روش طبقه بندی جدید متاهیوریستیک الهام گرفته از خفاش برای داده های میکرو آرایه

[toggle title=”عنوان انگلیسی”]

A New Meta-heuristic Bat Inspired Classification Approach for Microarray Data

[/toggle]

[toggle title=”فهرست مطالب”]

[/toggle]

[toggle title=”ترجمه چکیده”]

هدف اصلی طبقه بندی کننده‌ها، کشف سطح طبقه‌ی پنهان داده‌های ناشناخته است. مشاهده می‌شود که اندازه داده‌ها، تعداد طبقات و ابعاد فضای مشخصه و تفکیک بین طبقه‌ای بر عملکرد هر طبقه بندی کننده‌ای تاثیر می‌گذارد. مدت زمان مدیدی است که تلاش‌هایی در بهبود بهره وری، دقت و قابلیت اطمینان طبقه بندی کننده‌ها برای طیف گسترده‌ای از برنامه‌های کاربردی انجام می‌شوند. الگوریتم‌های بهینه سازی مختلفی از جمله روش بهینه‌سازی ازدحام ذرات(PSO) و الگوریتم تبرید شبیه‌سازی شده (SA) به منظور افزایش دقت طبقه بندی استفاده شده‌اند. الگوریتم خفاش نیز الگوریتم جستجوی فرا ابتکاری ایست که برای حل مشکل مهندسی چند هدفی استفاده می‌شود. در این مقاله، مدلی برای طبقه بندی با استفاده از الگوریتم خفاش به منظور به روز رسانی طبقه بندی کننده وزن‌های شبکه عصبی مصنوعی ارتباط کارکردی(FLANN) ارائه شده است. الگوریتم خفاش بر اساس رفتار انعکاس صدای خفاش‌ها عمل می کند. مدل پیشنهادی با FLANN، PSO-FLANN مقایسه شده است. شبیه سازی نشان می‌دهد که روش طبقه بندی پیشنهادی برتر و سریع‌تر از FLANN و PSO-FLANN است.

[/toggle]

[toggle title=”ترجمه مقدمه”]

تعداد ابعاد زیاد مجموعه داده‌های میکرو آرایه مسئله بسیار مهمی است که باید در زمان طراحی طبقه¬بندی کننده‌ها در نظر گرفته شود. به منظور کنترل مصیبت تعداد ابعاد زیاد، مجموعه داده‌ها نیاز به پیش پردازش از طریق کاهش مشخصه‌های تکراری و بی ربط دارند. با حذف چنین مشخصه‌ها یا ویژگی‌هایی ما نیز می‌توانیم، محاسبات را کاهش دهیم. تحلیل مولفه¬های اصلی (PCA) برای پرداختن به مصیبت تعداد ابعاد مجموعه داده‌های میکرو آرایه‌ها استفاده می‌شود. هدف نهایی هر سیستمی، تشخیص الگو به منظور دستیابی به بهترین شکل عملکرد طبقه¬بندی ممکن برای مشکل دامنه داده شده، است. الگوریتم‌های فرا ابتکاری مانندPSO و SA روش‌های قدرتمندی برای حل بسیاری از مسائل بهینه سازی هستند. تنظیم دقیق پارامترهای تکنیک‌های بالا باعث افزایش دقت طبقه¬بندی کننده‌ها می‌گردند. در این مقاله، الگوریتم خفاش به منظور به روز رسانی وزن‌های طبقه¬بندی کننده FLANN استفاده می‌شود. خفاش صوتی با طول موج و فرکانس. خفاش با سرعت v در موقعیت x با فرکانس صوتی مختلف f پرواز می‌کند. خفاش سرعت، جهت و فرکانس خود را بر اساس سیگنال اکوی شنیده شده تنظیم می‌کند. در این مقاله، الگوریتم خفاش فرا ابتکاری جدیدی فرموله شده است و همچنین کلیه شرایط کاری الگوریتم توضیح داده می‌شود. این مقاله بدین ترتیب سازماندهی می‌شود: بخش 2 کار مربوطه را تشریح می‌کند، بخش 3 نمایش شماتیک مدل ارائه شده را نشان می‌دهد، بخش 4 رویه الگوریتم خفاش را در بر می‌گیرد، بخش 5 برآورد تجربی و نتیجه را ارائه می‌کند؛ بخش 6 به نتیجه گیری و کار آتی می‌پردازد.

[/toggle]

[toggle title=”مقدمه انگلیسی”]

High dimensionality of microarray data sets is a crucial issue to be considered while designing classifiers [5]. To handle the curse of high dimensionality, the data sets need to be pre-processed by reducing the redundant and irrelevant features. By removing such features or attribute we can also reduce the computational complexity. Principal Component Analysis (PCA) is used to deal with curse of dimensionality for micro array data set. The ultimate goal of any pattern recognition system is to achieve the best possible classification performance for a given problem domain. Meta heuristic algorithms like PSO [9][11] and SA are the powerful methods for solving many optimization problems. The fine adjustment of the parameters of the above techniques enhances the accuracy of the classifiers. In this paper, bat algorithm is used to update the weights of a FLANN classifier. Bat emits sound of various wavelength and frequency in the search of prey and direction [1]. Bat flies with velocity v at position x with different sound frequency f. Bat adjusts its velocity, direction and frequency on hearing echo signal. In this paper, a new meta heuristic bat algorithm has been formulated and also the whole working principle of the algorithm is explained. This paper is organized as follows; section 2 describes the related work, section 3 shows the schematic representation of the proposed model, section 4 contains the workingprocedure of bat, section 5 gives the experimental evaluation and result; finally, section 6 deals with conclusion and future work.

[/toggle]

[toggle title=”منبع”]

Journal : Procedia Technology, Volume 4, 2012, Pages 802–806
Publisher : Science Direct (Elsevier)

[/toggle]

[aio_button align=”none” animation=”none” color=”red” size=”small” icon=”none” text=”انجام مقاله علمی پژوهشی و ISI در این زمینه” target=”_blank” relationship=”dofollow” url=”http://payannameha.ir/?p=796″]

[aio_button align=”none” animation=”none” color=”orange” size=”small” icon=”none” text=”دریافت سایر مقالات در این زمینه” target=”_blank” relationship=”dofollow” url=”http://payannameha.ir/?page_id=297″]

[aio_button align=”none” animation=”none” color=”blue” size=”small” icon=”none” text=”انجام پایان نامه در این حوزه” relationship=”dofollow” url=”http://payannameha.ir/?page_id=3206″]

[aio_button align=”none” animation=”none” color=”pink” size=”small” icon=”none” text=”انجام پروپوزال در این حوزه” target=”_blank” relationship=”dofollow” url=”http://payannameha.ir/?page_id=3206″]

فایل مقاله : 5 صفحه PDF

فایل ترجمه : 8 صفحه WORD

سال انتشار : 2012

جهت خرید فایل مقاله و ترجمه فارسی آن بر روی دکمه زیر کلیک نمایید: