بترکه چشم حسود    

جستجوی پیشرفته مقالات

     عنوان:

نماد اعتماد الکترونیکی

لیست مقالات ترجمه شده

سایر مقالات

امروز
دیروز
هفته جاری
هفته گذشته
ماه جاری
ماه گذشته
بازدید کل
14839
36285
99773
16404402
491217
496149
16880352

آی‌پی شما: 3.238.57.9
امروز: پنج شنبه، 09 فروردين 1403 شمسی ساعت به وقت گرینویچ: 13:01:47
       دسته‌بندی: مقالات خوشه بندی       فروش: 0 بازدید: 5458
خوشه بندی ابرجعبه ای با روش بهینه سازی کلونی مورچه (HACO) و کاربرد آن در تشخیص وضعیت ریسک پزشکی
    قیمت محصول: 200000 ریال



Hyperbox clustering with Ant Colony Optimization (HACO) method and its application to medical risk profile recognition

 

A B S T R A C T

A clustering method, called HACO (Hyperbox clustering with Ant Colony Optimization), is proposed for classifying unlabeled data using hyperboxes and an ant colony meta-heuristic. It acknowledges the topological information (inherently associated to classification) of the data while looking in a small search space, providing results with high precision in a short time. It is validated using artificial 2D data sets and then applied to a real medical data set, automatically extracting medical risk profiles, a laborious operation for doctors. Clustering results show an improvement of 36% in accuracy and 7 times faster processing time when compared to the usual ant colony optimization approach. It can be further extended to hyperbox shape optimization (fine tune accuracy), automatic parameter setting (improve usability), and applied to diagnosis decision support systems.

 

 

pdf  دانلود رایگان مقاله انگلیسی1.64 MB

 

چکیده
روش خوشه بندی HACO (خوشه بندی ابرجعبه ای با بهینه سازی کلونی مورچه) برای طبقه بندی داده های برچسب گذاری نشده با استفاده از ابرجعبه ها و متاهیوریستیک کلونی مورچه پیشنهاد می شود. اطلاعات توپولوژیکی (مربوط به طبقه بندی) داده ها را هنگام جستجو در فضای جستجوی کوچک تایید می کند و نتایج را با دقت بالا در زمان کوتاه برمی گرداند. با استفاده از مجموعه داده های دوبعدی مصنوعی معتبرسازی می شود و سپس به مجموعه داده پزشکی واقعی اعمال می شود، بطور خودکار وضعیت های ریسک پزشکی را که یک عمل دشوار برای پزشکان است، استخراج می کند. نتایج خوشه بندی، بهبود 36 درصدی در صحت نشان می دهند و در مقایسه با راهکار بهینه سازی کلونی مورچه معمول، زمان پردازش 7 برابر سریعتر دارند که می تواند به بهینه سازی شکل ابرجعبه (صحت تنظیم دقیق)، تنظیم پارامتر خودکار (بهبود قابلیت استفاده) بسط یافته و برای سیستم های پشتیبانی از تصمیم تشخیص بکار گرفته شود.

 

 تعداد صفحات مقاله انگلیسی:   9  صفحه

 تعداد صفحات فارسی مقاله ترجمه شده :  28   صفحه

 قالب بندی فایل: فایل ورد (Word)

 


لینک دانلود فایل خریداری شده بلافاصله بعد از پرداخت آنلاین فعال می‌شود