دانلود مقاله ISI انگلیسی شماره 8064 + ترجمه فارسی
عنوان فارسی مقاله

روش طبقه بندی جدید متاهیوریستیک الهام گرفته از خفاش برای داده های میکرو آرایه

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
8064 2012 5 صفحه PDF 8 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
A New Meta-heuristic Bat Inspired Classification Approach for Microarray Data
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Procedia Technology, Volume 4, 2012, Pages 802–806

فهرست مطالب ترجمه فارسی
چکیده
کلمات کلیدی:
1. مقدمه
2. کار مربوطه
3. نمایش شماتیک مدل پیشنهادی
4. شیوه‌ی کار BAT 
شکل 2. خفاش سیگنال صوتی با فرکانس f ارسال می‌کند.
شکل 3. سیگنال اکو برای محاسبه‌ی فاصله S استفاده می‌شود.
4.1 محاسبه فرکانس
4.2 محاسبه فاصله
4.3 به روز رسانی موقعیت خفاش
4.4 به روز رسانی فرکانس f و وزن   پس از تغییر موقعیت خفاش
5. ارزیابی تجربی و نتیجه
6. نتیجه گیری و کارهای آینده
کلمات کلیدی
- الگوریتم خفاش - بهینه سازی ازدحام ذرات - آنیل شبیه سازی شده
ترجمه چکیده
هدف اصلی طبقه بندی کننده‌ها، کشف سطح طبقه‌ی پنهان داده‌های ناشناخته است. مشاهده می‌شود که اندازه داده‌ها، تعداد طبقات و ابعاد فضای مشخصه و تفکیک بین طبقه‌ای بر عملکرد هر طبقه بندی کننده‌ای تاثیر می‌گذارد. مدت زمان مدیدی است که تلاش‌هایی در بهبود بهره وری، دقت و قابلیت اطمینان طبقه بندی کننده‌ها برای طیف گسترده‌ای از برنامه‌های کاربردی انجام می‌شوند. الگوریتم‌های بهینه سازی مختلفی از جمله روش بهینه‌سازی ازدحام ذرات(PSO) و الگوریتم تبرید شبیه‌سازی شده (SA) به منظور افزایش دقت طبقه بندی استفاده شده‌اند. الگوریتم خفاش نیز الگوریتم جستجوی فرا ابتکاری ایست که برای حل مشکل مهندسی چند هدفی استفاده می‌شود. در این مقاله، مدلی برای طبقه بندی با استفاده از الگوریتم خفاش به منظور به روز رسانی طبقه بندی کننده وزن‌های شبکه عصبی مصنوعی ارتباط کارکردی(FLANN) ارائه شده است. الگوریتم خفاش بر اساس رفتار انعکاس صدای خفاش‌ها عمل می کند. مدل پیشنهادی با FLANN، PSO-FLANN مقایسه شده است. شبیه سازی نشان می‌دهد که روش طبقه بندی پیشنهادی برتر و سریع‌تر از FLANN و PSO-FLANN است.
ترجمه مقدمه
تعداد ابعاد زیاد مجموعه داده‌های میکرو آرایه مسئله بسیار مهمی است که باید در زمان طراحی طبقه بندی کننده‌ها در نظر گرفته شود. به منظور کنترل مصیبت تعداد ابعاد زیاد، مجموعه داده‌ها نیاز به پیش پردازش از طریق کاهش مشخصه‌های تکراری و بی ربط دارند. با حذف چنین مشخصه‌ها یا ویژگی‌هایی ما نیز می‌توانیم، محاسبات را کاهش دهیم. تحلیل مولفه های اصلی (PCA) برای پرداختن به مصیبت تعداد ابعاد مجموعه داده‌های میکرو آرایه‌ها استفاده می‌شود. هدف نهایی هر سیستمی، تشخیص الگو به منظور دستیابی به بهترین شکل عملکرد طبقه بندی ممکن برای مشکل دامنه داده شده، است. الگوریتم‌های فرا ابتکاری مانندPSO و SA روش‌های قدرتمندی برای حل بسیاری از مسائل بهینه سازی هستند. تنظیم دقیق پارامترهای تکنیک‌های بالا باعث افزایش دقت طبقه بندی کننده‌ها می‌گردند. در این مقاله، الگوریتم خفاش به منظور به روز رسانی وزن‌های طبقه بندی کننده FLANN استفاده می‌شود. خفاش صوتی با طول موج و فرکانس. خفاش با سرعت v در موقعیت x با فرکانس صوتی مختلف f پرواز می‌کند. خفاش سرعت، جهت و فرکانس خود را بر اساس سیگنال اکوی شنیده شده تنظیم می‌کند. در این مقاله، الگوریتم خفاش فرا ابتکاری جدیدی فرموله شده است و همچنین کلیه شرایط کاری الگوریتم توضیح داده می‌شود. این مقاله بدین ترتیب سازماندهی می‌شود: بخش 2 کار مربوطه را تشریح می‌کند، بخش 3 نمایش شماتیک مدل ارائه شده را نشان می‌دهد، بخش 4 رویه الگوریتم خفاش را در بر می‌گیرد، بخش 5 برآورد تجربی و نتیجه را ارائه می‌کند؛ بخش 6 به نتیجه گیری و کار آتی می‌پردازد.
پیش نمایش مقاله
پیش نمایش مقاله  روش طبقه بندی جدید متاهیوریستیک الهام گرفته از خفاش برای داده های میکرو آرایه

