تبریک به آقایان دکتر موسوی میرکلایی و مهندس افراخته
| تاریخ ارسال: 1398/11/27 |
شرح مساله: همواره در یک سیستم تشخیصی، استخراج ویژگی و طبقه بندی دو مرحله حیاتی است، به طوری که عملکرد بهتر سیستم مبتنی بر تصمیم عمدتاً وابسته به روش های به کار رفته در این مراحل است. در فرآیند استخراج ویژگی، این نکته مطرح می شود که برای بهینه سازی عملکرد یک سیستم تشخیصی باید به اندازه کافی اطلاعات و ویژگی داشته باشیم. از طرف دیگر تعداد زیاد این ویژگی ها، پیچیدگی سیستم را افزایش داده و از نظر سخت افزاری نیز پر هزینه خواهد بود. بنابراین، در این پژوهش این ایده مطرح شد که ویژگی هایی که اطلاعات مفید اضافی ندارند و فقط باعث افزایش پیچیدگی سیستم می شوند، حذف شوند. در بخش طبقه بندی از شبکه های عصبی ساده استفاده کردیم، لذا آموزش وزن ها و حد آستانه های آن یک مسئله جدی است. با بکارگیری روش پس انتشار خطا و گرادیان نزولی، به دلیل مبتنی بر مشتق بودن، امکان گیر کردن در تله های محلی وجود دارد و این باعث می شود مقادیر بهینه وزن ها و حد آستانه ها برای شبکه مورد بررسی در فاز طبقه بندی حاصل نشود و در نهایت منجر به دقت قابل قبولی نمی گردد. بنابراین برای تعیین این مقادیر نیاز به یک الگوریتم قدرتمند احساس می شود. الگوریتم پیشنهادی: در این مطالعه یک الگوریتم بهینه سازی جدید Mo-PSO پیشنهاد شده است. هدف از ارائه این الگوریتم، بهبود دقت طبقه بندی با سرعت همگرایی قابل قبول است. ارزیابی: الگوریتم پیشنهادی ابتدا بر روی توابع استاندارد مختلف با یک (unimodal) و چند نقطه بهینه (multimodal) اعمال شده است. هدف از این آزمایشات، نشان دادن قدرت الگوریتم پیشنهادی در یافتن و یا حداقل نزدیک شدن به بهینه سراسری است. نتایج این آزمایشات نشان دادند که روش پیشنهادی با سرعت همگرایی قابل قبولی دارای کارآیی بسیار بهتری نسبت به سایر الگوریتم های تکاملی است. این روش پیشنهادی سپس در مرحله انتخاب ویژگی (آزمایش تشخیص صرع مبتنی بر سیگنال های الکتروآنسفالوگرافی (EEG)) برای انتخاب ویژگی های بهینه و در مرحله طبقه بندی (طبقه بندی تصورات حرکتی مبتنی بر سیگنال های EEG)، برای آموزش شبکه عصبی (NN) برای دستیابی به عملکرد بهینه بکار گرفته شد. نتایج حاصله حاکی از عملکرد بسیار دقیق روش پیشنهادی در دو بخش مورد بررسی در سیستم تشخیصی است.
روش پیشنهادی از نظر سرعت نیز مناسب بوده و باعث کاهش پیچیدگی سیستم شده است. این مطالعه می تواند قدم بزرگی برای استفاده بیشتر از روش های مبتنی بر الگوریتم های تکاملی در سیستم های مبتنی بر تصمیم پزشکی باشد.
.jpg)
.jpg)
.jpg)