دانلود شبیه سازی مقاله پیش بینی چند جمله ای نورون ها برای تشخیص سرطان سینه

کاربرد شبکه عصبی در تشخیص سرطان سینه

هر ساله، پژوهش های تشخیص الگو با توسعه فنون نوین یا پالایش فنون موجود، پیشرفت می کنند. قطعاً، اکثر فنون معمول، از یک شبکه عصبی استفاده می کنند که از تعدادی نورون های پنهان درون یک یا چند لایه پنهان برای مسائل دسته بندی، استفاده می کنند. اگرچه روش های ابتکاری مختلف برای تعیین تعداد نورون های این قوانین وجود دارند، اما هیچ تضمینی نمی کنند که یک پیکربندی بهینه استفاده شود و باعث عملکرد بالقوه غیربهینه شود. این قوانین، به صورت post hoc ارزیابی می شوند، که این می تواند بدان معنا باشد که یک روش ad hoc برای آموزش دادن بکار گرفته می شود و هزینه آموزش افزایش می یابد. در حالت ایده آل، از مکانیزمی استفاده می کنیم که به ما توانایی تعریف یک دامنه یا کران برای انتخاب نورون ها را می دهد تا:

• اعتماد به انتخابمان بوجود بیایید.
• زمان آموزش غیرضروری کاهش یابد.
• نتایج بیشتر یا دقیقتری حاصل شود.
• توسعه شبکه های نوین جدید تسهیل شود و
• افزودن آسان تر (باز آموزش) دانش جدید به یک دسته بندی کننده، ممکن شود.

در بعضی موارد، پژوهشگران تعیین کرده اند که یافتن پیکربندی بهینه، بسیار دشوار است و روش های پیچیده تر یا پرهزینه تر از نظر محاسباتی فراتر از میزان نیاز، برای بدست آوردن دقت بهتر، پیاده سازی می کنند. درحالی که این قطعاً قابل توجیه است، و در آن مرز تصمیم در فضای ویژگی برای فنون دیگر برای مدل سازی آسان آن بسیار پیچیده است، اما قطعاً ایده آل نیست. الزام برای تعیین بهینه ترین پیکربندی، اکنون نسبت به گذشته، اجباری تر است که این بخاطر افزایش اندازه مجموعه داده ها و حجم داده های مدنظر جهت تحلیل می باشد. این پژوهش، مکانیزمی برای تعیین بهترین تعداد نورون ها در شبکه عصبی تغذیه مستقیم برای بیشینه سازی دقت، ارزیابی می کند. این کار در زمینه یک مسئله واقعی تشخیص سرطان سینه، انجام می شود. با اینکه، هدف اصلی تولید دسته بندی کننده های بسیار دقیق است، اما این کار با پیش بینی تعداد نورون ها برای یک توپولوژی شبکه خاص (برای مثال، گشتاور، تکرار) برای دسته کننده های شبکه عصبی تغذیه مستقیم، انجام می شود.

یک روش نوین برای پیش بینی بهترین تعداد نورون ها در دسته بندی کننده های شبکه عصبی را پیشنهاد و ارزیابی کرده ایم. دقت 86% (60 نورون) در پایگاه داده DDSM و 89.17% (41 نورن) در مجموعه داده UCI، حاصل شد. دقت دسته بندی در کران های پایین و بالای برآورد شده برای هر مجموعه داده، پیش بینی شد. بنابراین، رگرسیون چندجمله ای، یک روش پیش بینی کننده خوب برای این دو مجموعه داده، بود.

این شبیه سازی با استفاده از نرم افزار متلب (MATLAB) انجام شده و در ادامه نیز تصویری از خروجی آن قرار داده شده است: