روش انتخاب ژن ترکیبی با اتوماتای یادگیر سلولی و بهینه سازی کلونی مورچه

ترجمه مقاله ژن ترکیبی با اتوماتای یادگیر سلولی و بهینه سازی کلونی مورچه

ترجمه مقاله A hybrid gene  approach formicroarray data classification using cellular learning automata and ant colony optimization

در این پست ترجمه مقاله روش انتخاب ژن ترکیبی با اتوماتای یادگیر سلولی و بهینه سازی کلونی مورچه را برای شما دوستان آماده کردیم که علاوه بر چکیده و مقدمه می توانید خود مقاله اصلی را نیز به صورت رایگان دانلود نمایید.

چکیده مقاله

در این مقاله یک روش برای انتخاب ژن در داده های ریز آرایه پیشنهاد شده است. روش پیشنهادی از یک روش فیلتر اولیه با استفاده از معیار فیشر که باعث کاهش وزن اولیه و از این رو فضای جستجو و پیچیدگی زمانی می شود. سپس یک رویکرد لفاف بسته بندی (رپر) است که بر اساس اتوماتای یادگیری سلولی که از روش الگوریتم کلونی مورچگان برای پیدا کردن مجموعه ای از ویژگی ها که جهت بهبود دقت طبقه بندی شده استفاده می شود.

اتوماتای یادگیری سلولی در کاربرد ناشی از یادگیری و مدل روابط پیچیده قابلیت دارد. ویژگی های انتخاب شده از مرحله آخر با استفاده از منحنی مشخصات (ویژگی های) عامل گیرنده و مؤثرترین در حالی که کوچکترین زیر مجموعه از ویژگی ها تعیین شده است مورد بررسی قرار می گیرد.

توضیحات بیشتر در مورد ترجمه مقاله روش انتخاب ژن ترکیبی با اتوماتای یادگیر سلولی و بهینه سازی کلونی مورچه و دانلود رایگان مقاله اصلی لطفا به ادامه مطلب مراجعه نمائید.

چکیده انگلیسی

This paper proposes an approach for gene selection in microarray data. The proposed approach consists of a primary filter approach using Fisher criterion which reduces the initial genes and hence the search space and time complexity. Then, a wrapper approach which is based on cellular learning automata (CLA) optimized.

with ant colony method (ACO) is used to find the set of features which improve the classification accuracy. CLA is applied due to its capability to learn and model complicated relationships. The selected features from the last phase are evaluated using ROC curve and themost effective while smallest feature subset is determined.

The classifiers which are evaluated in the proposed framework are K-nearest neighbor; support vector machine and naïve Bayes. The proposed approach is evaluated on 4microarray datasets. The evaluations confirm that the proposed approach can find the smallest subset of genes while approaching the maximum accuracy.

منبع : sciencedirect.com