دانلود ترجمه مقاله کاربرد نگاشتهای تکاملی فازی برای پیش بینی بلند مدت سرطان پروستات – مجله الزویر

فهرست مطالب:

چکیده
۱ مقدمه
۲ نگاشت شناختی فازی – پیش زمینه نظری

۲ ۱ : استدلال با FCM
۲ ۲ یادگیری FCM ها

۳ پیش زمینه پزشکی
۴  فرمول بندی مسئله و فرضیات
۵  یادگیری FCM با قدرت پیش بینی بلند مدت
۶ آزمایش های محاسباتی

۶ ۱ : تخمین خطاهای داده ای
۶ ۲  تخمین خطاهای غیر نمونه ای

۷ نتایج

بخشی از ترجمه:

مقدمه

دانش های زیادی وجود دارد که متد هایی ارائه می دهند که به متد های پیوند گرا معروف هستند.
[۱] – از نقطه نظر ارتباط آنها با داده های منبع حداقل دو روش را می توان شناسایی کرد.
نوع اول از شبکه ها گروه های ورودی و خروجی را پردازش می کنند که مکانهای اکتساب داده ها ونقاط کنترل را به ترتیب در محیط مسئله ارائه می کند.به عنوان نمونه ای از این نوع شبکه ها مایل هستیم به شبکه های عصبی (ANN) اشاره کنیم.این شبکه ها شامل گره های (نرون های ) پنهان ورودی وخروجی هستند.وظیفه اصلی ANN تقریب تابع بین گره های ورودی وخروجی است.ANN یک اتبع جعبه سیاه (black-box function) بین گره های ورودی و خروجی ارائه می کند و ارتباط ها بین گره ها موضوع خاصی را دنبال نمی کند.
نوع دوم شبکه ها را می توان ساختارهای مفهومی نامید [۲] و هدف ساختن ساختارهای مفهومی ارائه ارتباط بین مفهو ها است.گره هایی که مفهوم ها رانشان می دهند و کان هایی (خط پیوند) ارتباط ها را نشان می دهند،قادر به دنبال کردن تفسیر های معنایی هستند.ساختار شبکه های مفهومی را می توان روی سطوح معکوسی از تجرد داده ها انجام داد.برای مثال،هستی شناسی روی سطح نمادین ساخته می شودوبه آسانی توسط بشر قابل تفسیراست.

 ۷٫نتایج
یک  نسخه تسهیل شده ی از روش یادگیری تکاملی FCM ها،با در نظر گرفتن پارامتری که افق پیش بینی بلند مدت را تعریف می کند،در این تحقیق مورد بررسی قرار گرفت و برای پیش بینی سرطان پروستات قرار گرفت.FCM تکاملی تولید شده برای یک مسئله خاص سرطان پروستات،حالت بیمار را بعد از یک دوره ی زمانی با دنبال کردن معالجه پیشنهاد شده برای افراد بیمار تولید کرده هردو راه حل های پیشنهاد شده در یک تحقیق که از داده های حقیقی پزشکی استفاده کرده بود،اعتبار دهی شد.تابع برازندگی الگوریتم یادگیری تسهیل شده بهینه سازی بهتری از FCM را برای پیش بینی های درازمدت سری های زمانی چند متغیره به وجود آورد.خطاهای پیش بینی محاسبه شده واقعا برای FCM-II به دلیل بهینه سازی بهبود یافته FCM که با استفاده از روش اکتشاف شده انجام شد،کوچک بودند.خطاهای پیش بینی کوچکتر نشان دهنده ی کارکردی بودن متدلوژی بررسی شده در مسائل حقیقی پزشکی می باشد.اولین تحلیل تجربی مزیت استفاده از روش پیشنهاد شده را برای پیش بینی درازمدت سرطان پروستات تصدیق می کند.در کار بعدی،تلاش خواهیم کرد تا روی تسهیل بیشتر طرح پیشنهاد شده همراه با بهینه سازی پارامترهای استفاده شده و نیز ارزیابی طرح پیشنهاد شده با استفاده از موارد بیشتر پزشکی تمرکز داشته باشیم.

بخشی از مقاله انگلیسی:

Introduction

There are many knowledge representation methods known asconnectionist methods [1]. From the point of view of their relationshipsto source data at least two approaches to their constructioncan be distinguished.The first type of networks possesses input and output nodesthat represent data acquisition places and control points withinproblem environment respectively. As an example of such typeof networks, we would like to mention artificial neural networks(ANN). They consist of input, output and hidden nodes (neurons).The main task of ANN is the approximation of function betweeninput and output nodes. The ANNs represent a black-box functionbetween input and output nodes, the relationships between nodesdo not follow any interpretation issue.The second type of networks could be called as conceptual structures[2]. The intention of constructing conceptual structures is therepresentation of relationships between concepts. The nodes that represent concepts and the arcs that represent relationships areable to follow semantical interpretetion. The construction of conceptualnetworks could be accomplished on diverse levels of dataabstraction. For example, the ontologies are built on symbolic leveland are easily interpreted by humans.One of the directions of research on conceptual structures is themodeling of cause-and-effect relationship. In spite of years of intuitiveand formal analysis, modeling of causality is still raising theinterest of researchers. The main motivation is the expectation thatthe causal relationship, hidden in data reflect some stable mechanismsthat can be discovered and applied for making predictions.Recently, the representation of causal relationships in the form ofFCM is among the most active directions of research [3–۶]. Dueto their simplicity, supporting of inconsistent knowledge, and circlecausalities for knowledge modeling and inferring, FCMs havefound large applicability to many diverse scientific areas [7,6,8,5].The works of Stach et al. [12] and Song et al. [21] addressed theproblem of multivariate time series prediction.In this paper, our interest is focused on a conceptual structureand soft computing methodology which is FCM as proposed by [9].FCM is represented by a graph with nodes representing conceptsand directed arcs representing causal relationships between nodes.The FCM model exposes some similarities to ANNs. However, themain difference is the semantics. The FCM model is transparent insuch meaning, that every node and edge within the FCM graph canbe interpreted by a human. The FCM represents common-sense knowledge about the causal dependencies within the domain ofinterest, moreover every node and edge can be interpreted withinthe raw data.The problem of prediction of patient state suffering fromprostate cancer, according to a therapy plan, was the main motivationof our investigations. A requirement of long-term predictionimposed by our application led to the effort that we undertook. Thegoal was to improve the long-term predictive capabilities of FCMby using evolutionary-based learning method.This paper is organized as follows. In Section 2, the theoreticalbackground of FCMs is presented. Section 3 gives an inside to themedical problem considered in our study. The prediction problem isformalized in Section 4, whereas the theoretical contribution of thepaper is described in Section 5. Section 6 includes the description ofcomputational experiments discussing the results that justify ourtheoretical approach.2. Fuzzy cognitive maps – the theoretical backgroundFuzzy cognitive maps constitute an extension of cognitive maps,inheriting the main aspects of fuzzy logic and neural networks.They were introduced by Kosko [9] as signed directed graphs forrepresenting causal reasoning and computational inference processing,exploiting a symbolic representation for the descriptionand modeling of a system. They describe particular domains usingnodes/concepts (variables, states) and signed fuzzy relationshipsbetween them. The exemplary graph of FCM with 3 concepts and2 arcs is shown in Fig. 1.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه