Metaheuristic algorithms to enhance artificial neural network for medical data classification

Bilgisayar donanım teknolojilerinin muazzam büyümesi ve büyük miktarlardaki veri karmaşıklığını çözme yetenekleri, araştırmacıları karmaşık veri madenciliği zorluklarını ve problemlerini aşmaya yöneltmiştir. Tıbbi veri seti sınıflandırması, yapay zeka ve veri madenciliği alanındaki araştırmaların karşılaştığı en önemli ve karmaşık problemlerden birini temsil etmektedir. Farklı hastalıklar ve birden fazla test kullanarak çeşitli teşhis yolları, çok miktarda karmaşık tıbbi veri üretmiştir. Üstelik, klinik merkezler ve hastanelerdeki ve diğer sağlık kurumlarındaki hasta kayıtlarının sayısı, doktorların ve terapistlerin, hastaların kritik koşullarda olup olmadığına veya uzak takiplere ihtiyaç duyulup duyulmadığına bakılmaksızın vakaları araştırmasına yardımcı olmak için gelişmiş ve doğru tıbbi madencilik uygulamalarına ihtiyaç duymaktadır. Bu tez, tıbbi veri madenciliğinin üst üste binen alanları için bir sınıflandırma modelinin doğruluğunu arttırmak için yapay sinir ağı (YSA) ve metaheuristik algoritmaların melezleştirilmesine odaklanmaktadır. Tıbbi tanılarla ilişkili temel problemler, son derece doğru sınıflandırma modellerinin tanımlanmasını içerir. Bu tezin katkıları, ilgili literatürde vurgulanan iki önemli sınıflandırma problemi veya konu etrafında döner. İlk strateji için, YSA yapısı ve optimize edilmiş algoritma arasındaki ilişki kurulmuştur. İkinci strateji için, çeşitlendirme ve yoğunlaşma arasındaki geçiş, optimal küresel çözüm arayışının bir parçası olarak incelenmiştir. Birinci bölümde bir arka plan girişini tartıştık ve ikinci bölümde problem üzerine uygulanan yaklaşımlar hakkında bir literatür taraması yaptık. Bu tezin üçüncü bölümünde, metaheüristik yinelemenin YSA yapısına etkisi tartışılmaktadır. Metaheuristik algoritma yinelemesinin YSA yapısı üzerindeki etkisini iyileştirmek suretiyle önerilen çalışmanın yeniliği gösterilmiştir. YSA, üç farklı metaheuristik algoritma (parçacık sürüsü optimizasyonu PSO, genetik algoritma GA ve havai fişek algoritması FW) kullanılarak geliştirilmiştir. Önerilen modeller beş standart tıbbi kriter ve bir büyük veri tıbbi veri kümesi üzerinde test edilmiştir. Önerilen çalışma başarıyla uygulandı ve dikkate değer sonuçlar elde edildi. Ayrıca, serbest-öğle yemeği teoremi NFLT çalışmanın bağlamında doğrulanır, yani, tüm sorun alanları için hiçbir algoritma evrensel değildir. Bu tezin ileriki bölümü, tıbbi veri sınıflandırmasının en iyi doğruluğunu temsil eden en uygun küresel çözümü elde ederken, keşif ve sömürü arasındaki geçişi araştırmaktadır. Gizli katmanların sayısı ve her katmandaki nöronların sayısı hem ANN öğrenimini etkileyebilir. Böylece, bu tezde kullanılan YSA, yüksek doğrulukta sonuçlara ulaşabilen karmaşık bir yapının seçilmesini içerir; Sonuç olarak, küresel optimum için arama yaparken metaheuristik algoritma verimliliği garanti edilebilir. Diferansiyel evrim algoritması DE ve benzetimli tavlama SA olarak adlandırılan iki meta-yandaş algoritma, problem alan adı için yeni ve geliştirilmiş bir algoritma DESA formüle etmek üzere birleştirilmiştir. Bununla birlikte, son derece hassas iki algoritmanın seçilmesi zorunlu değildir; bunun yerine, kolaylık sağlamak için ampirik testler yapılabilir. Önerilen yöntemin orijinalliği, küresel çözümler ve yoğun olarak kullanılan yerel çözümler için geniş bir alanı araştırmak için arama ve sömürü arasında denge sağlamak üzere, evrimsel metaheuristik algoritma olarak DE ve yörünge algoritması olarak SA'yı birleştirmektedir. DESA yöntemi GA ve DE olan tow evrimsel ile ve SA ve Tabu TS olan iki yörüngeyle karşılaştırıldı. Önerilen yöntem DESA başarıyla uygulandı ve daha iyi sonuçlar elde edildi.