ارائه رویکردی نوین از ترکیب شبکه عصبی و الگوریتم ژنتیک مبتنی بر تعیین دادههای مناسب آموزش جهت تشخیص سرطان سینه
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 538
This Paper With 12 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:
CRSTCONF01_063
تاریخ نمایه سازی: 27 اسفند 1394
Abstract:
در سالهای اخیر دادهکاوی در حوزههای مختلف علم مانند: پزشکی، طب بالینی، مدیریت مشتریان، آموزش، تشخیص نفوذ وتحلیل دادههای ژنتیک به کار رفته است. حوزه پزشکی به دلیل ارتباط با زندگی انسان یکی از حوزههای مستعد کاربرددادهکاوی میباشد. از طرفی دیگر، سرطان از جمله بیماریهای مخاطرهآمیز بوده که توجه محققین دو حوزه پزشکی و دادهکاوی را به خود متمرکز ساخته است. روشهای مورد استفاده در پزشکی جهت استخراج دانش باید دارای دو ویژگی مهم باشند: قدرت و دقت بالا در تشخیص و تولید قوانین قابل فهم. در میان روشهای مختلف دادهکاوی، روش شبکههای عصبیدارای قدرت و دقت بالایی میباشد اما فاقد ساختار شفاف و به بیانیدیگر به صورت جعبه سیاه میباشد. اما در طرفی دیگر، درخت تصمیم دارای قابلیت تولید قوانین قابل فهم بوده ولی کارایی آن در برخورد با دادههای نویزی و نامناسب پایین است. در این مقاله روشی جدید جهت پیکربندی بهینه الگوریتم شبکهعصبی ارائه می شود به طوری که علاوه بر افزایش کارایی این الگوریتم، به ترکیب مناسبی از دادههای آموزش و تست دست یابیم. با استفاده از این روش میتوان یک مدل هوشمند برای تشخیص بیماران مبتلا به سرطان سینه استخراج نمود، این هوشمندسازی سبب افزایش دقت الگوریتم شبکههای عصبی وکاهش خطای نتایج نسبت به روشهای مشابه می گردد. در این راستا ابتدا از الگوریتم ژنتیک جهت تعیین دادههای آموزش استفاده میکنیم. مجموعه آموزش بدست آمده به شبکه عصبی وارد شده و دادههایی که درست پیشگویی شدهاند، جهت تولید مدل نهایی توسط الگوریتم درخت تصمیم استفاده میشود.
Keywords:
Authors
حدیثه میرزاپرچی
کارشناسی ارشد مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد آیت الله آملی، آمل، ایران
رضا طاولی
عضو هیئت علمی تمام وقت دانشگاه آزاد اسلامی واحد چالوس، گروه کامپیوتر، چالوس، ایران
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 :