برنامه های کاربردی در طبقه بندی بیماری
ترجمه نشده

برنامه های کاربردی در طبقه بندی بیماری

عنوان فارسی مقاله: برنامه های کاربردی در طبقه بندی بیماری مبتنی بر تجزیه و تحلیل اجزای اصلی کرنل شده (KPCA)- الگوریتم بت بهبود یافته (IBA)- ماشین برداری پشتیبانی حداقل مربعات (LSSVM)
عنوان انگلیسی مقاله: Application in Disease Classification based on KPCA-IBA-LSSVM
مجله/کنفرانس: علوم کامپیوتر پروسیدیا-Procedia Computer Science
رشته های تحصیلی مرتبط: مهندسی کامپیوتر، مهندسی صنایع
گرایش های تحصیلی مرتبط: مهندسی نرم افزار، طراحی و تولید نرم افزار، داده کاوی، مهندسی سیستم های سلامت
کلمات کلیدی فارسی: داده کاوی، الگوریتم بت، تحلیل اجزای اصلی کرنل شده، ماشین برداری پشتیبانی حداقل مربعات
کلمات کلیدی انگلیسی: Data mining; Bat Algorithm(BA), Kernelized Principal Component Analysis (KPCA), Least Square Support Vector Machine(LSSVM
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2019.06.017
دانشگاه: Nanchang Institute of Science & Technology, Nanchang 330108, China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 1.257 در سال 2018
شاخص H_index: 47 در سال 2019
شاخص SJR: 0.281 در سال 2018
شناسه ISSN: 1877-0509
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 8
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E12283
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1-Introduction


2-Kernelized Principal Component Analysis(KPCA)


3-Bat Algorithm(BA)


4-Least Square Support Vector Machine(LSSVM)


5-Summary and Prospect


References

نمونه متن انگلیسی مقاله

Abstract


Data mining technology has important clinical significance for disease classification and prevention. In order to improve the performance of the model and the accuracy of disease classification, this paper proposes KPCA-IBA-LSSVM model. In view of the high dimensionality and nonlinearity of medical data, KPCA is used to reduce dimension. BA algorithm is used to optimize the parameters of LSSVM. At the same time, BA algorithm is easy to fall into local extreme and premature convergence. So this paper improves BA algorithm from three aspects. Finally, in order to verify the validity of the algorithm, this paper uses Breast Cancer, Statlog (Heart) and Heart Disease datasets from UCI machine learning database to validate the model. The simulation results show that the model has achieved better classification accuracy, and the model can also be used for classification and prediction of other diseases. The method proves to have certain feasibility and promotion.


Introduction


In particular, it is of important practical significance for disease prediction, for it will greatly improve the prevention of disease and reduce the incidence of new diseases. Data mining technology is widely used in the medical field, but the model is relatively single and some parameters are set manually. Besides, medical data has the characteristics of wide dimensions, noise, strong coupling and non-linearity, which can not optimize the performance of the model. Therefore, the KPCA-IBA-LSSVM model is proposed to classify diseases. Kernelized principal component analysis is a nonlinear dimensionality reduction method based on kernel technique. Least square support vector machine is an improved algorithm of SVM. It transforms the quadratic programming problem of SVM into the problem of linear equations, which makes the problems easier to solve. In addition, the performance of the classifier is closely related to the selection of parameters.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

برنامه های کاربردی در طبقه بندی بیماری
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها