مقاله انتخاب ویژگی در تشخیص سرطان سینه با استفاده از الگوریتم سازی ازدحام ذرات باینری و شبکه عصبی مصنوعی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله انتخاب ویژگی در تشخیص سرطان سینه با استفاده از الگوریتم سازی ازدحام ذرات باینری و شبکه عصبی مصنوعی دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله انتخاب ویژگی در تشخیص سرطان سینه با استفاده از الگوریتم سازی ازدحام ذرات باینری و شبکه عصبی مصنوعی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله انتخاب ویژگی در تشخیص سرطان سینه با استفاده از الگوریتم سازی ازدحام ذرات باینری و شبکه عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله انتخاب ویژگی در تشخیص سرطان سینه با استفاده از الگوریتم سازی ازدحام ذرات باینری و شبکه عصبی مصنوعی :

تعداد صفحات:۸
چکیده:
امروزه تشخیص بیماری های مختلف در علوم پزشکی یکی از زمینه های پرکاربرد داده کاوی محسوب می شود. سرطان سینه نوعی سرطان با نرخ مرگ و میر بالا در میان زنان است. تشخیص به موقع سرطان سینه شانس زنده ماندن بیمار را افزایش می دهد. بنابراین وجود یک سیستم دقیق و مطمئن برای تشخیص به موقع خوش خیم یا بدخیم بودن تومور سینه ضروری به نظر می رسد. مسئله انتخاب ویژگی، یکی از مسائل مهمی است که در یادگیری ماشین و شناسائی آماری الگو مطرح است. در این مقاله یک الگوریتم ترکیبی جدید مبتنی بر فیلتر و رپر برای انتخاب زیرمجموعه بهینه ویزگی ها بر اساس الگوریتم بهینه سازی ازدحام ذرات و برای کلاس بندی توسط شبکه عصبی مصنوعی ارائه می شود. فیلتر مورد استفاده بر پایه اطلاعات متقابل و ترکیبی از معیارهای ارتباط و افزونگی ویزگی های انتخاب شده است و الگوریتم بهینه سازی ازدحام ذرات باینری به عنوان زیر مورد استفاده قرار می گیرد. در نهایت صحت تأثیر الگوریتم پیشنهادی بر انتخاب مؤثر ویزگی ها توسط کلاسه بندی کننده شبکه عصبی آزمایش می شود. این مدل بطور مختصر به فردی کارآیی فیلترها و دقت رپرها را نمایش می دهد. این الگوریتم بر روی دو مجموعه داده معروف سرطان سینه تست گردیده است. نتایج شبیه سازی نشان می دهد این الگوریتم هم از نظر کارآیی محاسباتی و هم از نظر دقت کلاس بندی عملکرد بسیار مناسبی ارائه می دهد.