چکیده انگلیسی

The main objective of a classifier is to discover the hidden class level of the unknown data. It is observed that data size, number of classes and dimension of feature space and inter class separability affect the performance of any classifier. For a long time, efforts are made in improving efficiency, accuracy and reliability of classifiers for a wide range of applications. Different optimization algorithms such as Particle Swarm Optimization (PSO) and Simulated Annealing (SA) have been used to enhance the accuracy of classifiers. Bat is also a metaheuristic search algorithm which is use to solve multi objective engineering problem. In this paper, a model has been proposed for classification using bat algorithm to update the weights of a Functional Link Artificial Neural Network (FLANN) classifier. Bat algorithm is based on the echolocation behaviour of bats. The proposed model has been compared with FLANN, PSO-FLANN. Simulation shows that the proposed classification technique is superior and faster than FLANN and PSO-FLANN.

مقدمه انگلیسی

High dimensionality of microarray data sets is a crucial issue to be considered while designing classifiers [5]. To handle the curse of high dimensionality, the data sets need to be pre-processed by reducing the redundant and irrelevant features. By removing such features or attribute we can also reduce the computational complexity. Principal Component Analysis (PCA) is used to deal with curse of dimensionality for micro array data set. The ultimate goal of any pattern recognition system is to achieve the best possible classification performance for a given problem domain. Meta heuristic algorithms like PSO [9][11] and SA are the powerful methods for solving many optimization problems. The fine adjustment of the parameters of the above techniques enhances the accuracy of the classifiers. In this paper, bat algorithm is used to update the weights of a FLANN classifier. Bat emits sound of various wavelength and frequency in the search of prey and direction [1]. Bat flies with velocity v at position x with different sound frequency f. Bat adjusts its velocity, direction and frequency on hearing echo signal. In this paper, a new meta heuristic bat algorithm has been formulated and also the whole working principle of the algorithm is explained. This paper is organized as follows; section 2 describes the related work, section 3 shows the schematic representation of the proposed model, section 4 contains the workingprocedure of bat, section 5 gives the experimental evaluation and result; finally, section 6 deals with conclusion and future work.

نتیجه گیری انگلیسی

In this paper, the bat algorithm successfully formulated and is used to update the weight of the FLANN classifier. Wide knowledge of bats echolocation signals and their specific features results in a good accuracy in FLANN. From the formulation of the bat algorithm, its implementation and comparison it has been observed that it is a very promising algorithm. It is more powerful than PSO. The primary reason is bat algorithm uses a good combination of major advantages of PSO. In future, it can be used for classifier fusion. A natural extension to the current bat algorithm can be used in other engineering application areas.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.