عنوان محصول: خوشه بندی ابرجعبه ای با روش بهینه سازی کلونی مورچه (HACO) و کاربرد آن در تشخیص وضعیت ریسک پزشکی

دسته‌بندی: مقالات ترجمه شده رشته کامپیوتر

تاریخ انتشار: دوشنبه 17 آبان 1395

خوشه بندی ابرجعبه ای با روش بهینه سازی کلونی مورچه (HACO) و کاربرد آن در تشخیص وضعیت ریسک پزشکی

توضیحات مختصر: روش خوشه بندی HACO (خوشه بندی ابرجعبه ای با بهینه سازی کلونی مورچه) برای طبقه بندی داده های برچسب گذاری نشده با استفاده از ابرجعبه ها و متاهیوریستیک کلونی مورچه پیشنهاد می شود. اطلاعات توپولوژیکی (مربوط به طبقه بندی) داده ها را هنگام جستجو در فضای جستجوی کوچک تایید می کند و نتایج را با دقت بالا در ز...

خوشه بندی ابرجعبه ای با روش بهینه سازی کلونی مورچه (HACO) و کاربرد آن در تشخیص وضعیت ریسک پزشکی

قیمت : 22000 تومان

تخفیف: 2000 تومان

قیمت نهایی: 20000 تومان

917 بازدید

کد مقاله: TTC- 1- 110

نوع فایل : docx

خرید و دانلود

Journal: Elsevier

Hyperbox clustering with Ant Colony Optimization (HACO) method and its application to medical risk profile recognition

Abstract

A clustering method, called HACO (Hyperbox clustering with Ant Colony Optimization), is proposed for classifying unlabeled data using hyperboxes and an ant colony meta-heuristic. It acknowledges the topological information (inherently associated to classification) of the data while looking in a small search space, providing results with high precision in a short time. It is validated using artificial 2D data sets and then applied to a real medical data set, automatically extracting medical risk profiles, a laborious operation for doctors. Clustering results show an improvement of 36% in accuracy and 7 times faster processing time when compared to the usual ant colony optimization approach. It can be further extended to hyperbox shape optimization (fine tune accuracy), automatic parameter setting (improve usability), and applied to diagnosis decision support systems.

Keywords: Clustering; Ant colony; Hyperbox; Optimization; Pattern recognition

چکیده

روش خوشه بندی HACO (خوشه بندی ابرجعبه ای با بهینه سازی کلونی مورچه) برای طبقه بندی داده های برچسب گذاری نشده با استفاده از ابرجعبه ها و متاهیوریستیک کلونی مورچه پیشنهاد می شود. اطلاعات توپولوژیکی (مربوط به طبقه بندی) داده ها را هنگام جستجو در فضای جستجوی کوچک تایید می کند و نتایج را با دقت بالا در زمان کوتاه برمی گرداند. با استفاده از مجموعه داده های دوبعدی مصنوعی معتبرسازی می شود و سپس به مجموعه داده پزشکی واقعی اعمال می شود، بطور خودکار وضعیت های ریسک پزشکی را که یک عمل دشوار برای پزشکان است، استخراج می کند. نتایج خوشه بندی، بهبود 36 درصدی در صحت نشان می دهند و در مقایسه با راهکار بهینه سازی کلونی مورچه معمول، زمان پردازش 7 برابر سریعتر دارند که می تواند به بهینه سازی شکل ابرجعبه (صحت تنظیم دقیق)، تنظیم پارامتر خودکار (بهبود قابلیت استفاده) بسط یافته و برای سیستم های پشتیبانی از تصمیم تشخیص بکار گرفته شود.

کلمات کلیدی: خوشه بندی، کلونی مورچه، ابرجعبه، بهینه سازی، تشخیص الگو