Loading...
ترجمه مقاله پیش بینی شروع بیماری دیابت با استفاده از شبکه عصبی مصنوعی
ترجمه مقاله Predict the onset of diabetes disease using Artificial Neural Network (ANN)
در این پست ترجمه مقاله پیش بینی شروع بیماری دیابت با استفاده از شبکه عصبی مصنوعی (ANN) را برای شما دوستان آماده کردیم که علاوه بر چکیده و مقدمه می توانید خود مقاله اصلی را نیز به طور کاملا رایگان دانلود بفرمایید.
چکیده مقاله
بیماری قند یک مشکل متابولیک مزمن است که در آن عدم تنظیم صحیح سطح گلوکز خون در بیماران دیابتی به خطر بیماری و از کار افتادگی کلیه ها و حمله قلبی منتهی خواهد شد. گروه بندی اطلاعات اولین وظیفه در داده کاوی است. وظیفه گروه بندی ساده و دقیق داده می تواند به خوشه سازی حجم بیشتری از اطلاعات منتهی شود. در این بخش از مقاله ما مدلی بر پایه یک شبکه عصبی مصنوعی برای گروه بندی پیشنهاد دادیم. این راه و روش یکی از قوی ترین روش های حوزه هوش برای طبقه بندی بیماران دیابتی به دو دسته است. برای رسیدن به یک نتیجه بهتر، الگوریتم ژنتیک برای انتخاب آینده استفاده می شود. GA الگوریتم ژنتیکی برای یافتن بهترین تعداد نورونها در مدل تک لایه پنهان استفاده شده است. با اضافه کردن به این مدل الگوریتم نفوذ به عقب Back Propagation و الگوریتم ژنتیکی، نشانه گذاری شده و دقتهای گروه بندی با روش اتصال عملکردی و سیستم های طبقه بندی گوناگون مانند نزدیکترین همسایه یا NN ،BSS، k-NN، با خصوصیات انتخاب مکرر رو به عقب مشخصه ها، MFS2 ، MFS1، در دقت گروه بندی داده ها مقایسه شده است. شبیه سازی نمایش می دهد که مدل پیشنهاد داده شده در مقایسه MFS2 و FLANN با NN، kNN، BSS، MFS1 به بهترین نحو ممکن عمل می کند و می تواند گزینه خوبی برای خیلی از کاربردی های واقعی باشد چون این روش بسیار ساده است و کارکرد خیلی بالایی دارد.
مقدمه
دیابت یکی از ناتوان ترین و پر هزینه ترین بیماری مشاهده شده در جامعه است که به شدت در حال رشد است. در این موارد زنان بیشتر قربانی دیابت هستند و ۹٫۶ میلیون زن مبتلا به دیابت هستند. این ۸٫۸ درصد از کل جمعیت زنان ۱۸ سال به بالا را به خود اختصاص داده و در سال ۲۰۰۳ حدود دو برابر در مقایسه با سال ۱۹۹۵ (۴٫۷ درصد) شده است. زنان گروه های قومی و نژاد های اقلیتی بالاترین شمار بیماران را دارند که شمار رشدشان دو تا چهار برابر سفیدپوستان است. با رشد زیاد جمعیت تعداد گروه زنان در این گروه ها تعداد ابتلایان در سالهای جاری شدیدا افزایش یافته است. در سال ۲۰۵۰ تعداد ابتلایان به دیابت از ۱۷ به ۲۹ میلیون نفر افزایش یافته است. دیابت بیماری است که در آن فرد از کمبود انسولین بدنشان رنج می برند. انسولین هورمونی است که با لوزالمعده تولید شده و اجازه تبدیل گلوکز به انرژی را در سطح سلولی می دهد. در بیماری دیابتی که کنترل نشود سطح گلوکز خون به طور داائم بالا (۲۰۰ mgl/dL< ) میرود. و به مشکلات عروقی مانند بیماریهای کلیوی، قطع ناگریز عضو، کوری، سکته و بیماریهای انسداد شرائین قلبی در مرحله پایانی دچار می شود.
چکیده انگلیسی
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 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 Dataclassification 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.
منبع : springerprofessional.de
شبیه سازی شبکه های کامپیوتری و مخابراتی
مشاهده ویدئو در این باره