شبیه سازی آموزشی مقاله طبقه بندی اطلاعات در تشخیص پزشکی با متلب

توضیحات

شبیه سازی مقاله طبقه بندی اطلاعات در تشخیص پزشکی با متلب

اطلاعات گسترده ای در حال حاضر برای متخصصان بالینی در دسترس است، که شامل جزئیات علائم بالینی و انواع مختلف داده های بیوشیمیایی و خروجی دستگاه های تصویربرداری است. هر نوع داده ای اطلاعاتی را فراهم می کند که باید در طول فرایند تشخیصی مورد ارزیابی قرار گیرد و به یک آسیب شناسی خاص اختصاص یابد. برای ساده سازی فرایند تشخیصی در روزمره و جلوگیری از اشتباه تشخیص، روش های هوش مصنوعی (به ویژه تشخیص کامپیوتری و شبکه های عصبی مصنوعی) می تواند مورد استفاده قرار گیرد. این الگوریتم های یادگیری سازگار می توانند انواع مختلف داده های پزشکی را اداره کنند و آنها را در خروجی های طبقه بندی شده ادغام کنند. در این مقاله، ما به طور خلاصه به بررسی و بحث در مورد فلسفه، قابلیت ها و محدودیت های شبکه های عصبی مصنوعی در تشخیص پزشکی از طریق نمونه های انتخاب شده میپردازیم.

هدف این مقاله، ارائه فلسفه کلی برای استفاده از ANN ها در رویکردهای تشخیصی با استفاده از نمونه های انتخاب شده است، و مستند سازی تغییرات بسیار زیاد داده ها می تواند به عنوان ورودی برای ANNs استفاده شود. توجه نه تنها به قدرت برنامه های کاربردی ANN، بلکه برای ارزیابی محدودیت های آن، روند ممکن و تحولات آینده و ارتباط با شاخه های دیگر علوم انسانی نیز داده می شود.

این مقاله با استفاده از شبکه عصبی شبیه سازی شده است اما در این پروژه ما یک روش جدید پیشنهاد داده و با نتایج حاصل از مقاله مقایسه کرده ایم که بهبود در نتایج در روش پیشنهادی قابل مشاهده است.

روش پیشنهادی جهت طبقه بندی داده ها

همانطور که می دانیم تعداد داده ها جهت بررسی میزان عملکرد روش های مختلف، 768 نمونه می باشد. تعداد ویژگی ها نیز 8 است. کلاس خروجی می تواند 0 و یا 1 باشد بنابراین با دسته بندی کننده دودویی سروکار داریم. روش طراحی شده مبتنی بر اعمال الگوریتم بهینه سازی ژنتیک در دسته بندی کننده Cart می باشد. جهت ارزیابی و مقایسه روش های مختلف از Cross validation استفاده می شود.

در روش پیشنهادی، خروجی مورد نظر برابر است با میانگین وزندار تعدادی درخت تصمیم Cart. در این روش، وزن مناسب و بهینه به وسیله الگوریتم ژنتیک به دست می آید.

جهت ایجاد چند درخت Cart متفاوت، با استفاده از توزیع تصادفی (رندم)، تعدادی از داده های آموزشی حذف می گردند. بنابراین درختان Cart متفاوتی خواهیم داشت. ترکیب مناسب این درختان می تواند دقت بهتری نسبت به یک درخت داشته باشد. همانطور که اشاره شد جهت ترکیب این درختان از میانگین وزن دار استفاده می گردد که وزن مناسب با استفاده از الگوریتم ژنتیک به دست می آید.

شبیه سازی مقاله طبقه بندی اطلاعات در تشخیص پزشکی با متلب

شبیه سازی مقاله طبقه بندی اطلاعات در تشخیص پزشکی با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.

• فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.