Classification on breast cancer using genetic algorithm trained neural network

Yapay sinir ağları, son on yılda kontrol uygulamalarında karmaşık dinamikleri üretme konumunda, özellikle de geri bildirime bağlı olduklarında olmuştur. YSA'lar ağ tasarımı için güçlü olsa da, ağın tasarımı ne kadar zorsa, istenen dinamik o kadar karmaşıktır. Birçok araştırmacı, bilgisayar programları kullanarak YSA'nın tasarım sürecini otomatikleştirmeye çalıştı. Arama ve optimizasyon problemleri, bir problemi çözmek için bir ağ için ayarlanmış en iyi parametreyi bulma problemi olarak düşünülebilir. Son zamanlarda, farklı araştırma veri kümelerini eğitmek için ANN parametrelerini optimize etme sorunu, yaygın olarak kullanılan iki stokastik genetik algoritma (GA) ile hedeflenmiştir. Sinir ağına dayanan süreç, robotun karmaşık görevleri yapmasını sağlamak için GA ile optimize edilmiştir. Bununla birlikte, YSA eğitim sürecini optimize etmek için bu tür optimizasyon algoritmalarını kullanmak her zaman dengeli veya başarılı olamaz. Bu algoritmalar aynı anda bir YSA'nın üç ana bileşenini geliştirmeyi amaçlar: her bir nöron için ayarlanmış sinaptik ağırlık, bağlantılar, mimari ve aktarım işlevleri. Önerilen yaklaşımla geliştirilen YSA, el tasarımlı Levenberg-Marquardt ve Sırt Yayılım algoritmalarıyla da karşılaştırılmıştır.