امین رضایی پناه - گروه مهندسی کامپیوتر، موسسه آموزش عالی رهجویان دانش برازجان، بوشهر، ایران
سیدجواد میرعابدینی - گروه مهندسی کامپیوتر-نرم افزار، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران
علی مبارکی - گروه مهندسی کامپیوتر-نرم افزار، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران

امروزه با گسترش روز افزون علم، استفاده از سیستم­های پشتیبان تصمیم می­تواند کمک زیادی در سیاست­های درمانی پزشک داشته باشد. بدین منظور استفاده از سیستم­های هوشمند مصنوعی در پیش­بینی و تشخیص سرطان پستان که یکی از رایج­ترین سرطان­ها در بین زنان می­باشد، مورد توجه است. در این مقاله فرآیند تشخیص بیماری سرطان پستان با استفاده از تنظیم چند مرحله­ای وزن­ها در شبکه عصبی MLP در دو لایه انجام می­شود. در لایه اول، سه طبقه­بند وجود دارد که به طور همزمان روی داده­های مجموعه یادگیری آموزش می­بینند. پس از اتمام آموزش خروجی طبقه­بندهای لایه اول جمع­آوری شده و به همراه داده­های مجموعه یادگیری در مجموعه­ای جدید قرار می­گیرند. این مجموعه به عنوان ورودی به فراطبقه­بند لایه دوم داده می­شود و فراطبقه­بند نگاشت میان خروجی­های هر یک از طبقه­بندهای معمولی لایه اول را با کلاس­های خروجی واقعی مدل می­کند. ساختار سه طبقه­بند لایه اول و همچنین فراطبقه­بند لایه دوم یک شبکه عصبی MLP است که وزن­ها، ویژگی­های موثر و اندازه لایه مخفی در آن به طور همزمان با استفاده از یک الگوریتم ژنتیک ابتکاری بهینه­سازی می­شود. به منظور ارزیابی دقت مدل پیشنهادی از پایگاه داده ویسکانسین استفاده می­شود که با تست FNA ایجاد شده است. نتایج آزمایش­ها روی مجموعه داده WBCD دقت ۹۸.۷۲% را برای روش پیشنهادی نشان می­دهد که نسبت به الگوریتم­های GAANN، CAFS عملکرد بهتری ارائه داده است.

الگوریتم ژنتیک, ویژگی های موثر, فراطبقه بند, شبکه عصبی MLP, پایگاه داده ویسکانسین