کنترل و بازشناسی بیماری دیابت توسط آتاماتای یادگیر سلولی
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 548
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CSITM02_032
تاریخ نمایه سازی: 25 بهمن 1394
Abstract:
در دهه اخیر داده کاوری به سبب تلاش در راستای تسهیل فرآیند استخراج دانش بالقوه از داده ها، در کانون توجه بسیار از تحلیل گران علاقمند به کشف دانش قرار گرفته است. با افزایش سریع حجم داده های موجود در پایگاه های داده، لزوم یافتن روشهایی برایشناسایی داده های مفید بیش از گذشته مطرح شده است. لذا به عنوان یکی از اشخه های کاوش داده، شناسایی الگوهای تکرار شوند در دنباله های داده ای به یکی از مباحث عمده تبدیل گردیده و علی رغم اختلاف نظرهای بنیادی در تعریف اینگونه الگوها، مطالعات گسترده ای بر روی آن آغاز شده است آتاماتی سلولی یادگیر با نام اختصاری LCA به دلیل ساختار منظم، هماهنگی قابل کنترلسلولها و پوشش الگوهای تکراری شناسایی شده با ایجاد حلقه ههای متنهاهی در آتاماتاههای یادگیر موجود در هر سلول ، قابلیت و توانمندی لازم برای استفاده در داده کاور در جهت استخراج اینگونه الگوها را دارا است. یکی از مشکلاتی که در حال حاضربیماران دیابتی با آن روبرو هستند ضعف در تشخیص این بیماری در مراحل ابتدایی آن میباشد به همین منظور در این مقاله سعی شده است با استفاده از برخی الگوریتمها و مد های آتاماتای سلولی که عبارتند ازRandom Forest ، C4.5 ، Naive Bayse ، SVM وهمچنین ترکیب این الگوریتمها با دستهبندی کننده تجمعیBagging استفاده از8ویژگی به همراه نمونه ها درپایگاه داده استاندارد، که هر یک بازگو کننده افراد سالم و مبتلا به بیماری دیابت میباشند به تشخیص وجود یا عدم وجود بیماری دیابت با توجه به معیارهای دقت و سرعت عمل آتاماتاهای سلولی هوشمند در تشخیص این بیماری خواهیم پرداخت
Keywords:
Authors
شهرام خزاعی فر
کارشناسی ارشد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
علی اصغر نجفی
کارشناسی ارشد ، دانشگاه آزاد اسلامی واحد اسدآباد
سجاد رضایی
کارشناسی ارشد، دانشگاه آزاد اسلامی واحد ملایر
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :