دانلود ترجمه مقاله متد طبقه بندی ریسک بیماری پسوریازیس مولتی کلاس (ساینس دایرکت – الزویر ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۱۴ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۲۸ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۶
تعداد صفحات مقاله انگلیسی	۱۴ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	پزشکی و مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	هوش مصنوعی و پوست و مو
مجله	پردازش و کنترل سیگنال زیست پزشکی – Biomedical Signal Processing and Control
دانشگاه	گروه مهندسی برق، موسسه ملی فناوری، هند
کلمات کلیدی	درماتولوژی، بیماری پوستی پسوریازیس، مشخصات رنگی، مشخصات بافتی، یادگیری ماشین، چندطبقه یا مولتی کلاس
شناسه شاپا یا ISSN	ISSN ۱۷۴۶-۸۰۹۴
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

چکیده
۱٫مقدمه
۲٫روش کار
۲٫۱ اکتساب و اماده سازی داده ها
۲٫۲ مشخصات رنگ
۲٫۳ مشخصات بافت سیاه سفید (GS)
۲٫۳٫۱ مشخصات GS براساس آماری
۲٫۳٫۲ ویژگی های بافت GS براساس HOS
۲٫۴ انتخاب ویژگی
۲٫۵ طبقه بندی خطرات
۳٫ نتایج
۳٫۱ آنالیز عملکرد سیستم Pras به منظور اعتبار سنجی فرضیه های ۱، ۲ و ۳
۳٫۲ شواهد ثبات سیستم برای اعتبارسنجی فرضیه ۴
۳٫۳ نمایش تصویری ضایعات چنددرجه ای مقادیر ویژگی ها
۳٫۴ ارزیابی عملکرد
۳٫۴٫۱ شاخص قابلیت اطمینان
۳٫۴٫۲ قدرت حفظ ویژگی
۳٫۴٫۳ اثر تجمعی ویژگی ها
۴٫ بحث
۴٫۱ سیستم ما
۴٫۲ بررسی مختصر
۴٫۳ قابلیت اطمینان و ثبات سیستم
۴٫۴ نقاط قوت، نقاط ضعف و توسعه
۵٫ نتیجه گیری

• بخشی از ترجمه:

۵٫ نتیجه گیری
این مقاله، یک سیستم طبقه بندی خطرات بیماری پسوریازیس چنددرجه ای را با استفاده از الگوی ماشین یادگیری، ارائه داده است. سهم اساسی این مقاله، در توانایی استخراج سه مجموعه از مجموعه ویژگی های جامع است: ۱٫ رنگی، ۲٫ سیاه سفید، ۳٫ترکیب رنگی و سیاه سفید، و سپس تطبیق دادن چهار مجموعه از سیستم های ماشین یادگیری به همراه دو نوع طبقه بندی کننده آموزشی-تستی، و دو نوع روش انتخاب ویژگی. بنابراین چهار سیستم pRAS عبارتند از : ۱٫ ماشین بردار پشتیبان به همراه آنالیز جزء اصلی ، ۲٫ ماشین بردار پشتیبان به همراه آنالیز تفکیک فیشر، ۳٫ درخت تصمیم گیری به همراه آنالیز جزء اصلی و ۴٫ درخت تصمیم گیری به همراه آنالیز تفکیک فیشر.

• بخشی از مقاله انگلیسی:

۵٫ Conclusion

The paper presented a generalized multi-grade psoriasis disease risk stratification system using machine learning paradigm. The fundamental contribution of this paper is in ability to extract three set of comprehensive feature sets: (1) color; (2) grayscale; (3) combined color and grayscale and then adaptto four set of machine learning systems with two types of training-testing classifiers and two types of feature selection methods. Thus the 4 pRAS systems are: (1) support vector machine with Principal Component Analysis; (2) support vector machine with Fisher Discriminant Analysis; (3) decision tree with Principal Component Analysis and (4) decision tree with Fisher Discriminant Analysis.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله