👈فول فایل فور یو ff4u.ir 👉

طراحی سیستم دسته‌بند فازي مبتنی بر بهینه سازي ازدحام ذرات براي تشخیص بیماري دیابت word

ارتباط با ما

دانلود


طراحی سیستم دسته‌بند فازي مبتنی بر بهینه سازي ازدحام ذرات براي تشخیص بیماري دیابت word
تشخیص بیماري دیابت و یا آگاهی یافتن از احتمال بالاي ابتلا به این بیماري همواره کار آسانی نخواهدبود. چرا که این بیماري علائم متعددي را بروز می‌دهد که بعضی از این علائم در سایر بیماری‌های دیگر نیزوجود دارند. بنابراین پزشک براي اتخاذ یک تصمیم مناسب، باید نتیجه‌یآزمایش‌های بیمار و تصمیم‌هایی کهدر گذشته براي بیماران با وضیعت مشابه گرفته است، را بررسی کند.
در این پایان نامه از یک الگوریتم دسته‌بندی مبتنی بر قانون براي دسته‌بندی بیماران دیابتی استفاده شدهاست. براي استخراج قوانین فازي از یک الگوریتم بهینه سازي ازدحام ذرات استفاده شده است. این الگوریتمداراي ویژگی‌هایی است که آن را از سایر الگوریتم مورد استفاده متمایز می‌کند. از جمله‌ی این ویژگی‌هامی‌توان به تابع افزایش تنوع ذرات و تکامل هم‌زمان توابع عضویت و قوانین فازي اشاره کرد. براي ارزیابی کاراییالگوریتم از مجموعه داده‌ی دیابت استفاده شده است. نتایج ارزیابی‌ها نشان می‌دهد که الگوریتم براي مجموعهداده‌ی دیابت داراي کارایی بسیار بالایی می‌باشد. همچنین کارایی الگوریتم پیشنهادي به علت بالا بردن قابلیتتفسیرپذیري دسته‌بند (کاهش تعداد قوانین فازي) بسیار مناسب می‌باشد.
تشخیص بیماری دیابت، دسته‌بند مبتنی بر قانون، الگوریتم بهینه‌سازی ازدحام ذرات، تکامل همزمان توابع عضویت و قوانین فازی.
 فهرست رئوس مطالب
عنوان صفحه
فصل اول – مقدمه و کلیات تحقیق.. 1
1-1- مقدمه.. 2
1-2- بیان مسأله.. 3
1-3- اهداف تحقیق.. 5
1-4- سوالات تحقیق.. 6
1-5- فرضیات مسأله.. 6
1-6- نوآوری‌های تحقیق.. 7
1-7- تعریف واژگان.. 7
1-8- ساختار پایان نامه.. 8
 
فصل دوم – ادبیات و پیشینه تحقیق.. 10
2-1- مقدمه.. 11
2-2- داده‌کاوی.. 11
2-3- دسته‌بندی.. 13
2-4- الگوریتم‌های رایج دسته‌بندی.. 15
2-4-1- شبکه‌های عصبی مصنوعی.. 15
2-4-2- درخت‌های تصمیم.. 19
2-4-3- شبکه‌های بیزین.. 21
2-4-4- K نزدیک‌ترین همسایه.. 23
2-4-5- ماشین بردار پشتیبان.. 24
2-4-6- روش‌های مبتنی بر قانون.. 28
2-5- الگوریتم بهینه‌سازی ازدحام ذرات.. 32
2-5-1- پارامترهايپايهبهينه‌سازيازدحامذرات.. 35
2-5-2- چالش‌ها و مسائل پیش روی الگوریتم بهینه‌سازی ازدحام ذرات 39
2-5-2-1- مشکل ابعاد بالا.. 40
2-5-2-2- مشکل همبستگی میان داده‌ها.. 43
2-5-3- گونه‌های مختلف PSO.. 47
2-5-3-1- بهینه‌سازی ازدحام ذرات مبتنی بر شبکه‌های جمعی 48
2-5-3-1-1- همسایگی مبتنی بر فاصله فضایی.. 48
2-5-3-1-2- همسایگی فزاینده.. 48
2-5-3-1-3- بهینه‌سازی ازدحام ذرات کاملاً آگاه (FIPS).. 49
2-5-3-2- مدل پیوندی بهینه‌سازی ازدحام ذرات.. 50
2-5-3-3- بهینه‌سازی ازدحام ذرات چند جمعیتی.. 53
2-6- سیستم‌های فازی.. 56
2-6-1- ساختار یک سیستم دسته‌بندی مبتنی بر قوانین فازی 57
2-6-2- دسته‌بندی بدون استفاده از درجه قطعیت.. 58
2-6-3- دسته‌بندی با استفاده از درجه قطعیت.. 62
2-6-4- استنتاج فازی.. 66
2-7- معیار‌های ارزیابی دسته‌بند‌ها.. 68
 
فصل سوم – روش تحقیق.. 72
3-1- مقدمه.. 73
3-2- تبدیل داده‌های حقیقی به ترم‌های فازی.. 75
3-3- تولید توابععضویتوقوانینفازي با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات.. 77
3-3-1- کدگذاريتوابععضویتفازي.. 78
3-3-2- کدگذاريقوانینفازي.. 80
3-3-3- PSO پیشنهادی.. 82
3-3-5- توابع برازش کیفیت قوانین.. 87
3-5- نتیجه‌گیری.. 90
 
فصل چهارم – محاسبات و یافته‌های تحقیق.. 91
4-1- داده‌های مورد استفاده.. 92
4-2- تنظیم پارامترها.. 94
4-3- روش‌های استفاده شده به منظور مقایسه.. 97
4-4- نتایج.. 98
4-5- نتیجه گیری.. 101
 
فصل پنجم – نتیجه گیری و پیشنهادات.. 102
5-1- خلاصه و نتیجه‌ گیری.. 103
5-2- پیشنهادات.. 103
منابع:.. 105
 
فهرست جداول
عنوان صفحه
جدول 2-1: مجموعه داده‌های آموزش.. 20
جدول 2-2: جدول توزیع احتمال گره تنگی نفس.. 23
جدول 2-3: توابع فاصله میان نمونه‌های x و y. 23
جدول 2-4: ماتریس اغتشاش دودویی.. 69
جدول 4- 1: خصیصه‌های مجموعه داده Pima Indian Diabetes. 92
جدول 4- 2: پارامترهای قابل تنظیم توسط کاربر.. 94
جدول 4- 3: مقادیر در نظر گرفته شده برای پارامترهای الگوریتم 96
جدول 4- 4: نتایج بدست آمده از الگوریتم پیشنهادی بر روی مجموعه داده Pima. 99
جدول 4- 5:مقایسه نتایج بدست آمده برای مجموعه داده Pima با سایر روش‌ها.. 99
جدول 4- 6: نتایج سایر مطالعات صورت گرفته بر روی مجموعه داده Pima 100
 
فهرست تصاویر و نمودارها
عنوان صفحه
شکل 2- 1: فرآیند داده‌کاوی و کشف دانش.. 12
شکل 2- 2: ساختار SLP. 17
شکل 2- 3: ساختار یک نرون (گره).. 18
شکل 2- 4: درخت تصمیم جدول (2-1).. 21
شکل 2- 5: مثالی از شبکه‌ی بیزین.. 22
شکل 2- 6: دسته‌بند ماشین بردار پشتیبان.. 25
شکل 2- 7: دسته‌بند ماشین بردار پشتیبان با حاشیه نرم.. 27
شکل 2- 8: شبه کد الگوریتم بهینه‌سازی ازدحام ذرات.. 34
شکل 2- 9: تشریح هندسی مولفه‌های شخصی و اجتماعی در PSO.. 35
شکل 2- 10: ساختار یک سیستم قانونمند فازی.. 59
شکل 2- 11: ناحیه تصمیم هر قانون فازی.. 60
شکل 2- 12: مرزهای دسته‌بندی نُه قانون فازی.. 60
شکل 2- 13:مرز دسته‌بندی بعد از اصلاح توابع عضویت.. 61
شکل 2- 14: ناحیه تصمیم هر قانون فازی در حالتی که جداول قانون فازی ناکامل باشد.. 62
شکل 2- 15: ناحیه تصمیم هر قانون فازی با درجات.. 63
شکل 2- 16: تنظیم مرزهای دسته‌بندی بدون استفاده از درجه قطعیت 63
شکل 2- 17: تنظیم مرزهای دسته‌بندی با استفاده از درجه قطعیت 64
شکل 2- 18: تعیین دسته نتیجه و درجه قطعیت.. 65
شکل 2- 19: بیش برازش.. 71
شکل 3- 1: نمای کلی مدل پیشنهادی برای واکشی سیستم فازی 74
شکل 3- 2: توابع عضویت فازی (S:Small, MS: Medium Small, M: Medium, ML: Medium Large, L: Large).. 76
شکل 3- 3: نمایش گرافیکی پارامترهای توابع عضویت پیشنهادی 77
شکل 3- 4: نمایش گرافیکی فضای جستجو برای یک مسئله چهار بعدی با سه بازه فازی.. 78
شکل 3- 5: کدگذاری پارامترهای متغیرهای ورودی و خروجی.. 79
شکل 3- 6:کدگذاری هر ذره شامل پارامترهای توابع عضویت و مجموعه قوانین.. 80
شکل 3- 7: فلوچارتPSO.. 83
شکل 3- 8: تابع Membership_and_Rule_Learn. 86
شکل 4- 1: توزیع مقادیر خصیصه‌های مختل مجموعه داده Pima. 93
شکل 4- 2: توزیع خصیصه اول 20 نمونه‌ی اول pima. 94
شکل 4- 3: تأثیر پارامتر SwarmSize بر کارایی.. 95
شکل 4- 4: تأثیر پارامتر w بر کارایی.. 96
 1-1- مقدمه
افزایش استفاده از کامپیوترها در فعالیت‌های کسب و کار، منجر به رشد سریع پایگاه‌های اطلاعاتی و اجتماع داده‌ها توسط بیشتر سازمان‌ها شده است. روزانه حجم عظیمی از داده‌ها تولید شده و در پایگاه‌های مختلف داده ذخیره می‌شود. در سال‌های اخیر تمایل به جستجو برای کشف الگوهای تکرار‌پذیر به منظور بهبود در تصمیم گیری افزایش چشمگیری داشته است. همچنین کاوش در داده‌های تراکنشی جهت یافتن الگوهای پنهان و تکنیک‌های کشف دانش به منظور شناخت دقیق‌تر و بیشتر تراکنش‌ها، اهمیت بسزایی یافته است. [1]. در حوزه پزشکی و سلامت با افزایش استفاده از سیستم‌های جامع درمانی و پرونده‌های الکترونیک بیمار در بیمارستان‌ها و مراکز درمانی حجم انبوهی از اطلاعات مربوط بیماران و انواع بیماری‌ها مهیا می‌شود. [2]. استخراج دانایی از حجم عظیم داده‌های مرتبط با سوابق بیماری و پرونده‌های پزشکی افراد با استفاده از فرآیند داده‌کاوی می‌تواند منجر به شناسایی قوانین حاکم بر ایجاد، رشد و افت بیماری‌ها گردیده و اطلاعات ارزشمندی را به منظور شناسایی علل وقوع بیماری‌ها با توجه به عوامل محیطی حاکم در اختیار متخصصین و دست اندر کاران حوزه سلامت قرار دهد؛ که این امر در نهایت منجر به افزایش متوسط طول عمر افراد جامعه و ایجاد آرامش می‌گردد. [3].
آنچه مسلم است با افزایش سیستم‌های الکترونیک سلامت حجم داده‌های پزشکی هر روزه در حال افزایش است. اما این مجموعه داده‌های بزرگ به طور خام هیچ کاربردی ندارد برای آنکه بتوان از این داده‌ها ارزشی را استخراج کرد نیاز به تحلیل داده‌ها و تبدیل آن به اطلاعات و دانش، یک نیاز اساسی است. با توجه به چنین حجمی از داده‌ها استفاده از عامل انسانی به عنوان تشخیص دهنده الگوها و تحلیلگر داده‌ها پاسخگو نمی‌باشد؛ لذا داده کاوی روی داده‌های پزشکی از اهمیت بالایی برخوردار است. داده‌کاوی را می‌توان از جنبه‌های مختلف در پیشگیری یا تشخیص انواع بیماری، انتخاب روش‌های درمان بیماری، مدت زمان بستری بیمار و ... به کار برد.
دیابت یکی از بیماری‌های رایج در جوامع امروزی است که دارای عوارض خطرناکی می‌باشد. این بیماری اگر چه گونه‌ای از بیماری‌های قلبی محسوب نمی‌شود ولی اغلب سبب بیماری‌های قلبی می‌شود.
تشخیص بیماری دیابت و یا آگاهی یافتن از احتمال بالای ابتلا به این بیماری همواره کار آسانی نخواهد بود. چرا که این بیماری علائم متعددی را بروز می‌دهد که بعضی از این علائم در سایر بیماری‌ها نیز وجود دارند. بنابراین پزشک برای اتخاذ یک تصمیم مناسب، باید نتیجه‌ی آزمایش‌های بیمار و تصمیم‌های که در گذشته برای بیماران با وضیعت مشابه گرفته است، را بررسی کند. با توجه به حجم انبوه تعداد بيماران، مي‌توان از يك ابزار داده‌كاوي براي شناخت الگوي بيماران قبلي استفاده كرد.
در اين پايان‌نامه با توجه به ماهیت مسأله از يك الگوريتم دسته‌بندي برای تشخیص بیماری دیابت استفاده می‌کنیم سپس آن‌را با سایر روش‌ها ارائه شده مقایسه می‌کنیم. روش دسته بندی یک روش یادگیری با نظارت است که داده‌های ورودی به دو بخش داده‌های آموزش و داده‌های آزمون تقسیم می‌شوند. هر الگوریتم کاندید، ابتدا با استفاده از مجموعه داده آموزش یک مدل را که نشان دهنده الگوی حاکم بر داده‌ها می‌باشد را استخراج می‌کند و سپس با استفاده از مجموعه آزمون دقت مدل ارائه شده برای دسته‌بندی را بررسی می‌کند.
الگوریتم‌های متعددی برای دسته بندی ارائه شده‌اند که از آن دسته می‌توان؛ به شبکه‌های بیزین [4]، روش‌های مبتنی بر درخت [5]، الگوریتم ماشین بردار پشتیبان [6]، روش‌های مبتنی بر مجموعه فازی [7]، الگوریتم‌های فرا اکتشافی [8] و شبکه‌های عصبی [9] اشاره کرد.
در این نوشتار قصد داریم برای استخراج قوانين فازي از يك الگوريتم آموزش دیده مبتنی بر هوش جمعی، بهینه‌سازی ازدحام ذرات (PSO) استفاده کنیم. خاصیت اصلی الگوریتم‌های هوش جمعی تبادل اطلاعات بین ذرات است که در یافتن حالت بهینه بسیار موثر می‌باشند.
سعی شده با در نظر گرفتن نقاط ضعف و قوت روش‌های مختلف داده کاوی یک الگوریتم ترکیبی برای تشخیص بیماری ارائه شود. الگوریتم شبکه عصبی معمولاً نرخ دسته بندی مناسبی را ارائه می‌دهد ولی از شفافیت لازم برخوردار نیست. بنابراین نمی‌توان این اطلاعات را توسط سیستم‌های خبره بررسی کرد. برای حل این مسئله باید یک ارائه قابل فهم انسانی از دسته‌بندی ایجاد کرد. این هدف می‌تواند با استخراج قوانین فازی تولید شده که برای کاربر قابل فهم است بدست بیاید.

👇 تصادفی👇

Kinematics سینماتیکفیلم آموزشی طراحی پارامتریک در نرم افزار سالیدورکنقش مدیریت ریسک در پروژه های ITمقاله تأثیر دین و مذهب در جامعهگزارش کارآموزی بیمه، دادگاه در بندر عباسمقاله بررسی ويژگي هاي طبيعي دهستان ييلاقي ارده با تاکید بر مخاطرات طبیعیجامع الحوال و الاوصاف الاجنهمقاله آماده درباره اثر آلودگی بر کیفیت زندگی‎‎ با فرمت ورد 19 صفحهطرح لايه باز سايت موبايل با زمينه طوسياثر مرکب (دارن هاردی) ✅فایل های دیگر✅

#️⃣ برچسب های فایل طراحی سیستم دسته‌بند فازي مبتنی بر بهینه سازي ازدحام ذرات براي تشخیص بیماري دیابت word

طراحی سیستم دسته‌بند فازي مبتنی بر بهینه سازي ازدحام ذرات براي تشخیص بیماري دیابت word

دانلود طراحی سیستم دسته‌بند فازي مبتنی بر بهینه سازي ازدحام ذرات براي تشخیص بیماري دیابت word

خرید اینترنتی طراحی سیستم دسته‌بند فازي مبتنی بر بهینه سازي ازدحام ذرات براي تشخیص بیماري دیابت word

👇🏞 تصاویر 🏞