حسین ابراهیم پور کومله
-
استفاده از یادگیری عمیق در حل مسایل مربوط به تحلیل داده های پیچیده و حجیم مانند ویدئوها گسترش یافته است. از جمله پردازش هایی که روی ویدیوها انجام می گیرد، تشخیص عمل های انسانی است که کاربردهای مهمی در حوزه نظارت خودکار، تعامل انسان با رایانه و بررسی رفتارهای سالمندان دارد. شبکه های باور عمیق از میان انواع مختلف شبکه های عمیق، به خاطر ویژگی های خاص خود، به ویژه توانایی همگرایی سریع نسبت به دیگر روش ها و ساختار یکسان لایه ها، مورد توجه قرار گرفته اند. لیکن، قدرت شبکه های باور عمیق پایه در پردازش داده های پیچیده که مبتنی بر زمان نیز هستند جای تامل دارد.در این مقاله، یک روش بازگشتی جدید بر مبنای شبکه های باور عمیق ارائه شده است. در روش پیشنهادی، توانایی پردازش و تفسیر فریم های دوبعدی ویدئو و درک مفهوم زمان به وسیله پیاده سازی بازگشتی به شبکه های باور عمیق اضافه شده است. این روش قادر به درک مفاهیم کوتاه مدت زمانی با استفاده از ماشین های بولتزمن محدود و بلند مدت زمانی بر مبنای پیاده سازی بازگشتی می باشد. روش پیشنهادی بر روی سه پایگاه داده شناخته شده در این حوزه با نام های KTH، UCF و HMDB51 ارزیابی شده و به ترتیب به دقت های برابر با 95.02، 93.14 و 74.28 دست یافته و با سایر روش های محبوب در شرایط مختلف مقایسه گردیده است.کلید واژگان: یادگیری عمیق, شبکه های باور عمیق, ماشین های بولتزمن محدود, شناسایی عمل, شبکه های عصبی بازگشتیDeep learning has been widely used to solve problems related to the analysis of complex and voluminous data such as videos. One of the processing tasks performed on videos is human action recognition, which has important applications in the field of automatic surveillance, human-computer interaction, and the study of elderly behavior. Deep belief networks (DBNs) have been particularly attractive among different types of deep networks because of their special features, especially their ability to converge faster than other methods and the identical structure of their layers. However, the power of basic DBNs in processing complex data that are also time-dependent is worth considering.In this paper, a new recurrent method based on DBNs is proposed. In the proposed method, the ability to process and interpret two-dimensional video frames and understand the concept of time through recursive implementation is added to DBNs. This method is capable of understanding short-term temporal concepts using restricted Boltzmann machines and long-term temporal concepts based on recursive implementation. The proposed method has been evaluated on three well-known datasets in this field, namely KTH, UCF, and HMDB51, and has achieved accuracies of 95.02, 93.14, and 74.28, respectively. It has also been compared with other popular methods under different conditions.Keywords: Deep Learning, Deep Belief Networks, Restricted Boltzmann Machines, Human Action Recognition, Recurrent Neural Networks
-
یکی از مشکلات شبکه های رو به رشد امروزی نظیر شبکه های اینترنت اشیاء، نیاز به برآوردن سطوح مشخصی از مولفه های کیفیت سرویس است. رشد بسیار سریع تعداد دستگاه های متصل در شبکه های امروزی نظیر اینترنت اشیاء، شامل اشیاء هوشمندی مثل گوشی های هوشمند، حسگرها، عملگرها و دیگر تجهیزات، سبب ایجاد و توسعه خدمات و کاربردهای جدیدی از جمله در حوزه های شهرها و خانه های هوشمند شده است. این خدمات و کاربردهای نوظهور و رو به گسترش، هر کدام نیازهای کیفیت سرویس مختص به خود را دارند و برآورده کردن نیازهای کیفیت سرویس آنها با استفاده از زیرساخت های مرسوم شبکه، که تنها مبتنی بر عملکرد سخت افزاری هستند امکان پذیر نبوده و یا به سختی قابل دست یابی است. یکی از راه حل های این مشکل ایجاد زیر ساخت شبکه بر اساس شبکه های نرم افزار محور به عنوان یک راه حل امید بخش می باشد. این فناوری با جدا کردن صفحه کنترل از صفحه ارسال قابلیت نظارت خودکار و مدیریت مبتنی بر سیاست گذاری در زیرساخت و منابع شبکه را فراهم می کند. بر این اساس در این مقاله یک زیر ساخت مبتنی بر شبکه نرم افزار محور را پیاده سازی کرده و پس از ارزیابی، نتایج اندازه گیری پارامترهای کیفیت سرویس را با نتایج آزمایش مشابه در زیر ساخت مرسوم شبکه مقایسه می کنیم. نتایج شبیه سازی نشان دهنده برتری زیرساخت شبکه نرم افزار محور می باشد.
