مدل اصلاح شده شبکه عصبی احتمالی لگاریتمی- خطی بازگشتی و کاربرد آن در تشخیص پزشکی

در این مقاله، یک مدل اصلاح شده از شبکه عصبی بازگشتی لگاریتمی- خطی ارائه میشود، سپس کاربرد این شبکه برای طبقه بندی پارامترهایحیاتی جهت تشخیص در پزشکی مور بررسی قرار می گیرد. یکی از روش های افزایش توانایی سیستمهای طبقه بند و کاهش محاسبات، کاهش بعد فضای ویژگی ها است. در این مقاله از روشهای مبتنی بر اطلاعات متقابل برای کاهش بعد بردار ویژگی استفاده شده است. به منظور ارزیابی کارآئی شبکه در طبقه بندی پارامترهای حیاتی، از 7 مجموعه داده پزشکی استاندارد موجود در سایت UCI، استفاده شده است. نتایج نشان میدهد که با استفاده از روش M-R-LLGMN، سرطان سینه با دقت 96/14%، بیماری پارکینسون با دقت 84/53% تصاویر توموگرافی با دقت 92/48%، دیابت با دقت 80/76%، کاردیوتوگرافی جنین با دقت 86/64%، ماسک کردن سلول با دقت 77/27% و انتقال خون با دقت 77/01 تشخیص داده شده است. این نتایج بیانگر بهبود نرخ طبقه بندی در مقایسه با شبکه R-LLGMN و دیگر شبکه های احتمالی می باشد.

کلیدواژه ها:

انتخاب ویژگی ، شبکه های عصبی احتمالی ، شبکه های عصبی بازگشتی ، طبقه بندی الگو ، مدل ترکیب گوسی