ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

پیش بینی نارسایی کبدی با استفاده از ترکیب شبکه عصبی مصنوعی و الگوریتم ژنتیک

سال انتشار: 1392
کد COI مقاله: CESD01_142
زبان مقاله: فارسیمشاهده این مقاله: 1,514
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 10 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله پیش بینی نارسایی کبدی با استفاده از ترکیب شبکه عصبی مصنوعی و الگوریتم ژنتیک

محمود حیدری - دانشجوی کارشناسی ارشد رشته مهندسی فناوری طلاعات پزشکی، دانشکده علوم و فنون نوین، دانشگاه تهران
مهدی تیموری - استادیار گروه علوم و فناوری شبکه دانشکده علوم و فنون نوین، دانشگاه تهران

چکیده مقاله:

زمینه: بیماری نارسایی کبدی یکی از بیماری های شایع و خطرناک می باشد، تشخیص بموقع این بیماری می تواند در پیشگیری از عوارض آن و نیز کنترل و درمان خود بیماری بسیار موثر باشد. بدین منظور در این مطالعه سعی شده است تا به وسیله تکنیک شبکه عصبی مصنوعی و بهبود عملکرد آن به وسیله الگوریتم ژنتیک روشی مناسب جهت پیشبینی این بیماری معرفی و پیشنهاد گردد. روش کار: در این مطالعه از دو مجموعه داده استفاده شده است. مجموعه داده اول به نام BUPA شامل 543 نمونه از بیماران کبدی و مجموعه داده دوم به نام ILPD شامل 385 نمونه می باشد. برای پیاده سازی و محک الگوریتم پیشنهادی از نرم افزار WEKA استفاده شده است و در نهایت با استفاده از روشهای مختلفی که برای ارزیابی تکنیک های دادهکاوی وجود دارد اعتبار این الگوریتم مورد تایید قرار گرفت. یافته ها: پس از اعمال این روش دستهبندی روی مجموعه داده های مورد استفاده در این مطالعه دقت دستهبندی این تکنیک ترکیبی روی مجموعه داده BUPA برابر%45.98 و روی مجموعه داده ILPD برابر 59.49 % بدست آمد و مشخص شد که عملکرد این روش دسته بندی روی مجموعه داده ILPD بهتر است و این امر می تواند به علت داشتن تعداد مشخصه های بیشتر و مفیدتری نظیر TB (Total Bilirubin) ، ALB (Albumin) ، DB (Direct Bilirubin) ، TP (Total Proteins) باشد. نتیجه گیری: در این مقاله برای پیشبینی بیماری کبدی از الگوریتم ژنتیک استفاده شده است تا از طریق این روش قدرت دسته بندی شبکه عصبی بهبود پیدا کند. در این رویکرد تعداد نرون های لایه پنهان شبکه عصبی و همچنین وزن بین گره ها از طریق الگوریتم ژنتیک بهینه سازی می گردد و در نتیجه دقت دسته بندی نسبت به روش شبکه عصبی سنتی با الگوریتم انتشار به عقب (Backpropagation) بهبود یافته است.

کلیدواژه ها:

دسته بندی، داده کاوی، نارسایی کبدی،شبکه عصبی مصنوعی، الگوریتم ژنتیک

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا CESD01_142 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/238969/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
حیدری، محمود و تیموری، مهدی،1392،پیش بینی نارسایی کبدی با استفاده از ترکیب شبکه عصبی مصنوعی و الگوریتم ژنتیک،همایش مهندسی کامپیوتر و توسعه پایدار با محوریت شبکه های کامپیوتری، مدلسازی و امنیت سیستم ها،مشهد،،،https://civilica.com/doc/238969

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1392، حیدری، محمود؛ مهدی تیموری)
برای بار دوم به بعد: (1392، حیدری؛ تیموری)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :

  • Witten, I., E. Frank, and M. Hall, Data Mining: Practical ...
  • Olson, D.L. and D. Delen, Advanced Data Mining Techniques. 2008: ...
  • Gorunescu, F., et al., Intelligent dec ision-making for liverfibrosis stadialization ...
  • Whittle, P., et al., Neural Networks and Related Methods for ...
  • Atkov, O.Y., et al., Coronary heart disease diagnosis by artificial ...
  • Temurtas, F., A comparative study on thyroid disease diagnosis using ...
  • Wu, J. and M. Liu. Improving generalization performance of artificial ...
  • Goldberg, D.E., The design of innovation: Lessons from and for ...
  • Banzhaf, W., et al., Genetic programming. Intelligent Systems and their ...
  • over the string-tensor representation of populations and conyergence to global ...
  • regression, classification and regression tree, and neural networks for predicting ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    نظرات خوانندگان

    5.00
    1 تعداد پژوهشگران نظر دهنده
    5 1
    4 0
    3 0
    2 0
    1 0

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 63,668
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی