بهبود تشخیص بقای کودکان در پیوند مغز استخوان با استفاده از تکنیکهای یادگیری ماشین گروهی و انتخاب ویژگی (1401) / بهارلوئی ، فاطمه، نویسنده
نوع مدرک: متون چاپی سرشناسه بهارلوئی ، فاطمه، نویسنده ردهبندی کنگره : COM soft 58 عنوان : بهبود تشخیص بقای کودکان در پیوند مغز استخوان با استفاده از تکنیکهای یادگیری ماشین گروهی و انتخاب ویژگی عنوان موازی : Improving The Diagnosis Of Children Survival In Bone Marrow Transplantation Using Ensemble Machine Learning Techniques And Feature Selection ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 85ص شابک/شاپا 24543 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها پیوند مغز استخوان، رای گیری اکثریت تطبیقی، شبکه عصبی، انتخاب ویژگی فیلتر Bone marrow transplantation, Adaptive Majority Voting, Neural Network, Filter Feature Selection چکیده : پیوند مغز استخوان که به آن پیوند سلولهای بنیادی خونساز نیز گفته میشود؛ سلولهای سالم را جایگزین سلولهای ناسالم مغز استخوان میکند. اخیرا پیوند مغز استخوان، به عنوان یک روش نجات دهنده برای درمان طیف وسیعی از اختلالات ناشی از مغز استخوان و انواع کمی از سرطانها به شمار میآید. بیمارانی که تحت این جراحی هستند با عوامل خطر متعددی که احتمال حیات آنها را کاهش میدهد مواجه هستند. از اینرو ارائه راهکارهای مبتنی بر هوش مصنوعی در راستای تشخیص نرخ بقای بیماران با در نظر داشتن عوامل موثر بر آن، به شدت مورد توجه قرار گرفته است. در سالهای اخیر از روشهایی مثل جنگل تصادفی، k نزدیکترین همسایه، شبکه بیزی و روشهایی از این دست برای تشخیص بقای بیماران پیوند مغز استخوان استفاده شده، اما بررسی روشهای گروهی و روشهای شبکه عصبی در این بین نادیده گرفته شده است. از اینرو در این تحقیق از ترکیب 5 روش مختلف شامل شبکه عصبی Dense، جنگل تصادفی، درخت تصمیم، ماشین بردار پشتیبان و K نزدیکترین همسایه برای تشخیص بقای بیماران پیوند مغز استخوان استفاده شده است. در این مدل برای ترکیب روشهای فوق، تکنیک رای گیری اکثریت تطبیقی پیشنهاد شده است که در آن 3 مورد از 5 الگوریتم فوق که دارای بهترین نتایج هستند با یکدیگر ترکیب میشوند. از طرف دیگر برای کاهش پیچیدگیهای محاسباتی مدل از سه روش انتخاب ویژگی فیلتر مختلف شامل روش Relief ، NCA و sequential برای انتخاب زیر مجموعه بهینه از ویژگیها استفاده شده است. نتایج بررسیهای مدل بر روی پایگاه داده Bone marrow دریافت شده از مخزن UCI نشان میدهد مدل میتواند به صحت بالغ بر 99% دست یابد که متعلق به روش رای گیری اکثریت تطبیقی با دو روش انتخاب ویژگی NCA و Relieff است. در بین روشهای انفرادی شبکه Dense در مقایسه با روشهای یادگیری ماشین سنتی عملکرد موفقتری از خود نشان داده است. همچنین روش توانسته بالغ بر 3% تشخیص نرخ بقای بیماران پیوند مغز استخوان را در مقایسه با مدلهای پیشین بهبود دهد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13618 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24543 COM soft 58 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بهبود تشخیص حیات و مرگ بیماران قلبی با استفاده از روشهای یادگیری ماشین و انتخاب ویژگی (1401) / مزروعی ، فائزه، نویسنده
نوع مدرک: متون چاپی سرشناسه مزروعی ، فائزه، نویسنده ردهبندی کنگره : COM soft 47 عنوان : بهبود تشخیص حیات و مرگ بیماران قلبی با استفاده از روشهای یادگیری ماشین و انتخاب ویژگی عنوان موازی : Improving the Prediction of Survival and Failure of Heart Patients using Machine Learning and Feature Selection ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 77ص شابک/شاپا 24532 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها شبکه عصبی پرسپترون، تشخیص بقای بیماران قلبی، انتخاب ویژگی، عدم توازن داده Perceptron Neural Network, Survival Diagnosis of Cardiac Patients, Feature Selection, Data Imbalance. چکیده : بیماریهای قلبی عروقی، مجموعهای از اختلالات هستند که عامل اصلی ناتوانی و مرگ زودرس در سراسر جهان محسوب میشوند. اغلب بیماریها از جمله بیمارهای قلبی، بواسطه تشخیص زودهنگام قابل کنترل و درمانپذیر هستند؛ اما حجم رو به رشد بیمارهای مختلف در سراسر جهان معضلی در تشخیص به موقع آنها است که عامل اصلی طراحی سیستمهای هوش مصنوعی و یادگیری ماشین در راستای کمک به پزشکان است. اکثر سیستمهای ارائه شده در این خصوص مبتنی بر تکنیکهای یادگیری ماشین سنتی مثل درخت تصمیم، جنگل تصادفی و روشهایی از این قبیل هستند؛ که در دادههای پزشکی به دلیل ماهیت چالش برانگیز آنها مثل عدم توازن دادهها، عملکرد چندان موفقی از خود نشان نمیدهند. از اینرو در این تحقیق یک روش تشخیص بقای بیماران قلبی مبتنی بر شبکه عصبی چند لایه پرسپترون طراحی شده است که در آن به چالش عدم توازن دادهها توجه شده است. در این روش برای رفع این مشکل از تکنیک بیش نمونهگیری Borderline SMOTE استفاده شده است. همچنین برای رسیدن به بهترین نتایج یک مرحله انتخاب ویژگی مبتنی بر الگوریتم حداقل افزونگی- حداکثر همبستگی طراحی شده است؛ که میتواند منجر به رسیدن به بهترین دادههای بالینی بیماران شود. نتایج ارزیابی مدل پیشنهاد شده بر روی دادههای heart failure در مخزن UCI، نشان میدهد مدل پیشنهادی در تشخیص بقای بیماران به صحت 96.33% و دقت 95.22% دست یافته است؛ که در مقایسه با 6 روش یادگیری ماشین سنتی بطور میانگین بالغ بر 11% صحت را بهبود داده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13606 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24532 COM soft 47 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت بهبود صحت پیشبینی بقای بیماران مبتلا به سپسیس با استفاده از شبکههای عصبی پیشخور آبشاری و روش نمونه گیری (1401) / کیانی ، فرناز، نویسنده
نوع مدرک: متون چاپی سرشناسه کیانی ، فرناز، نویسنده ردهبندی کنگره : COM soft 60 عنوان : بهبود صحت پیشبینی بقای بیماران مبتلا به سپسیس با استفاده از شبکههای عصبی پیشخور آبشاری و روش نمونه گیری عنوان موازی : Improving the Accuracy of Survival Prediction of Patients with Sepsis Using Cascading Feedforward Neural Networks and Resampling Method ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 83ص شابک/شاپا 24545 یادداشت پایان نامه کارشناسی ارشد :رشته مهندسی کامپیوترگرایش نرم افزار شناسه افزوده : نعمت بخش ، ناصر، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها بیماری سپسیس، باز نمونهگیری، شبکه عصبی پیشخور آبشاری، بیش نمونهگیری Sepsis Disease, Resampling, Cascade Feedforward Neural Network, Oversampling. چکیده : بیماری سپسیس حاصل از پاسخ بدن بیمار، به عفونت است که با مرگ و میر بالا همراه است. درمان و کنترل این بیماری به شدت وابسته به زمان است، به این معنی که تشخیص زود هنگام آن نرخ بقای بیمار را افزایش داده و در مقابل تاخیر در درمان باعث افزایش مرگ و میر ناشی از آسیب غیرقابل برگشت به اندامها میشود. در سالهای اخیر بدلیل حیاتی بودن این موضوع روشهای مختلفی مبتنی بر هوش مصنوعی و یادگیری ماشین ارائه شده است. اکثر روشهای جدید مبتنی بر الگوریتمهای سنتی مثل ماشین بردار پشتیبان، بیز ساده و از این دست هستند. این روشها در دادههای پزشکی که عموما نامتوازن هستند چندان موفق عمل نمیکنند. از اینرو در این تحقیق از شبکههای عصبی برای تشخیص بقای بیماران سپسیس استفاده شده است. در مدل پیشنهاد شده از شبکه عصبی پیشخور آبشاری برای تشخیص بقا استفاده شده و همچنین از دو نوع تکنیک باز نمونهگیری شامل بیش نمونهگیری و کم نمونهگیری برای رفع مشکل عدم توازن دادهها بهره برده شده است. نتایج تجربی بر روی دادههای بیماران مبتلا به سپسیس در مخزن UCI نشان میدهد که مدل پیشنهاد شده در بخش Primary توانسته است به صحت 94.9% دست یابد که متعلق به ترکیب شبکه عصبی آبشاری و الگوریتم بیش نمونهگیری SMOTE است. همچنین ترکیب دو روش فوق توانسته است در دادههای بخش Study به صحت 84.8% دست یابد. نتایج نشان میدهد در رتبه دوم ترکیب شبکه عصبی و تکنیک کم نمونهگیری قرار میگیرد و در آخر در مدل پیشنهادی کمترین نتایج متعلق به شبکه عصبی آبشاری است که بر روی دادههای نامتوازن اصلی ارزیابی شده است لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13620 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 24545 COM soft 60 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت
نوع مدرک: متون چاپی سرشناسه هاشمی جزی ، آزاده سادات، نویسنده ردهبندی کنگره : COM soft 2 1396 عنوان : کاهش مصرف انرژی در شبکههای حسگر بی سیم ناشر: دانشگاه شهید اشرفی اصفهان : بی نا سال نشر : 1394 صفحه شمار: 89ص شابک/شاپا 22722 یادداشت پایان نامه کارشناسی ارشد : کامپیوتر شناسه افزوده : خیام باشی ، محمد رضا، استاد راهنما زمین کار ، مینا، استاد مشاور توصیفگرها شبکه های حسگربی سیم مصرف انرژی پروتکل مسیریابی خوشه بندی بهینه سازی ازدحام ذرات الگوریتم جستجوی گرانشیWireless Sensor Networks Energy Consumption Routing Protocol Clustering Particle Swarm Optimization Gravitational Search Algorithm چکیده : امروزه، در شبکههای حسگر بیسیم، پروتکلهای مسیریابی مبتنی بر خوشهبندی از طریق تقسیم گرههای همسایه به خوشههای مجزا و انتخاب سرخوشههای محلی برای ترکیب و ارسال اطلاعات هر خوشه به ایستگاه مبنا و سعی در مصرف متوازن انرژی توسط گرههای شبکه، بهترین کارایی را از لحاظ افزایش طول عمر وحفظ پوشش شبکهای در مقایسه با سایر روشهای مسیریابی به دست میآورند. یک چالش مهم در شبکه های حسگر بی سیم،کاهش مصرف انرژی و افزایش طول عمر شبکه در کل شبکه حسگر است، و کنترل توپولوژی تأثیر زیادی روی این کاهش مصرف انرژی دارد. براساس تحقیقات قبلی، یک راهحل مبتنی بر پیشپردازش خوشه بندی فازی و بهینهسازی تراکم ذرات برای انتخاب سرخوشه در کنترل توپولوژی سلسله مراتبی پیشنهادشده است. به طورخاص، در ابتدا الگوریتم خوشه-بندی فازی برای طبقهبندی اولیه ی گره های سنسور براساس مکانهای جغرافیایی استفاده میشود، که در آن یک گره سنسور به خوشه ای با احتمال مشخص تعلق دارد و تعداد خوشه های اولیه مورد تحلیل و بحث قرار میگیرد. علاوه بر این تابع تطبیق با در نظر گرفتن فاکتورهای مصرف انرژی و فاصله از شبکهای حسگر بی سیم طراحی شده است. سپس گره های سرخوشه در توپولوژی سلسلهمراتبی براساس بهینهسازی تراکم ذرات بهبود یافته تعیین میشود. به علاوه یک تابع هزینه جدید به منظور تصمیمگیری در انتخاب گرههای سرخوشه، پیشنهاد شده است که سعی در ترکیب معیارهای مختلف موثر در انتخاب بر اساس میزان اهمیت آنها دارد.در نهایت با استفاده از الگوریتم جستجوی گرانشی بهترین مسیر بیی سرخوشه ها و ایستگاه اصلی محاسبه می شود. کارائی برتر این پروتکل از لحاظ افزایش طول عمر مفید شبکه و کاهش مصرف انرژی در پروتکلهای پیشین در مقایسه با روش پیشنهادی با شبیهسازی در نرم افزار متلب به اثبات رسیده است. درشبیه سازی انجام شده با 100 گره مشاهده شد که مصرف انرژی در روش های پیشن LEACH ،E-OEERP، K-MEANS-PS به ترتیب 150،100،60ژول ودرروش پیشنهادی METHOD - PRPOSED،40 ژول می باشد. با استفاده از نتایج به دست آمده در شبیه سازی روش پیشنهادی یعنی انتخاب سرخوشه با ادغام الگوریتم فازی وازدحام ذرات استفده از الگوریتم جستجوی گرانشی برای مسیر یابی نسبت به روشهای پیشین کاهش مصرف انرژی و افزایش طول عمر شبکه، مشاهده می شود لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=1115 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 22722 COM soft 2 1396 پایاننامه دانشگاه شهید اشرفی اصفهانی مرکزی اسناد مرجع غیر قابل امانت