کلید واژگان: شبکه نرم افزار محور, کیفیت سرویس, اینترنت اشیاءJournal of Command and Control Communications Computer Intelligence, Volume:5 Issue: 3, 2022, PP 39 -49One of the challenges of today's growing networks such as IoT networks is the need to meet certain levels of quality-of-service components. The rapid growth of the number of connected devices in today's networks such as the Internet of Things, including smart objects such as smartphones, sensors, actuators, and other equipment, has led to the development of new services and applications, including in the areas of smart cities and smart homes. These emerging and expanding services and applications each have their own quality-of-service needs, and it has not been possible to meet their quality-of-service needs using conventional network infrastructure, which is based solely on hardware. One solution to this problem is to build network infrastructure based on software-defined networking as a promising solution. This technology provides automated monitoring and management based on the policy in infrastructure and network resources by separating the control plane from the forwarding plane. Accordingly, in this paper, we implement a software-defined networking infrastructure and after evaluation, we compare the results of measuring quality-of-service parameters with the results of similar tests in conventional network infrastructure. The simulation results show the superiority of software-defined networking infrastructure.
Keywords: Software-Define networking, Quality of Service, Internet of Things -
با افزایش حجم اطلاعات در دسترس بر روی اینترنت و پایگاه های داده، نیاز به ابزارهایی که بتوانند در جستجو، پالایش و مدیریت منابع کمک کنند، ضروری است. برای رسیدن به این منظور در این پژوهش، از دسته بندی متون با استفاده از الگوریتم های یادگیری ماشین استفاده شده است. دسته بندی یا رده بندی متون، به اختصاص یک سند متنی به یک طبقه مناسب از پیش تعیین شده گفته می شود. چالش اصلی دسته بندی متون، بزرگی فضای ویژگی ها در این گونه مسایل است. در بسیاری از الگوریتم های موجود چنین فضای بزرگی منجر به کند شدن بسیار زیاد دسته بند و ناکارآمدی آن خواهد شد. علاوه بر این ویژگی هایی وجود دارند که نه تنها باعث دسته بندی بهتر متون نمی شوند بلکه دقت دسته بندی را نیز کاهش می دهند. در این پژوهش جهت دست یافتن به کارایی مناسب ابتدا آماده سازی متون یا مجموعه داده انجام شده است. برای این منظور ابتدا اسناد متنی را به شکل یکسان (حروف کوچک) تبدیل کرده و سپس نتایج در دو حالت، بدون حذف کلمات متوقف کننده و با حذف کلمات متوقف کننده به دست آمده است. این سیستم شامل دو مرحله، پردازش متن و دسته بندی متن می باشد. در مرحله اول برای استخراج ویژگی ها از معیارهای شاخص گذاری مختلفی نظیر bigram، trigram و quadgram استفاده شده، سپس در مرحله دوم برای آموزش سیستم از الگوریتم یادگیری ماشین W-SMO استفاده شده است. به منظور ارزیابی و مقایسه نتایج دو معیار دقت و بازخوانی،Macro-F1 و Micro-F1 برای روش های مختلف شاخص گذاری محاسبه شده اند. نتایج آزمایش ها که بر روی 7676 سند متنی استاندارد خبرگزاری رویترز انجام گرفت، نشان داد که روش پیشنهادی بهترین کارایی را نسبت به الگوریتم های W-j48، Naïve Bayes، K-NNو W-LADTREE دارد. بررسی نتایج نشان می دهد که روش پیشنهادی باعث بهبود دقت میکرو تا 95.17% در دسته بندی متون می گردد.
کلید واژگان: دسته بندی متون, یادگیری ماشین, N-gram, W-SMO -
This paper parallelizes the spatial pyramid match kernel (SPK) implementation. SPK is one of the most usable kernel methods, along with support vector machine classifier, with high accuracy in object recognition. MATLAB parallel computing toolbox has been used to parallelize SPK. In this implementation, MATLAB Message Passing Interface (MPI) functions and features included in the toolbox help us obtain good performance by two schemes of task-parallelization and dataparallelization models. Parallel SPK algorithm ran over a cluster of computers and achieved less run time. A speedup value equal to 13 is obtained for a configuration with up to 5 Quad processors.Keywords: Object recognition, Spatial pyramid match kernel, Parallel computing, Cluster of computers, Support Vector Machine
-
دیابت، شایع ترین بیماری غدد در جهان است که سالانه باعث مرگ 4میلیون نفر در جهان میشود. برای تشخیص دیابت بایدتمام ویژگی هایی که منجر به وقوع آن میشوند را شناخت و درصورتیکه این ویژگی ها هرکدام از محدوده مقداری معین درعلم پزشکی تجاوز کنند مشخص میشود که فرد مبتلا به دیابت است. در این پژوهش با استفاده از ترکیب علوم داده کاوی، سیستمخبره و فازی نوعدوم، ابزاری برای کمک به پزشک در تشخیص بیماری دیابت ارائه شده است. با یک دید کلی، دو مولفه اصلی در سیستم تشخیص دیابت بهبود داده شده است: مولفه اول، دقت، کارایی و قابلیت اعتماد بالا در تشخیص بیماری میباشد که بدین منظور از رویکرد فازی نوع دوم برای تنظیم و فازیسازی ورودی ها استفاده شده است و مولفه دوم، کاهش حجم قواعد موجود در پایگاه دانش و قابلیت تفسیر ساده آن است که بدین منظور از کاوش قواعد انجمنی که یکی از تکنیک های داده کاوی میباشد استفاده شده است. به طور دقیقتر، در روش پیشنهادی، بعضی از معایب سیستم های ارائه شده قبلی بهبود داده شده که عبارتند از: بهبود تاثیرمنفی عدم قطعیت در مرزهای توابع عضویت فازی نوع اول، درنظرگرفتن داده های ورودی نویزی و اغتشاشات، جایگزین کردن یک سیستم خبره هوشمند با تصمیم گیری واحد در تشخیص بیماری به جای سیستمهایی که توسط کارشناسان مختلف به دلیل تفاوت در نژاد و وضعیت بدنی افراد مختلف ساکن در قاره های مختلف، نتایج متفاوتی را ارائه میدهند، بهبود دادن حجم پایگاه دانش با انتخاب قواعد موثرتر در تولید خروجی، افزایش سرعت سیستم با کاهش دادن زمان محاسباتی و نیز بهبود دادن محدوده نقاط پارتیشن بندی در محل برخورد که شامل 867 بیمار UCI مرزهای دو تابع عضویت. برای تست عملکرد مطلوب روش پیشنهادی، از مجموعه داده بیماران دیابتی سایت است استفاده شده است و با دست یافتن به میزان دقت 84.77 درصد، اثبات کردیم که توانسته ایم به اهداف خود برای بهبود دقت در سیستم تشخیص دیابت برسیم.
کلید واژگان: سیستم خبره, فازی نوع دوم, کاوش قواعد انجمنی, تشخیص بیماری, دیاب -
با توجه به اینکه نیاز است افراد بیکار، استعدادها وتوانایی های خود را برای ورود به مشاغل مرتبط با توانایی های شان به خوبی بشناسند، نیاز به طراحی یک سیستم خبره فازی به عنوان مشاور شغلی می باشد. در این مقاله، یک سیستم خبره فازی ارایه شده است که با گرفتن مشخصات، توانایی ها و ویژگی های افراد و سنجش از طریق آزمون، آنها را به شغل مرتبط با استعدادشان که در آن موفق خواهند بود، هدایت می کند. این سیستم به عنوان یک سیستم خبره مبتنی برRule پیاده سازی شده وپایگاه دانش آن شامل دو دسته از قوانین است: بخش اول قوانینی است که با گرفتن اطلاعات جامعی از ویژگی های تمام مشاغل از کارشناسان خبره هر حرفه در سازمان فنی و حرفه ای پرشده و بخش دوم شامل قوانینی است که با ترکیب کردن دو روش استعدادیابی جانسون اوکانر و جان هالند، سوالاتی را به صورت یک آزمون، در پایگاه دانش ذخیره کرده است که توسط موتور استنتاج استفاده می شود. در بخش طراحی ورودی ها و خروجی این سیستم، رویکرد فازی را برای افزایش میزان دقت سیستم و نزدیک شدن به مقدار 100 درصد، به آن اضافه می کنیم. در هنگام گرفتن آزمون، با پرسیدن سوالات متوالی از فرد، با استفاده از راهبرد زنجیره پیشرو، جواب های گرفته شده در هرمرحله را ترکیب می کند تا به جواب نهایی برسد و یک شخصیت کلی از فرد بسازد و بر اساس الگوریتم تطابق الگوی RETE، شخصیت کلی ایجادشده برای فرد را با ویژگی های شغلی موجود در پایگاه دانش خود مقایسه می کند. سپس بر اساس فازی، یک عدد درصدی به عنوان میزان استعداد فرد در هر شغل را به او اطلاع می دهد تا فرد در انتخاب شغل آگاهانه عمل کند .در آخر نیز پیشنهادی در آینده، برای پیاده سازی مجدد سیستم با رویکرد فازی نوع دوم ارایه می شود.
کلید واژگان: سیستم خبره فازی, سازمان فنی و حرفه ای, افراد بیکار, تعیین مهارت شغلی, روش های استعدادیابی, RuleWith the aid of globalization as a phenomenon, the new technologies have spread across the world and have affected on various fields such as science, economy, business, culture, etc. Education system is such a field that has utilized of new technology to improve teaching and learning methods. Augmented reality is one of the new technologies used in different fields and helps them to enhance their quality. The purpose of this paper is to answer the question that if the application of augmented reality has efficacious results on training or not. In augmented reality, the real- world elements are augmented by computer- generated virtual information in real time. In fact, the information about the environment and its surrounding objects is added and overlaid on the real world. Hence, augmented reality has a great potential for making the new methods for training and education, and provides new opportunities to design learning environments. In other words, augmented reality, as a new form of learning environments presenting a new method in skill training, can reduce the complication of training subjects for trainees in teaching procedure, especially in workshop environments. This field research surveys the statistical results of selected vocational training Institutes final exams before and after using the augmented reality and concludes that augmented reality is a useful method for trainees to gain more knowledge and skills. It should be noted that in this paper, development methodology of mobile applications is used for implementation of augmented reality.
Keywords: augmented reality, skill training, learning environments -
مقدمهمشکل ناباروری به خصوص در میان مردان یکی از مسایلی است که در دهه های اخیر به آن توجه خاصی شده است. ناباروری در مردان می تواند از عوامل مختلفی ناشی شود. تحقیقات گسترده ای در خصوص تاثیر عوامل محیطی و سبک زندگی افراد بر روی کیفیت اسپرم مردان و ناباروری آن ها انجام شده است. در این بین روش های هوش مصنوعی به عنوان یک سیستم تصمیم یار هوشمند می توانند کمک شایانی در تشخیص ناباروری مردان نمایند.روش کاردر این پژوهش با استفاده از الگوریتم های داده کاوی در هوش مصنوعی سعی شده است تا عوامل تاثیرگذار بر روی کیفیت اسپرم مردان، و در نتیجه تشخیص ناباروری آن ها بررسی و بهترین روش به این منظور معرفی گردد. داده های مورد استفاده مربوط به 100 داوطلب از دانشجویان دانشگاه آلیکانته بوده است. بعد از متوازن کردن داده ها، روش های مختلف داده کاوی مثل شبکه ی عصبی با هدف یافتن بهترین طبقه بند مورد بررسی قرار گرفته است.یافته هاروش پیشنهادی با الگوریتم های مختلف داده کاوی مورد بررسی قرار گرفت تا بتوان تحلیل بهتری از کارایی سایر الگوریتم ها به دست آورد. در بین طبقه بندهای مورد بررسی، ماشین بردار پشتیبان با استفاده از اعتبارسنجی منقطع 10 لایه، توانست بهترین کارایی را با دقت 15/95% کسب کند. روش پیشنهادی، دارای کارایی رقابتی نسبت به سایر روش ها می باشد.نتیجه گیرینتایج نشان داد که روش پیشنهادی می تواند با استفاده از عوامل محیطی و سبک زندگی ناباروری مردان را پیش بینی نماید.کلید واژگان: ناباروری مردان, هوش مصنوعی, الگوریتم های داده کاوی, ماشین بردار پشتیبان, سیستم تصمیم یارIntroductionInfertility is one of the most important problems, especially among males which has received special attention recently. Male infertility can be affected by different factors. There is now a large body of evidence to support the effects of life styles and environmental factors on semen quality. Data mining methods in artificial intelligence, as a decision support system, could be helpful in medical diagnosis of male infertility.MethodsThe influencing factors of seminal quality, and as a result ability to detect the infertility in males was assessed in this study using data mining algorithms in artificial intelligence. The dataset of 100 volunteers among students of University of Alicante were used. After data balancing different classifiers such as neural network were used to find the best classifier to predict the male infertility.ResultsThe proposed algorithm is evaluated with different data mining algorithms to find a better analytical application of the algorithm. Support vector machine had the best accuracy (%95.15) to predict proposed infertility in male compared to the other classifiers. The proposed algorithm has a competitive accuracy compared to other algorithms.ConclusionThe proposed algorithm is able to predict male infertility from lifestyle and environmental factors using data mining algorithms.Keywords: Male Infertility, Artificial intelligence, Data mining algorithms, Support vector machine, Support decision system
-
آستانه گذاری تصاویر یک از محبوب ترین روش های قطعه بندی تصاویر است. در این روش، برای مشخص کردن مقادیر آستانه از هیستوگرام استفاده می شود. در این مقاله، یک روش آستانه گذاری چندسطحی برای قطعه بندی تصاویر مبتنی بر هیستوگرام با استفاده از الگوریتم بهینه سازی مبتنی بر یادگیری و تدریس ارائه شده است. این الگوریتم یک الگوریتم جمعیت گرای جدید است که از تاثیری که یک استاد بر دانش آموزان خود دارد الهام گرفته است. تابع هزینه مورد استفاده در این پژوهش، معیار بیشینه سازی آنتروپی کاپور بوده است. کارایی روش پیشنهادی بر روی 5 تصویر استاندارد مورد بررسی قرار گرفته است. همچنین کارایی آن با سه الگوریتم ژنتیک (GA)، بهینه سازی ذرات (PSO) و تکامل تفاضلی (DE) مقایسه شده است. نتایج نشان می دهد که الگوریتم بهینه سازی مبتنی بر یادگیری و تدریس نتایج بهتری در توابع برازندگی، مقدار PSNR، SSIM و پایداری فراهم آورده است. زمان یافتن مقادیر آستانه برای این الگوریتم نیز نسبت به الگوریتم PSO بیشتر اما نسبت به GA و DE کمتر است.