مقدمه: از آن جایی که کلیه بیمارستان ها اعم از دولتی و خصوصی، هزینه های سنگینی را در بخش بیماری کبد تقبل می کنند، ارایه روشی به منظور پیش بینی بیماری کبد ضرورتی اجتناب ناپذیر است. در این مقاله، مدل ترکیبی بر مبنای الگوریتم بهینه سازی شیرمورچه و k نزدیک ترین همسایه به منظور تشخیص بیماری کبد ارایه می گردد. مواد و روش ها: در این مطالعه توصیفی-تحلیلی یک مدل ترکیبی مبتنی بر الگوریتم های یادگیری ماشین برای طبقه بندی افراد به دو دسته سالم و مبتلا به بیماری کبد طراحی شده است. مدل پیشنهادی با استفاده از نرم افزار MATLAB شبیه سازی شده است. مجموعه داده مورد استفاده در این مقاله، مجموعه داده ILPD موجود در مخزن داده یادگیری ماشین دانشگاه ایروین کالیفرنیا است. این مجموعه داده شامل شامل 583 رکورد مستقل شامل 10 ویژگی برای بیماری کبد است. یافته های پژوهش: داده های این مجموعه پس از پیش پردازش به صورت تصادفی به 20 دسته از کل مجموعه داده تقسیم شدند که شامل داده های آموزش و آزمون متفاوت بودند. در هر دسته داده از 90 درصد داده ها برای آموزش و 10 درصد باقی مانده برای آزمایش استفاده شد. نتایج حاصله در بهترین حالت بر مبنای تمامی ویژگی ها بر اساس درصد صحت برابر با 23/95 درصد و بر مبنای معیارهای ویژگی و حساسیت درصد صحت به ترتیب برابر 95/93 درصد و 11/94 درصد می باشد. هم چنین درصد صحت مدل پیشنهادی با 5 ویژگی برابر با 63/98 درصد می باشد. بحث و نتیجه گیری: مدل پیشنهادی به منظور تشخیص و طبقه بندی بیماری کبد با دقت بالای 90 درصد پیشنهاد گردید. نتایج حاصل از این مقاله می تواند برای مراکز درمانی و پزشکان مفید واقع شود.

مقدمه: قلب یکی از ارگان های اصلی بدن انسان است و سالم نبودن آن عامل مهمی در مرگ ومیر انسان ها است. بیماری قلبی ممکن است بدون علامت باشد اما می توان از طریق آزمایش های پزشکی این نوع بیماری را پیش بینی و تشخیص داد. تشخیص بیماری قلبی به تجربیات زیاد پزشکان متخصص نیاز دارد. هدف مطالعه حاضر، تشخیص بیماری قلبی به منظور کمک به پزشکان برمبنای ترکیب الگوریتم بهینه سازی ملخ دودویی و k نزدیک ترین همسایه است. از الگوریتم بهینه سازی ملخ دودویی برای انتخاب ویژگی ها و از الگوریتم K نزدیک ترین همسایه برای طبقه بندی استفاده شده است. روش ها: این مطالعه از نوع توصیفی-تحلیلی بود. . در این مطالعه، پرونده پزشکی 270 بیمار در حوزه بیماری قلبی با تعداد 13 ویژگی بررسی شد. تعداد بیماران مبتلا برابر با 120 و فقدان بیماری برابر با 150 بود، لذا مجموعه داده در حالت متوازن است. اطلاعات بیماران از پایگاه داده استاندارد UCI استخراج شد. ارزیابی مدل پیشنهادی در شبیه سازی MATLAB انجام شد. یافته ها: با توجه به ارزیابی های انجام شده بر روی روش پیشنهادی، درصد صحت برابر با 8/89، درصد حساسیت برابر با 6/89 و درصد ویژگی برابر با 4/90 به دست آمد که در مقایسه با نتایج مطالعات انجام شده در حوزه بیماری قلبی، دقت به دست آمده روش پیشنهادی، قابل قبول است. همچنین، درصد صحت روش پیشنهادی برمبنای هفت ویژگی (Age, Sex, Chest Pain, BP, Electrocardiographic, Angina, Thallium) برابر با 3/90 درصد به دست آمد. نتیجه گیری: با توجه به نتایج حاصل از این مطالعه، برای تشخیص بیماری قلبی، روش پیشنهادی در تشخیص بیماری و انتخاب ویژگی های مهم نسبت به روش های قبلی بهتر عمل کرده است.

در این مقاله، یک سنسور مایکروویو باند k برای پایش پره توربین شبیه سازی و در نرم افزار CST بهینه سازی شده است و با استفاده از یک مدل ساده شده توربین در نرم افزار CST اثر قرار دادن سنسور در بدنه توربین بررسی شده است و چنانچه هر تغییر شکل در نوک تیغه و یا جابجایی در فاصله مابین نوک تیغه تا پوسته انجام گردد پارامتر پراکندگی این سنسور تغییر می کند و پارامتر پراکندگی بدست آمده از سنسور به عنوان اثر انگشت تیغه توربین تعریف می شود. در این مقاله شاخص های اندازه گیری مبتنی بر پارامترهای پراکندگی میدان نزدیک سنسور مایکروویو بعنوان سیستم تشخیص خرابی نوک تیغه و همچنین الگوریتم کلاسه بندی k-NN برای تفسیر پارامترهای پراکندگی قابل اندازه گیری به منظور تعیین مقدار خرابی بعنوان روشی جدید برای پایش پره توربین ارایه گردیده است. مزیت این روش پایش برخط پره توربین با استخراج کامل شاخص های اندازه گیری ناشی از پارامترهای پراکندگی یک پره نمونه بوده و نشان داده شده است که روش طبقه بندی k-NN دقت قابل قبولی در شناسایی و تعیین مقدار فاصله نوک پره توربین از پوسته و تغییر شکل نوک پره دارد چراکه در این روش درصد خطا می تواند به زیر 1. 8 درصد برسد.

مقدمه: دیابت یا بیماری قند یک اختلال متابولیک سوخت و سازی در بدن است که توانایی تولید انسولین در بدن از بین می رود و انسولین تولیدی نمی تواند عملکرد طبیعی خود را انجام دهد. وجود علائم و ویژگی های مختلف این بیماری، تشخیص را برای پزشکان دشوار می کند. داده کاوی امکان تحلیل داده های بالینی بیماران برای تصمیم گیری های پزشکی را فراهم می کند. هدف این پژوهش، ارائه یک مدل برای افزایش دقت پیش بینی دیابت است. روش: در این مطالعه، پرونده پزشکی 1151 بیمار مبتلا به دیابت با تعداد 19 ویژگی مورد بررسی قرار گرفت. اطلاعات بیماران از پایگاه داده استاندارد UCI جمع آوری شد. هر یک از بیماران حداقل به مدت یک سال تحت پیگیری بودند. به منظور ارائه مدل پیش بینی دیابت از الگوریتم ژنتیک و نزدیک ترین همسایه استفاده شد. نتایج: نتایج نشان داد که دقت پیش بینی مدل پیشنهادی برابر با 0/76 بود. همچنین برایروش های نایو بیز، شبکه عصبی پرسپترون چند لایه و ماشین بردار پشتیبان دقت پیش بینی به ترتیب برابر با 0/62، 0/65 و 0/75 به دست آمد. نتیجه گیری: در پیش بینی دیابت، مدل پیشنهادی نسبت به سایر مدل های مورد مقایسه، دارای حداقل میزان خطا و بیش ترین دقت و صحت است. روش نایو بیز، حداکثر میزان خطا و کم ترین دقت را دارا می باشد.

متن کامل این مقاله به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.   لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.

در حال حاضر بهره برداری از اکثر سدهای مخزنی کشور در شرایط سیلابی به صورت تجربی می باشد و عملا دستورالعمل مدونی برای تعیین میزان خروجی در زمان وقوع سیلاب خصوصا در حوزه های فاقد سیستم هشدار و پیش بینی سیلاب وجود ندارد. در این تحقیق سعی شده است با توجه به سابقه سیلاب های به وقوع پیوسته در سیستم رودخانه- مخزن کارون، بهینه سازی بهره برداری از سد شهید عباسپور به نوعی صورت گیرد که میزان تجاوز دبی خروجی از دبی سالم رودخانه پایین دست حداقل شود. به منظور تعیین خروجی های مخزن در شرایط سیلابی از مدل الگوریتم ژنتیک که به همین منظور تدوین شده، استفاده شده است. تابع هدف این مدل به صورت پارامتری در نظر گرفته شده بدین معنی که نسبت خسارت با توجه به میزان تجاوز جریان از حد مجاز توسط مدل تعیین می شود. کارایی مدل ژنتیک با سیلاب های تاریخی و سیلاب های بازسازی شده با دوره بازگشت 50 ساله بررسی شده است. خروجی مدل الگوریتم ژنتیک با استفاده از روش –K نزدیکترین همسایه (K-NN) جهت تدوین سیاست های بهره برداری در زمان سیلاب استفاده شده و نتایج آن با معادله رگرسیون خطی برای شبیه سازی مقایسه شده است. نتایج به دست آمده از این دو مدل بیانگر کارایی آنها در تدوین سیاست بهره برداری از سد درزمان وقوع سیلاب می باشد.

لطفا برای مشاهده چکیده به متن کامل (PDf) مراجعه فرمایید.

در مدل هایی که به پیش بینی فرآیندهای حاکم در محیط خاک می پردازند، دانستن جرم ویژه ظاهری خاک به عنوان یک پارامتر ورودی، لازم است. رویکردهای غیرپارامتریک در جنبه های مختلفی برای تخمین متغیرهای پیوسته به کار رفته اند. در این پژوهش نوعی از الگوریتم های غیرپارامتریک از نوع یادگیرنده های تنبل موسوم به k- نزدیک ترین همسایه، برای تخمین جرم ویژه ظاهری خاک با استفاده از دیگر ویژگی های کمکی آن شامل توزیع اندازه ذرات خاک، pH خاک، هدایت الکتریکی عصاره اشباع خاک (EC)، درصد اشباع خاک (SP)، درصد کربن آلی خاک (OC) و مقدار آهک به کار گرفته شد. بر اساس تکنیک cross validation برای تخمین جرم ویژه ظاهری هر نمونه خاک هدف، هشت نمونه خاک که حداکثر تشابه به خاک هدف را داشتند، از بانک مرجع که حاوی 136 نمونه خاک بود، انتخاب و مقدار جرم ویژه ظاهری آنها برآورد شد. استفاده از آماره های ضریب هم بستگی پیرسون (0.86=r)، خطای ماکزیمم (0.15=ME)، ریشه میانگین مربعات خطا (2.5=RMSE)، ضریب تبیین (1.3=CD)، کارآیی مدل (0.75=EF) و ضریب جرم باقی مانده (0.001=CRM) نشان داد که در اکثر موارد این تکنیک به صورت قابل قبول توانمند است. بر این اساس، می توان نتیجه گیری کرد که استفاده از این تکنیک به عنوان روشی جایگزین برای اشتقاق توابع انتقالی خاک، به ویژه زمانی که فراهمی داده های جدید، نیاز به اشتقاق مجدد این توابع را الزام آور می کند، می تواند به کار رود.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.