مقاله انگلیسی رایگان در مورد برنامه های کاربردی در طبقه بندی بیماری – الزویر ۲۰۱۹

مقاله انگلیسی رایگان در مورد برنامه های کاربردی در طبقه بندی بیماری – الزویر ۲۰۱۹

 

مشخصات مقاله
ترجمه عنوان 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
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۸ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۱٫۲۵۷ در سال ۲۰۱۸
شاخص H_index ۴۷ در سال ۲۰۱۹
شاخص SJR ۰٫۲۸۱ در سال ۲۰۱۸
شناسه ISSN ۱۸۷۷-۰۵۰۹
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی کامپیوتر،مهندسی فناوری اطلاعات، مهندسی صنایع
گرایش های مرتبط مهندسی نرم افزار، طراحی و تولید نرم افزار، داده کاوی، مهندسی سیستم های سلامت
نوع ارائه مقاله
ژورنال و کنفرانس
مجله / کنفرانس علوم کامپیوتر پروسیدیا – Procedia Computer Science
دانشگاه  Nanchang Institute of Science & Technology, Nanchang 330108, China
کلمات کلیدی  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
شناسه دیجیتال – doi
https://doi.org/10.1016/j.procs.2019.06.017
کد محصول  E12283
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract

۱٫ Introduction

۲٫ Kernelized Principal Component Analysis(KPCA)

۳٫ Bat Algorithm(BA)

۴٫ Least Square Support Vector Machine(LSSVM)

۵٫ Summary and Prospect

References

 

بخشی از متن 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.

برچسب ها

ثبت دیدگاه