کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947448 1439582 2017 23 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multivariate soft repulsive system identification for constructing rule-based classification systems: Application to trauma clinical data
ترجمه فارسی عنوان
شناسایی سیستم های چندرسانه ای ردپا برای ساخت سیستم های طبقه بندی مبتنی بر قاعده: کاربرد اطلاعات بالینی تروما
کلمات کلیدی
سیستم های فازی شناسایی سیستم، تجزیه و تحلیل چند متغیره، خوشه بندی
ترجمه چکیده
سیستم های طبقه بندی مبتنی بر قانون مبتنی بر اصطلاحات زبان شناختی در پیشین و در نتیجه قوانین، قابلیت های تعمیم پذیری کافی ندارند. این مقاله یک الگوریتم شناسایی سیستم چند منظوره ای فازی جدید برای طراحی ساختارهای طبقه بندی مبتنی بر قاعده باینری را از طریق استفاده از نیروهای خللی بین نمونه های خوشه ای برچسب های کلاس های مختلف ارائه می دهد. این رویکرد با قدرت تبعیض بالقوه هر بعد در فضای ویژگی به منظور افزایش پتانسیل تعمیم همراه است. برای مقابله با این مسئله ابتدا نوع چند متغیره یک الگوریتم خوشه بندی نرم افزاری تازه پیشنهاد شده همراه با مبانی ریاضی آن پیشنهاد شده است. بعد، قدرت تبعیض آمیز هر یک از ویژگی های فردی، با استفاده از مقادیر عضویت چند متغیره در الگوریتم خوشه بندی پیشنهادی، برای رسیدن به دقیق ترین درجه شلیک در هر قانون محاسبه می شود. مزیت اصلی این روش این است که با استفاده از مجموعه داده های نامتعادل که مقادیر مثبت واقعی مثبت را به دست می آورند، در حالی که میزان مثبت کاذب را به اندازه کافی پایین نگه داریم، برای جلوگیری از تعصب طبیعی در برابر برچسب های کلاس که تعداد بیشتری از نمونه های آموزش وجود دارد، استفاده شود. برای اعتبارسنجی رویکردهای پیشنهادی، مجموعه ای از آزمایش های عددی روی مجموعه داده های عمومی موجود و یک مجموعه داده واقعی بالینی جمع آوری شده توسط تیم ما انجام شد. نتایج شبیه سازی نشان دهنده دستیابی به اهداف اولیه این پژوهش است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
شناسایی سیستم های چندرسانه ای ردپا برای ساخت سیستم های طبقه بندی مبتنی بر قاعده: کاربرد اطلاعات بالینی تروما
چکیده انگلیسی
Rule-based classification systems constructed upon linguistic terms in the antecedent and consequent of the rules lack sufficient generalization capabilities. This paper proposes a new multivariate fuzzy system identification algorithm to design binary rule-based classification structures through making use of the repulsive forces between the cluster prototypes of different class labels. This approach is coupled with the potential discrimination power of each dimension in the feature space to increase the generalization potential. To address this issue, first the multivariate variant of a newly proposed soft clustering algorithm along with its mathematical foundations is proposed. Next, the discriminatory power of each individual feature is computed, using the multivariate membership values in the proposed clustering algorithm to achieve the most accurate firing degree in each rule. The main advantage of this method is to handle unbalanced datasets yielding superior true positive measure while keeping the false positive rate low enough to avoid the natural bias toward class labels containing larger number of training samples. To validate the proposed approaches, a series of numerical experiments on publicly available datasets and a real clinical dataset collected by our team were conducted. Simulation results demonstrated achievement of the primary goals of this research.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 245, 5 July 2017, Pages 77-85
نویسندگان
, , ,