17820

17820

ارائه فن داده‌كاوي مبتني بر يادگيري عميق جهت پيش‌بيني بيماري ديابت

كارشناسي ارشد

هوش مصنوعي و رباتيك

تير 1396

دكتر محمدرضا جاهد مطلق

كامپيوتر

بيماري ديابت يكي از بيماري‌هايي است كه مزمن بوده و درمان قطعي ندارد و شايع‌ترين علت قطع اندام، نابينايي، نارسايي مزمن كليوي و يكي از مهم‌ترين عوامل ايجاد بيماري قلبي است. اين بيماري در همه جاي دنيا مشاهده مي‌شود و در كشور ما وضعيت بحراني دارد. ازاين‌رو تحقيق و استفاده از ابزارهاي مدرن هوش مصنوعي براي تشخيص و پيش‌بيني اين بيماري ضروري است. تابه‌حال از روشهاي معمول شبكه‌هاي عصبي و روشهاي آماري براي پيش‌بيني و تشخيص استفاده‌شده است و نتايج خوبي هم داشته. در اين پايان‌نامه از روش جديد يادگيري عميق براي پيش‌بيني استفاده‌شده است. شبكه عصبي عميق با كمك اتوانكودرها ساخته و از چهار اتوانكودر براي ساخت يك شبكه پنج لايه استفاده‌شده است. براي ساخت شبكه پنج لايه و آموزش اتوانكودرها، از دو روش متفاوت استفاده‌شده است. روش اول بر مبناي الگوريتم پس انتشار خطا بوده و درروش بعدي اتوانكودرها با كمك روش ELM ساخته مي‌شود. براي افزايش دقت آن از الگوريتم تپه نوردي براي تعيين تعداد مناسب نورون‌هاي هر اتوانكودر استفاده‌شده است. مقايسه روشهاي پيشنهادي با روشهاي معمول نشان‌دهنده افزايش و بهبود دقت در تشخيص و پيش‌بيني بيماري ديابت بر اساس داده‌هاي محدود هست.

1396/07/02

1/1/1900 12:00:00 AM

Diabetic is a chronical disease which does not have a definite cure to it. Diabetic can result in amputation of body parts, blindness, and chronical kidney disease and also is one the most causes of heart illness. An illness seen all over the world which in our country, Iran has reached to a crisis point. Therefor the use of modern apparatus of artificial intelligence for diagnosis and prediction of this illness is vital. To this point the normal neural networks and statistics used to predict and identify this illness with an acceptable result. In this thesis the new method of deep learning for prediction is been used. Deep Neural network with the help of auto encoder is developed and four auto encoder is used for a five-layer network. Two different method is used in setting up a five-layer network and to train auto encoders. First method is based on algorithm back propagation and the other method auto encoders developed with the help of ELM method. In order to increase its accuracy, hill climbing algorithm is used to determine the number of neurons for each auto encoders. Comparison of proposed methods with normal method shows the increase in diagnosis and prediction of diabetic disease based on limited data.