دانلود مقاله ترجمه شده پیش بینی شروع بیماری دیابت با استفاده از شبکه عصبی مصنوعی(ANN)

چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟

فایل انگلیسی این مقاله با شناسه 2001448 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید برای دریافت لینک دانلود مقاله آدرس ایمیل خود را درج نمایید

مایل به دریافت ترجمه فارسی هستید؟

قیمت :

815,000 ریال

شناسه محصول :

2001448

سال انتشار:

2011

حجم فایل انگلیسی :

768 Kb

حجم فایل فارسی :

357 کیلو بایت

نوع فایل های ضمیمه :

Pdf+Word

کلمه عبور همه فایلها :

www.daneshgahi.com

عنوان فارسي

پیش بینی شروع بیماری دیابت با استفاده از شبکه عصبی مصنوعی(ANN)

عنوان انگليسي

Predict the onset of diabetes disease using Artificial Neural Network

نویسنده/ناشر/نام مجله

International Journal of Computer Science & Emerging Technologies

این مقاله چند صفحه است؟

این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 9 صفحه انگلیسی به صورت پی دی اف و 23 صفحه متن فارسی به صورت ورد تایپ شده است

چکیده فارسی

چکیده

مرض قند یک عارضه متابولیک مزمن است که در آن عدم تنظیم صحیح سطح گلوکز خون در بیماران دیابتی به خطر حمله قلبی، بیماری و از کار افتادگی کلیه ها منجر خواهد شد. دسته بندی اطلاعات وظیفه نخست در داده کاوی است. وظیفه دسته بندی دقیق و ساده داده میتواند به خوشه سازی مناسب حجم بالایی از اطلاعات منجر خواهد شد. در این مقاله ما مدلی بر اساس یک شبکه عصبی مصنوعی (ANN) برای دسته بندی تجربه و پیشنهاد کرده ایم. این روش یکی از قدرتمندترین روش های حوزه هوش برای دسته بندی بیماران دیابتی به دو دسته است. برای رسیدن به نتایج بهتر، الگوریتم ژنتیکی برای انتخاب آینده استفاده میشود. GA الگوریتم ژنتیکی برای پیدا کردن بهینه ترین تعداد نورونها در مدل تک لایه پنهان استفاده شده است. افزون بر این مدل با الگوریتم نفوذ به عقب Back Propagation (BP) و الگوریتم ژنتیکی، هدف گیری شده و دقت های دسته بندی با روش اتصال عملکردی (فانکشنال لینک FLANN) و سیستم های دسته بندی گوناگون مانند NN یا نزدیکترین همسایه (نیرست نیبور)، k-NN، BSS ( نیرست نیبور با ویژگی انتخاب مکرر رو به عقب مشخصه ها ، MFS1 (مالتیپل فیچر سابست)، MFS2 در دقت دسته بندی داده ها مقایسه شده است. شبیه سازی نشان میدهد که مدل پیشنهادی در مقایسه با NN، kNN، BSS، MFS1 و MFS2 و FLANN بهتر عمل میکند و میتواند گزینه مناسبی برای خیلی از کاربردهای واقعی باشد چون این روش ساده است و کارایی بالایی دارد.

1- مقدمه

دیابت یکی از مهلک ترین و ناتوان کننده ترین و پر هزینه ترین امراض مشاهده شده در جوامع در حال حاضر است و رشد آن به شکل هشدار دهنده ای در حال رشد است. زنان بیشتر قربانی دیابت هستند و 9.6 میلیون زن دیابت دارند. این 8.8 درصد از کل جمعیت زنان بالغ 18 سال به بالا را به خود اختصاص میدهد و در سال 2003 این نزدیک به دو برابر در مقایسه با سال 1995 (4.7 درصد) شد. زنان نژادهای اقلیت و گروه های قومی بالاترین شمار بیماران را دارند که نرخ رشدشان دو تا چهار برابر سفیدپوستان است. با رشد بیشتر جمعیت های اقلیت تعداد گروه زنان در این گروه ها شمار مبتلایان در سالهای جاری به شدت زیاد شده است. در سال 2050 تعداد مبتلایان به دیابت از 17 به 29 میلیون نفر افزایش خواهد یافت. دیابت بیماری متابولیکی است که در آن افراد از کمبود انسولین یا کاهش قابلیت استفاده از انسولین بدنشان رنج میبرند...

الگوریتم ژنتیکی دسته بندی داده FLANN :کلمات کلیدی

چکیده انگلیسی

Abstract

Diabetes Mellitus is a chronic metabolic disorder, where the improper management of the blood glucose level in the diabetic patients will lead to the risk of heart attack, kidney disease and renal failure. Data Classification is a prime task in Data mining. Accurate and simple data classification task can help the clustering of large dataset appropriately. In this paper we have experimented and suggested an Artificial Neural Network (ANN) based classification model as one of the powerful method in intelligent field for classifying diabetic patients into two classes. For achieving better results, genetic algorithm (GA) is used for feature selection. The GA is used for optimally finding out the number of neurons in the single hidden layered model. Further, the model is trained with Back Propagation (BP) algorithm and GA (Genetic Algorithm) and classification accuracies are compared. The designed models are also compared with the Functional Link ANN (FLANN) and several classification systems like NN (nearest neighbor), kNN(k-nearest neighbor), BSS( nearest neighbor with backward sequential selection of feature, MFS1(multiple feature subset) , MFS2( multiple feature subset) for Data classification accuracies. It is revealed from the simulation that our suggested model is performing better compared to NN(nearest neighbor), kNN(k-nearest neighbor), BSS( nearest neighbor with backward sequential selection of feature, MFS1(multiple feature subset) , MFS2( multiple feature subset) and FLANN model and it can be a very good candidate for many real time domain applications as these are simple with good performances

Keywords: NN Genetic Algorithm Data classification FLANN

این مقاله ترجمه شده مهندسی کامپیوتر و IT برای گرایش های: فناوری اطلاعات،نرم افزار، کاربرد دارد. سایر مقالات ترجمه شده فناوری اطلاعات،سایر مقالات ترجمه شده نرم افزار، را ببینید. همچنین این مقاله ترجمه شده برای پزشکی در گرایش های: کلیه گرایش ها، می تواند کاربرد داشته باشد. [ برچسب: مقاله ترجمه شده فناوری اطلاعات در زمینه داده کاوی در پزشکی]

سایر منابع مهندسی کامپیوتر و IT-فناوری اطلاعات در زمینه داده کاوی در پزشکی

داده کاوی در بهداشت و درمان با استفاده از روش ترکیبی [مقالات ترجمه شده]
رویکرد داده کاوی برای پیش بینی و درمان بیماریهای دیابتی [مقالات ترجمه شده]
یک رویکرد تکاملی تفاضلی برای رده بندی ضایعات فلج چندگانه [مقالات ترجمه شده]
مطالعه ای بر روش‌های داده‌کاوی در حوزه‌ی بهداشت و درمان [مقالات ترجمه شده]
یک مدل ترکیبی از استنتاج مبتنی بر مورد و درخت تصمیم فازی برای دسته بندی داده های پزشکی [مقالات ترجمه شده]

داده کاوی در بهداشت و درمان با استفاده از روش ترکیبی [مقالات ترجمه شده]

رویکرد داده کاوی برای پیش بینی و درمان بیماریهای دیابتی [مقالات ترجمه شده]

یک رویکرد تکاملی تفاضلی برای رده بندی ضایعات فلج چندگانه [مقالات ترجمه شده]

مطالعه ای بر روش‌های داده‌کاوی در حوزه‌ی بهداشت و درمان [مقالات ترجمه شده]

یک مدل ترکیبی از استنتاج مبتنی بر مورد و درخت تصمیم فازی برای دسته بندی داده های پزشکی [مقالات ترجمه شده]