view in publisher's site

Optimizing connection weights of functional link neural network using APSO algorithm for medical data classification

Classification is a common problem in various fields of life, and the key challenging task in data mining. The primary objective of the classification process is to classify the given dataset in a defined class label for all data. Many research papers widely used classification in the medical sector. Various researches have been carried out to classify medical data using different techniques, such as High Order Neural Network (HONN) combined with Back-Propagation Neural Network (BPNN) as a learning algorithm. Due to the increased data complexity, the back-propagation algorithm faced problems of slow convergence. The Back-Propagation (BP) using the gradient descent technique has the possibility of getting stuck in local minima. So, the BP algorithm may cause difficulties in finding the global minima of the error function. This paper proposed a high-order Functional Link Neural Network (FLNN). The proposed FLNN model is integrated with a metaheuristic-based searching algorithm called Accelerated Particle Swarm Optimization (APSO). The performance of the proposed Accelerated Particle Swarm Optimization Functional Link Neural Network (APSOFLNN) model is validated with various medical datasets and compared to traditional techniques such as Accelerated Particle Swarm Optimization Functional Link Back-Propagation (APSOFLBP), and Artificial Bee Colony Functional Link Neural Network (ABCFLNN). The simulation results showed that the proposed APSOFLNN algorithm for the used benchmarked datasets shows good results in terms of the mean square error (MSE) and accuracy in comparison to the traditional techniques.

بهینه‌سازی وزن‌های اتصال شبکه عصبی لینک کاربردی با استفاده از الگوریتم APSO برای طبقه‌بندی داده‌های پزشکی

طبقه‌بندی یک مشکل رایج در زمینه‌های مختلف زندگی و یک کار چالش برانگیز کلیدی در داده کاوی است. هدف اولیه فرآیند طبقه‌بندی، طبقه‌بندی مجموعه داده داده‌شده در یک برچسب کلاس تعریف‌شده برای همه داده‌ها است. بسیاری از مقالات تحقیقاتی به طور گسترده در بخش پزشکی مورد استفاده قرار می‌گیرند. تحقیقات مختلفی برای طبقه‌بندی داده‌های پزشکی با استفاده از تکنیک‌های مختلف انجام شده‌است، مانند شبکه عصبی با مرتبه بالا (HONN)همراه با شبکه عصبی با تکثیر معکوس (BPNN)به عنوان یک الگوریتم یادگیری. با توجه به افزایش پیچیدگی داده‌ها، الگوریتم پس انتشار با مشکلات هم‌گرایی آهسته مواجه شد. تکثیر معکوس (BP)با استفاده از تکنیک کاهش گرادیان امکان گیر افتادن در حداقل محلی را دارد. بنابراین، الگوریتم BP ممکن است در یافتن کمینه‌های کلی تابع خطا دچار مشکل شود. این مقاله یک شبکه عصبی پیوندی کارکردی مرتبه بالا (FLNN)را پیشنهاد داده‌است. مدل FLNN پیشنهادی با یک الگوریتم جستجوی فرا ابتکاری به نام بهینه‌سازی ازدحام ذرات تسریع شده (APSO)ادغام شده‌است. عملکرد مدل شبکه عصبی عملکردی لینک (APSOFLNN)با مجموعه داده‌های پزشکی مختلف تایید شده و با تکنیک‌های سنتی مانند بهینه‌سازی متراکم ذرات عملکرد پیوند عقب انتشار (APSOFLBP)و اجتماع زنبور مصنوعی عملکرد شبکه عصبی پیوند (ABCFLNN)مقایسه شده‌است. نتایج شبیه‌سازی نشان داد که الگوریتم APSOFLNN پیشنهادی برای مجموعه داده‌های الگوبردار مورد استفاده نتایج خوبی از نظر میانگین مربع خطا (MSE)و دقت در مقایسه با تکنیک‌های سنتی نشان می‌دهد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله General Computer Science
  • ترجمه مقاله General Computer Science
  • مقاله علوم کامپیوتر عمومی
  • ترجمه مقاله علوم کامپیوتر عمومی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.