGE_SIZE = (28, 28)

print("Загрузкаданных:", INPUT_CSV) df = pd.read_csv(INPUT_CSV)

pixel_cols = [c for c in df.columns if c.startswith("pixel")] meta_cols = ["age", "sex_num", "localization_code", "label"] print(f"Найдено {len(df)} строки {len(pixel_cols)} пиксельныхстолбцов.")

# Преобразуем пиксельные столбцы в числовой тип (float32) for col in pixel_cols:

df[col] = pd.to_numeric(df[col], errors="coerce") df[pixel_cols] = df[pixel_cols].fillna(0).astype(np.float32)

#----------[ФУНКЦИИПРИЗНАКОВ]----------

def extract_color_features(img_rgb):

means = np.mean(img_rgb, axis=(0,1)) stds = np.std(img_rgb, axis=(0,1)) hsv = rgb2hsv(img_rgb) return {

"mean_R": means[0], "mean_G": means[1], "mean_B": means[2],

"std_R": stds[0], "std_G": stds[1], "std_B": stds[2],

"mean_S": np.mean(hsv[:,:,1]), "mean_V": np.mean(hsv[:,:,2]),

}

def extract_texture_features(img_gray):

img_uint8 = (img_gray * 255).astype(np.uint8) glcm = graycomatrix(img_uint8, distances=[1], angles=[0], levels=256, symmetric=True, normed=True) contrast = graycoprops(glcm, "contrast")[0,0] homogeneity = graycoprops(glcm, "homogeneity")[0,0] energy = graycoprops(glcm, "energy")[0,0] entropy = -np.sum(glcm * np.log2(glcm + 1e-10)) lbp = local_binary_pattern(img_uint8, P=8, R=1, method="uniform") hist, _ = np.histogram(lbp.ravel(), bins=np.arange(0, 11), range=(0, 10)) hist = hist / np.sum(hist) lbp_entropy = -np.sum(hist * np.log2(hist + 1e-10)) return {

"glcm_contrast": contrast, "glcm_homogeneity": homogeneity, "glcm_energy": energy, "glcm_entropy": entropy, "lbp_entropy": lbp_entropy

}

def extract_SHAP_features(img_gray):

edges = cv2.Canny((img_gray*255).astype(np.uint8), 50, 150) edge_density = np.sum(edges>0)/edges.size

left, right = np.sum(img_gray[:,:14]), np.sum(img_gray[:,14:]) asymmetry = abs(left - right)/(left + right + 1e-8) moments = cv2.moments((img_gray*255).astype(np.uint8)) hu = cv2.HuMoments(moments).flatten()

hu = np.sign(hu)*np.log10(np.abs(hu)+1e-10) hu_dict = {f"hu{i+1}": hu[i] for i in range(7)}

feats = {"edge_density": edge_density, "asymmetry": asymmetry} feats.update(hu_dict) return feats

#----------[ИЗВЛЕЧЕНИЕ ПРИЗНАКОВ]----------

feature_rows = []

print("Извлечение признаков из изображений...")

for idx, row in tqdm(df.iterrows(), total=len(df)):

# Преобразуем пиксели текущей строки в float32 массив

pixels = np.array(row[pixel_cols].values, dtype=np.float32).reSHAP(IMAGE_SIZE[0], IMAGE_SIZE[1], 3) img_rgb = np.clip(pixels, 0, 1) img_gray = rgb2gray(img_rgb)

feats = {}

feats.update(extract_color_features(img_rgb))

feats.update(extract_texture_features(img_gray))

feats.update(extract_SHAP_features(img_gray))

for m in meta_cols: if m in row: feats[m] = row[m] feature_rows.append(feats)

#----------[СОХРАНЕНИЕ]----------

df_features = pd.DataFrame(feature_rows) print("Сохранение итогового файла:", OUTPUT_CSV) df_features.to_csv(OUTPUT_CSV, index=False)

print("\nГотово!")

print(f" - Итоговый CSV: {OUTPUT_CSV}") print(f" - Количествострок: {len(df_features)}")

print(f" - Количествопризнаков (столбцов): {len(df_features.columns)}") print("\nПримерыстолбцов:", df_features.columns.tolist()[:10], "...")

Приложение В. Нечёткая кластеризация (Fuzzy C-Means)

1. Импорт библиотек

# ===============================================

# ЭТАП 3 - НЕЧЕТКАЯ КЛАСТЕРИЗАЦИЯ (Fuzzy С-Means)

# Сохранение матрицы принадлежности как новых признаков

# ===============================================

import os

import numpy as np import pandas as pd import skfjzzy as fuzz

from sklearn.preprocessing import StandardScaler

from sklearn.decomposition import PCA

from sklearn.metrics import silhouettescore

import matplotlib.pyplot as pit

import seaborn as sns

from tqdm import tqdm

Библиотека Назначение

os Работа с путями к файлам

numpy Массивы, матричные операции

pandas Чтение/запись CSV, таблицы

skfuzzy Fuzzy C-Means — нечёткая кластеризация

StandardScaler Стандартизация (среднее = 0, дисперсия = 1)

PCA Снижение размерности ^ 2D визуализация

silhouette score Оценка качества кластеризации

matplotlib, seaborn Графики

tqdm Прогресс-бар (не обязателен, но удобен)

2. Настройки

# ---------- [НАСТРОЙКИ] ----------

BASEDIR = r"C: \Users\Leriovo\Downloads\archive (4)"