چکیده مقاله
یک شبکه عصبی فازی باارتباطات حافظه برای طبقه بندی و ارتباطات وزنی برای گزینش بیماری تیروئید ارایه شده است که بطور همزمان مشکلات عمده درتشخیص الگو را درمدل LVQ ارایه شده درحل می نماید: طبقه بندی الگو و انتخاب ویژگی شبکه پیشنهادی درتلاش است تاویژگیهای مهم دربین ویژگیهای اغازین محتمل و قابل پذیرش ارایه شده را انتخاب نماید درحالیکه ماکزیمم نرخ و میزان تشخیص را حفظ نمایدمقدارحاصله ارتباط وزنی درجه اهمیت ویژگی را نمایش میدهد به علاوه دانش حاصله توسط شبکه به صورت مجموعه ای ازقوانین قابل تفسیر قابل تشریح می باشد میزان تاثیر این روش جدید بااستفاده ازUCI Machine Learning Repository تایید شده است نتایج عبارتنداز: استفاده ازدوویژگی انتخاب شده باروش ما دربین نتایج چهارشبکه اصلی پیشنهاد شده درعملکرد طبقه بندی کننده مشابه مجازی و دوم طبقه بندی کننده ساخته شده توسط سه قانون ساده که ازنوع اگر ـ سپس می باشند تشریح شده اند
کلیدواژهها
نویسندگان
بابک کاوسی نیا
دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه آزاد اسلامی واحد بوشهر
مرضیه دادور
دانشجوی دکتری هوش مصنوعی دانشگاه علوم و تحقیقات واحد تهران
سحر ریاحی
دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه آزاد اسلامی واحد بوشهر
صدیقه محمدی
دانشجوی کارشناسی ارشد هوش مصنوعی دانشگاه آزاد اسلامی واحد بوشهر
شیوه ارجاع
کاوسی نیا، بابک و دادور، مرضیه و ریاحی، سحر و محمدی، صدیقه،1394،بهبود تشخیص بیماری تیروئید با استفاده از شبکه عصبی خود سازمانده LVQ و منطق فازی،کنفرانس بین المللی یافته های نوین پژوهشی درمهندسی برق و علوم کامپیوتر،تهران
ارائهشده در
مجموعه مقالات سومین کنفرانس ملی محاسبات نرم علوم مهندسی در صنعت و جامعه1 اسفند 1402 · ایرانشهر