پرسپترون هاي چندلايه پرش محور به‌منظور مطالعه موردي طبقه بندي بيماري ها در علم پزشكي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي صنايع

كارشناسي ارشد

طيف گسترده‌اي از روشهاي طبقه‌بندي وجود دارد كه تقريبا همه آنها منطق يكساني در فرايندهاي يادگيري خود دارند و از تابع هزينه پيوسته مبتني بر فاصله استفاده مي‌كنند. با اين حال، استفاده از اين نوع از توابع به عنوان تابع هزينه در فرايندهاي يادگيري مدل‌هاي طبقه‌بندي ميتواند نامفيد و يا حداقل ناكافي باشد. از آنجايي كه تابع هدف طبقهبندي، حالت گسسته دارد، بنابراين توسعه يك تابع هزينه كه به صورت غير پيوسته براي يادگيري مسائل طبقهبندي استفاده شود، به دليل وجود سازگاري بيشتر، ممكن است نرخ طبقهبندي را بهبود بخشد. در اين تحقيق، برخلاف تمام فرايندهاي يادگيري پيوسته، يك فرايند مبتني بر يادگيري پرشمحور جديد پيشنهاد شده كه بر روي يك پرسپترون چندلايه براي به‌دست‌آوردن يك طبقه‌بندي هوشمند سازگارتر اجرا مي‌شود. روش كار پرسپترون چندلايه به اين شكل است كه تابع فعالساز سيگمويد خروجي خود را پيوسته در حد فاصل صفر و يك محاسبه ميكند و طبق خروجي، هر ركورد به يك كلاس تعلق ميگيرد. چنان كه ذات طبقهبندي، گسسته بودن است، اگر خروجي به جاي حركت در يك طيف پيوسته، به صورت پرشي مقاديري گسسته اختيار كند و هر ركورد به شكلي به يكي از اين مقادير گسسته بنا بر فاصله كمتر تخصيص داده شود، آنگاه مدل جديدي خلق شده است كه لازمه آن استفاده از توابع هزينه مبتني بر پرش است. براي محك زدن اين مدل جديد از پرسپترون چندلايه بايد مجموعهدادهاي به عنوان محكداده استفاده شود. هر چند جايگاه ارزشمند حوزه سلامت بر كسي پوشيده نيست با اين وجود در ادبيات موضوع استفاده از دادهكاوي در حوزه بهداشت و درمان بر اهميت اين حوزه صحه ميگذارد. دو مجموعهداده مربوط به سرطان سينه و ديابت از دانشگاه ايروين كاليفرنيا براي ارزيابي اين مدل استفاده ميشود. نتايج تجربي مجموعه‌داده‌هاي سرطان سينه تشخيصي موسوم به ويسكانسين و ديابت با نام پيما نشان مي‌دهد كه مدل پرسپترونهاي چندلايه پرش محور پيشنهادي در اين دو مجموعهداده مي‌تواند به ترتيب به نرخ طبقه‌بندي 100.00 درصد و 91.57 درصد دست يابد، در حالي كه نرخ طبقه‌بندي براي مدل سنتي پرسپترونهاي چندلايه پرش محور تنها برابر با 99.47 درصد و 84.62 است؛ بنابراين، مدل پيشنهادي با عنوان پرسپترون چندلايه پرشمحور مي‌تواند يك مدل جايگزين مناسب و كارآمد براي طبقه‌بندي هوشمند در پزشكي باشد، به‌ويژه زماني كه نتايج دقيق‌تر و يا مدل معقول‌تري مورد نياز باشد.

221239

مدل سازي سيستم هاي كلان

مهندسي صنايع و سيستم ها

دانشگاه صنعتي اصفهان