بهینه سازی شبکه عصبی MLP به منظور تشخیص بیماریهای تیروئید توسط داده های بالینی

دراین مقاله به مقایسه وارزیابی انواع شبکه عصبی MLP برای تشخیص بیماریهای تیروئید بااستفاده ازکاملترین داده های بالینی پرداخته شده است شناخته شده ترین وپرکاربردترین شبکه عصبی مصنوعی شبکه پرسپترون چندلایه MLP می باشد که برای حل خیلی ازمسائل متنوع تشخیص و کلاس بندی استفاده میشود معماری شبکه MLP توابع فعالیت نرونها الگوریتم های یادگیری ونوع یادگیری شامل یادگیری با ناظر و یادگیری بدون ناظر و پارامترهای شبکه موضوعاتی بودن که دراین تحقیق موردتوجه قرارگرفتند وچندین بارموردتست قرارگرفتند و بهترین طراحی و بهترین نتایج نهایتا بدست آمد توابع فعالیت موردتوجه ما شامل تابع سیگمویید تابع تانژانت هیپربولیک تابع لگاریتمی تابع سینوسی و تابع نمایی است که نهایتا معمای شبکه شامل 8نرون درلایه مخفی با تابع فعالیت تانژانت هیپربولیک و الگوریتم یادگیری Levenberg-Marquardt بالاترین دقت را برای داده های بالینی که شامل 24 علامت بالینی مربوط به 210 بیمارتیروییدی جدید بود بدست اوردیم

بهینه سازی شبکه عصبی MLP به منظور تشخیص بیماریهای تیروئید توسط داده های بالینی Keywords:

الگوریتم یادگیری , Levenberg-Marquardt , توابع فعالیت , کلاس بندی , MLP