ایجاد شبکه های عصبی بهینه منطبق با داده در شناسایی الگو با استفاده از الگوریتم کلونی مورچگان در تشخیص سرطان

امروزه شبکه های عصبی با دارا بودن مزایایی چون یادگیری مانند انسان و توانایی تعمیم میتوانند در کاربردهای مختلف نظیر پزشکی با موفقیت مورد استفاده قرار بگیرند. با توجه به ساختار پیچیده شبکه های عصبی با توپولوژیها و پارامترهای مختلف در ساختار و آموزش، به نظر بدست آوردن ساختار بهینه برای شبکه های عصبی در یک کاربرد خاص میتواند در نتایج حاصله بسیار تاثیرگذار باشد. در این تحقیق برآنیم تا بتوانیم با استفاده از الگوریتم بهینه سازی ACO، در مورد یک مسیله خاص به توپولوژی بهینه ای متناسب با ساختار دادهای آن مسیله دست یابیم. به عبارت دیگر شبکه عصبی که در اینجا تولید میشود یک شبکه عصبی خودسازنده (Self Constracting Neural Nestwork (SCNN))است. به دلیل تنوع مسایلی که توسط شبکه عصبی قابل حل هستند در این تحقیق تنها به حل مسیله از نوع شناسایی الگو در تشخیص سرطان روی داده های طیف رامان با تعداد 49 نمونه، 12 ویژگی و سه کلاس، پرداخته میشود. نرمافزارمورد استفاده نرمافزار متلب نسخه R2014a می باشد. نتایج نشان میدهد میانگین صحت تشخیص شبکه سفارشی ایجاد شده نسبت به شبکه پایه در ده بار اجرا، در آموزش شبکه از 0/7585 به 0/9184 و در تست شبکه از 0/7327 به 0/9164 بهبود یافته است

کلیدواژه ها:

الگوریتم کلونی مورچگان ، توپولوژی شبکه ، ساختار شبکه ، شبکه خودسازنده ، طیف رامان