کلید واژگان: قطعه بندی تصاویر, آستانه گذاری چند سطحی تصاویر, الگوریتم بهینه سازی مبتنی بر یادگیری و تدریس, هیستوگرام, آنتروپی کاپورImage thresholding is a popular method for image segmentation. Histogram is used for image segmentation in image thresholding. In this paper, a multilevel image thresholding is proposed based on teaching-learning-based optimization (TLBO). TLBO is a new population-based metaheuristic inspired by learners and teacher in a classroom. The optimal thresholds are found by maximizing Kapurs (entropy criterion) thresholding function. The performance of TLBO is explained by considering five images. In addition, the performance is compared with three well known population-based metaheuristics: particle swarm optimization(PSO), genetic algorithm (GA), and differential evolution (DE). Results show that TLBO presents the better performance in terms of fitness value, peak signal to noise ratio (PSNR), Structural-Similarity index (SSIM), and stability.Keywords: image segmentation, multilevel image thresholding, teaching, learning, based optimization, histogram, Kapur's entropy
-
In today’s modern world, there is no place for passwords and security has the highest priority in current systems. Biometrics like face and voice can be circumvented by fraudulent methods but fingerprint has a high security in this aspect. In this paper a new fingerprint matching approach is introduced. The proposed method with various modifications has reached an accuracy equal or higher than the best existent methods. This method uses triangular relation of minutiaes. Experimental results show high accuracy and robustness to image transition and rotation. The time consuming part of the system are determined and then paralleled by CPU and GPU depend on dataor process complexity. GPU parallelization is performed by CUDA platform. Successful results of paralleled system show that the speed and accuracy of our system are suitable for real-time applications. We have managed to achieve up to 9x speed-up in the system run-time. The proposedsystem accuracy on FVC2002 database is higher than 99%.Keywords: Fingerprint, Fingerprint Matching, Minutiae, Triangular Matching, Graphics Processors, Parallelism, CUDA
-
اثر انگشت بیومتریکی است که به دلیل ویژگی های منحصر به فردش، بیشترین کاربرد را در سیستم های تشخیص و تعیین هویت داشته است. در سیستم های تعیین هویت، تصویر ورودی با تمام تصاویر ثبت شده در پایگاه مقایسه می گردد و در صورتی که پایگاه داده حجیم باشد، عمل مقایسه بسیار زمان بر خواهد بود. برای نمونه می توان به پایگاه های داده موجود در FBI اشاره نمود. یکی از راه حل های تاییدشده برای افزایش سرعت، طبقه بندی تصاویر است. در طبقه بندی مطلق، به هر اثر انگشت تنها یک کلاس تخصیص می یابد. دلایل مختلفی چون نویز یا عدم وجود همه نقاط یکتا در محدوده تصویر، تعیین یک کلاس مطلق برای همه تصاویر را دچار مشکل می کند. در این مقاله، روشی جدید بر پایه طبقه بندی احتمالی ارائه شده که برای هر تصویر ورودی، مجموعه ای از کلاس ها مشخص می شود که هر یک دارای یک احتمال می باشند. در مرحله انطباق، کلاس ها به ترتیب اولویتشان جستجو می شوند. آزمایشات صورت گرفته بر روی پایگاه داده شناخته شده FVC 2002، تاثیر استفاده از طبقه بندی احتمالی را به روشنی نشان داده است. با در نظر گرفتن کلاس های دوم و سوم تعیین شده توسط روش پیشنهادی، دقت شناسایی سیستم تقریبا 18% افزایش یافته است، در صورتی که سرعت آن، 2 تا 3 برابر بیشتر از طبقه بندی مطلق می باشد.
کلید واژگان: شناسایی اثر انگشت, طبقه بندی اثر انگشت, طبقه بندی احتمالی, طبقه بندی مبتنی بر قانونFingerprint as a biometric has the most applications in verification and identification systems, because of its specific properties. In identification systems, input image is compared with all of images stored in the database. In huge databases, the comparison will take large amounts of time; Consider FBI databases, for instance. Image classification is one of the approved methods to increase the identification speed. Only one class is assigned to each fingerprint in tradition absolute classification. Various reasons like noise or lack of all the singularity points in captured region, cause the problem in determination of an absolute class for all the images. In this article, a new method based on probabilistic classification is presented. In the proposed approach, a set of classes are considered for each input image with a specific probability. These classes are searched in order of their probabilities priority in matching stage. Experiments on well-known FVC2002 database, exhibit the effect of probable classification clearly. Using only the second and third classes assigned by the proposed method, the identification system achieves about 18% increase in accuracy and 2-3 times speedup in compared to the traditional methods. -
سابقه و هدفدر سال های اخیر، بیماری هپاتیت در جهان بسیار شیوع پیدا کرده است. تشخیص صحیح بیماری هپاتیت کار ساده ای نمی باشد. هدف از این مقاله، ارائه یک سیستم هوشمند مبتنی بر تکنیک های یادگیری ماشین جهت تشخیص بیماری هپاتیت می باشد.مواد و روش هاالگوریتم پیشنهادی شامل سه مرحله اساسی می باشد: کاهش ابعاد، طبقه بندی و هم جوشی طبقه بندی کننده ها با یک دیگر. مجموعه داده ها از انباره داده های پایگاه داده ی UCI گرفته شده است. در ابتدا تمام داده ها نرمال شده اند. سپس با استفاده از آنالیز اجزای اساسی تعداد ویژگی ها به 10 کاهش پیدا کرده است. در مرحله بعد از سه طبقه بندی کننده جهت مدل سازی داده ها استفاده گشته است. جهت بهبود کارایی و اطمینان بیش تر به نتایج سیستم، نتایج این سه طبقه بندی کننده با استفاده از رای گیری وزن دار با هم ترکیب شده است.یافته هاالگوریتم پیشنهادی توانست با استفاده از اعتبارسنجی منقطع 10 لایه، دقت 32/96 را ارائه دهد که نسبت به کارهای مشابه نتیجه خوبی می باشد.نتیجه گیریبا توجه به نتایج، سیستم پیشنهادی می تواند به عنوان یک همیار هوشمند جهت تشخیص نهایی پزشکان مورد استفاده قرار گیردکلید واژگان: تشخیص هوشمند بیماری هپاتیت, یادگیری ماشین, هم جوشی طبقه بندی کننده ها, آنالیز اجزای اصلیKoomesh, Volume:16 Issue: 2, 2014, PP 149 -158IntroductionIn recent years, hepatitis diseases have become prevalent in the world. The correct diagnosis of hepatitis disease is not a straight task. The goal of this paper is to introduce a new intelligent system for automatic hepatitis diagnosis based on machine learning approaches.Materials And Methodsthe proposed approach consists of three stages, namely dimension reduction, classification, and fusion of classifiers. The hepatitis disease features were obtained from UCI machine learning repository. First, features have been normalized. Then, the number of these features is reduced to 10 from 19 by principal component analysis. In the next step, the reduced features are fed to three classifiers. Finally, a classifiers fusion to improve the efficiency and more reliable results using majority voting is presented.Resultsthe proposed approach obtained a classification accuracy of 96.32 via 10 fold cross validation.Conclusionaccording to the results, the proposed system can be used as an intelligent partner for the final hepatitis diagnosis by physician.Keywords: Intelligent diagnosis, Hepatitis, Disease, Machine learning, Classifiers fusion, Principal component analysis
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.