کنترل و بازشناسی بیماری دیابت توسط آتاماتای یادگیر سلولی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 544

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSITM02_032

تاریخ نمایه سازی: 25 بهمن 1394

چکیده مقاله:

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

نویسندگان

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 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 :
  • Gholami, Sh, Meybodi, M. R. , and Saghiri, A. M., ...
  • Menhaj, B. and Meybodi, M. R., "Application of Learning Automata ...
  • Jihoon Yang and Vasant Honavar, "Feature Subse Selection using a ...
  • Wlodzislaw Duch and Rafal Adamczak and Krzysztof Grabczewski, _ new ...
  • Jiun-Hung Chen and Chu-song Chen, "Fuzzy Kernel perceptron", IEEE, November ...
  • Nicolaos B. Karayiannis, Senior Member and Mary M. Randolph-gips _ ...
  • _ _ _ _ Information Scienc) ...
  • Vapnik V., Statistical Learning Theory, John Wiley & Sons, New ...
  • KhoshgoftarT .M. GolawalaM., Van HulseJ., An Empirical Study of Learning ...
  • Meybodi, M. R. and Beigy, H., "New Learning Automata based ...
  • نمایش کامل مراجع