بهینه سازی شبکه عصبی MLP با استفاده از الگوریتم ژنتیک موازی FinGrain برای تشخیص سرطان سینه | ||
| مدل سازی در مهندسی | ||
| مقاله 12، دوره 17، شماره 57، تابستان 1398، صفحه 173-186 اصل مقاله (1.4 M) | ||
| نوع مقاله: مقاله کامپیوتر | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2019.15658.1558 | ||
| نویسندگان | ||
| امین رضایی پناه* 1؛ علی مبارکی2؛ سعید بحرانی خادمی3 | ||
| 1مهندسی کامپیوتر، دانشگاه رهجویان دانش برازجان، بوشهر، ایران | ||
| 2گروه مهندسی کامپیوتر-نرم افزار، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران | ||
| 3گروه مهندسی کامپیوتر-نرم افزار، واحد بوشهر، دانشگاه آزاد اسلامی، برازجان، ایران | ||
| چکیده | ||
| امروزه استفاده از سیستمهای هوشمند در تشخیص پزشکی به تدریج در حال افزایش است. این سیستمها میتوانند به کاهش خطایی که ممکن است توسط کارشناسان کمتجربه اتفاق بیافتد، کمک کند. بدین منظور استفاده از سیستمهای هوشمند مصنوعی در پیشبینی و تشخیص سرطان سینه که یکی از رایجترین سرطانها در بین زنان است، مورد توجه میباشد. در این تحقیق فرآیند تشخیص بیماری سرطان سینه با یک رویکرد دو مرحلهای انجام میشود. در مرحله اول دو پارامتر ویژگیهای موثر و تعداد نودهای لایه مخفی به منظور آموزش شبکه عصبی MLP به صورت همزمان توسط یک الگوریتم ژنتیک بهینهسازی میشوند. سپس با استفاده از ویژگی-های انتخاب شده و تعداد نودهای لایه مخفی، یک مدل طبقهبندی برمبنای شبکه عصبی MLP برای تشخیص بیماری سرطان سینه در مرحله دوم ایجاد میشود. در این مرحله از یک الگوریتم ژنتیک موازی FinGrain بر مبنای پارامترهای بهینهسازی شده، برای تنظیم وزنهای شبکه عصبی MLP استفاده میشود. ارزیابی آزمایشها نشان میدهد که روش پیشنهادی در مقایسه با روشهای GAANN و CAFS روی مجموعهداده WBCD به نتایج بهتری رسیده است و دقت 98.72% را در حالت میانگین گزارش میکند. | ||
| کلیدواژهها | ||
| الگوریتم ژنتیک موازی؛ تکنیک FineGrain؛ شبکه عصبی MLP؛ تشخیص سرطان سینه؛ ویژگی های موثر | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,875 تعداد دریافت فایل اصل مقاله: 869 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 722 |
| تعداد مقالات | 10,383 |
| تعداد مشاهده مقاله | 72,840,239 |
| تعداد دریافت فایل اصل مقاله | 64,536,950 |