پیشرفت سیستم عصبی- فازی برای پیش بینی حملات قبلی
ترجمه شده

پیشرفت سیستم عصبی- فازی برای پیش بینی حملات قبلی

عنوان فارسی مقاله: پیشرفت (ابداع) سیستم عصبی- فازی برای پیش بینی حملات قبلی
عنوان انگلیسی مقاله: Development of Neuro-fuzzy System for Early Prediction of Heart Attack
مجله/کنفرانس: مجله بین المللی فناوری اطلاعات و علوم کامپیوتری
رشته های تحصیلی مرتبط: مهندسی کامپیوتر و فناوری اطلاعات و ارتباطات
گرایش های تحصیلی مرتبط: کاربردهای ICT، مهندسی الگوریتم ها و محاسبات و هوش مصنوعی
کلمات کلیدی فارسی: سیستم عصبی-فازی سازگار، تابع عضویت، قانون فازی، تابع عضویت، ANFIS
کلمات کلیدی انگلیسی: ANFIS - Adaptative Neuro-Fuzzy System - Fuzzification - Membership Function - Fuzzy Rule - Membership Function
شناسه دیجیتال (DOI): https://doi.org/10.5815/ijitcs.2012.09.03
دانشگاه: گروه علوم و مهندسی کامپیوتر، دانشگاه علم و صنعت لادوکا آکینتولا
صفحات مقاله انگلیسی: 7
صفحات مقاله فارسی: 16
ناشر: Press
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2012
ترجمه شده از: انگلیسی به فارسی
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه شده و آماده دانلود
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
مقاله بیس: خیر
مدل مفهومی: ندارد
کد محصول: 8843
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
پرسشنامه: ندارد
متغیر: ندارد
درج شدن منابع داخل متن در ترجمه: بله
ترجمه شدن توضیحات زیر تصاویر و جداول: بله
ترجمه شدن متون داخل تصاویر و جداول: خیر
رفرنس در ترجمه: در داخل متن مقاله درج شده است
نمونه ترجمه فارسی مقاله

چکیده 

هدف این کار (تحقیقاتی)، ارایه سیستم عصبی-فازی برای تشخیص حمله قلبی است. سیستم عصبی-فازی مورد نظر با هشت زمینه ورودی و یک زمینه خروجی طراحی شد. متغیرهای ورودی عبارتند از: میزان ضربان قلب، تمرین و ورزش، فشار خون، سن، کلسترول، نوع درد سینه، قند خون و جنسیت. خروجی به تشخیص سطوح خطر بیمارانی می پردازد که به چهار زمینه دسته بندی شده اند: خیلی پایین، پایین، بالا و خیلی بالا. مجموعه داده مورد استفاده از پایگاه داده به دست آمده و مدل شده تا آن را برای آموزش و تمرین مناسب تر کند و سپس ساختار FIS اولیه تولید شد؛ شبکه با مجموعه ای از داده های آموزشی، آموزش داده شد و پس از آن با مجموعه ای از داده های آزمایشی، آزمایش شده و معتبر شناخته شد. خروجی سیستم به طوری طراحی شد که بیمار بتواند شخصاً از آن استفاده نماید. فقط لازم بودبیمار برخی از مقادیری را که در نقش ورودی سیستم و بر اساس توانایی پیش بینی سطح خطر بیمار توسط مقادیر داده شده به سیستم بودند تأمین و فراهم کند.

1. مقدمه 

بیماری های رگ های خونی و قلبی به نام بیماری های قبلی عروقی شامل مشکلات متعددی هستند که بسیاری از آن ها به فرایندی به نام تصلب شریان (سخت شدگی سرخرگ ها) مرتبط می شوند. تصلب شریان، حالتی است که زمانی ایجاد می شود که ماده ای به نام پلاک در دیواره های شریان (سرخرگ) ساخته می شود.  این ساخته شدن سبب باریک و تنگ شدن سرخرگ ها شده و جریان خون را سخت تر می کند. این کار می تواند به تشکیل لخته خونی بینجامد که می تواند حمله قلبی (که  انفارکتوس میوکارد (مسدود و بی حرکت شدن ماهیچه قلب) هم خوانده می شود) و سکته قلبی را به دنبال داشته باشد. وقتی حمله قلبی رخ دهد، سرعت تشخیص و تداخل سریع برای نجات جان و زندگی بیمار دارای حمله قلبی و جلوگیری از آسیب قلبی بسیار ضروری و لازم است. امروزه، استفاده از فن آوری کامپیوتر در زمینه پزشکی بسیار افزایش یافته است [2]. استفاده از سیستم های هوشمندی چون شبکه های عصبی، منطق فازی، الگوریتم ژنتیکی و سیستم های عصبی-فازی در کار ها و فعالیت های پزشکی پیچیده و نامشخص مانند تشخیص بیماری ها کمک بسیاری کرده است [3]. طی چند دهه اخیر، شبکه های عصبی و سیستم های فازی به عنوان راه کار های جایگزین سیستم های پردازش اطلاعات هوشمند شهرت یافته اند. هر دو آن ها مزایایی نسبت به روش های کلاسیک و قدیمی دارند؛ به ویژه وقتی داده نامشخص یا دانشی قبلی در کار باشد. اما کاربرد آن ها این عیب را دارد که هر مدل، نقاط ضعف متعددی دارد. در نتیجه ترکیب هایی از شبکه های عصبی و سیستم های فازی مطرح شده که هر دو مدل مکمل هم هستند.  ترکیب عصبی-فازی به سیستم هوشمند مرکبی منتهی می شود که اشتراکی بین این دو تکنیک را با ترکیب سبک استدلال شبه انسانی سیستم های فازی با ساختار یادگیری و ارتباط(پیوندگرای) شبکه های عصبی ایجاد می کند [4]. ایده اساسی ترکیب سیستم های فازی و شبکه های عصبی، طراحی نوعی معماری است که از سیستم فازی برای نمایش دانش به نحو قابل درک و از توانایی یادگیری شبکه عصبی برای بهینه سازی پارامتر هایش استفاده می کند [5]. 

نمونه متن انگلیسی مقاله

Abstract

This work is aimed at providing a neurofuzzy system for heart attack detection. Theneuro-fuzzy system was designed with eight input field and one output field. The input variables are heart rate, exercise, blood pressure, age, cholesterol, chest pain type, blood sugar and sex. The output detects the risk levels of patients which are classified into 4 different fields: very low, low, high and very high. The data set used was extracted from the database and modeled in order to make it appropriate for the training, then the initial FIS structure was generated, the network was trained with the set of training data after which it was tested and validated with the set of testing data. The output of the system was designed in a way that the patient can use it personally. The patient just need to supply some values which serve as input to the system and based on the values supplied the system will be able to predict the risk level of the patient.

I. Introduction

Heart and blood vessel diseases called cardiovascular diseases include numerous problems, many of which are related to a process called atherosclerosis. Atherosclerosis is a condition that develops when a substance called plaque builds up in the walls of the arteries. This build-up narrows the arteries making it harder for blood to flow through. This can cause blood clot formation which can cause a heart attack (also called Myocardial Infarction) or stroke [1]. When a heart attack occurs, the speed of detection and quick intervention is highly essential to save the life of heart attack patient and to prevent heart damage. Nowadays, the use of computer technology in the field of medicine has highly increased [2]. The use of intelligent systems such as neural network, fuzzy logic, genetic algorithm and neuro-fuzzy systems has highly helped in complex and uncertain medical tasks such as diagnosis of diseases [3]. Over the last few decades, neural networks and fuzzy systems have established their reputation as alternative approaches to intelligent information processing systems. Both have certain advantages over classical methods, especially when vague data or prior knowledge is involved. However, their applicability suffered from several weaknesses of the individual models. Therefore, combinations of neural networks with fuzzy systems have been proposed, where both models complement each other. Neuro-fuzzy hybridization results in a hybrid intelligent system that synergizes these two techniques by combining the human-like reasoning style of fuzzy systems with the learning and connectionist structure of neural networks [4]. The basic idea of combining fuzzy systems and neural networks is to design an architecture that uses a fuzzy system to represent knowledge in an interpretable manner and the learning ability of a neural network to optimize its parameters [5].

ترجمه فارسی فهرست مطالب

چکیده

1. مقدمه

2. سیستم تداخل عصبی-فازی سازگار

الف. معماری ANFIS

ب. الگوریتم یادگیری مرکب

3. ابداع و ایجاد مدل عصبی-فازی

4. توصیف داده

5. نتایج و بحث

الف. سیستم تداخل فازی برای تشخیص حمله قلبی

ب. اساس قانون شبیه سازی شده برای تشخیص حمله قلبی

6. نتیجه‌گیری

فهرست انگلیسی مطالب

Abstract

I. Introduction 

II. Adaptative Neuro-Fuzzy Inference System

A. ANFIS Architecture 

B. Hybrid Learning Algorithm

III. Neuro-fuzzy Model Development

IV. Data Description

V. Results and Discussion

A. Fuzzy Inference System for Heart Detection

B. Simulated Rule Base for Heart Attack Detection

VI. Conclusion

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۲۴,۳۰۰ تومان
خرید محصول