شریف پژوه

 
چکیده: سیستم های خبره یا مبتنی بر دانش، رایج ترین نوع سیستمهای هوش مصنوعی در علم پزشکی در کاربرد ها و استفاده های کلینیکی هستند. آنها شامل دانش پزشکی هستند که این دانش معمولا در محدوده وظیفه و عملیاتی است که به صورت مخصوص برای او تعریف شده است. سیستم های خبره می توانند با استفاده از داده های مربوط به هر بیمار، نتیجه گیری منطقی و معقولی را به دست آورند. با وجود تغییرات فراوان و تفاوت های موجود، دانش درون سیستم خبره، بسته به نوع آن، در قالب مجموعه ای از قوانین، نمایش داده می شود.دراین مقاله، برای تشخیص اختلال های تیرویید را با استفاده از یک سیستم خبره مبتنی بر آنتولوژی و روش فازی عصبی پیشنهاد می دهدOBESTDD مخفف عبارت . سیستم خبره مبتنی بر آنتولوژی برای تشخیص اختلال تیرویید است. در این تشخیص، از آنتولوژی برای مدل سازی محتوا و مفاهیم دانش حوزه ای، و همچنین استنتاج تشخیص مرتبط با بیماری بر اساس قوانین، استفاده می شود.فایده آنتولوژی این است که دانش ارایه شده، هم برای کامپیوتر و هم برای انسان، به اندازه کافی خوانایی دارد. استفاده از آنتولوژی در حوزه پزشکی و مراقبت های بهداشتی، باعث شده است که افراد متخصص و یا غیر متخصص در این حوزه بتوانند به راحتی دانش خود را ارایه دهند. همچنین ما با استفاده از روش فازی عصبی، توانستیم قوانین فازی را به دست آورده و آنها را در سیستم سیستم خبره تشخیص اختلال تیروییدESTDDجایگذاری کنیم. به این صورت، این سیستم توانست اختلال تیرویید را با دقت 95.33 % تشخیص دهد. علاوه بر این، می توان از این سیستم برای آموزش دانشجویان رشته پزشکی نیز استفاده کرد.

 
چکیده: باتوجه به اینکه مردم به تازگی علاقه به وضعیت سلامتیشان دارند، توسعه دامنه کاربرد پزشکی یکی از فعالترین زمینه های تحقیقات را به خود اختصاص داده است. یک مثال از دامنه کاربرد پزشکی کشف روش برای بیماری قلبی بر پایه روش تشخیص به کمک رایانه است، که اطلاعات از منابع دیگر بدست آمده و توسط نرم افزارهای رایانه ای ارزیابی شده است. سیستم های خبر، با هدف عمومی کردن مهارت های افراد متخصص، برای افراد غیرمتخصص طراحی شده اند. در واقع این نرم افزارها، الگوی منطقی ای را که یک متخصص براساس آنها تصمیم گیری می کند، شناسایی می نمایند و سپس بر اساس آن الگوها، مانند انسان ها تصمیم گیری می کنند. تاکنون سیستم های خبره ی مختلفی در زمینه ی علوم پزشکی ارائه شده و در این مورد پیشرفت زیادی داشته است. در حالی که سرعت عمل در تشخیص بیماری قلبی و در بهبود حال بیماران بسیار موثر می باشد، اما گاهی دسترسی به پزشکان متخصص برای بیماران وجود ندارد و ا ز این رو طراحی سیستمی با دانش پزشک متخصص که تشخیص مناسب را به بیماران ارائه نماید، شرایط درمان به موقع بیماران را رفراهم می کند. در این تحقیقی یک نمونه از قواعد نامعلوم سنگین برپایه روش پشتیبانی تصمیم برای تشخیص بیماری قبلی آورده شده است. تصمیم پزشکی پیشنهادی سیستم برای پیش بینی ریسک بیماران قلبی شامل دو فاز است: (1) روش خودکار برای قاعده سنگین نامعلوم (2) توسعه قاعده سنگین براساس پشتیببانی تصیمیم سیستم . سپس سیستم نامعلوم در مطابقت با قاعده سنگین نامعلوم و خواص منتخب ساخته شده است. در پایان عملکرد سیستم با دقت شبکه عصبی، حساسیت و ویژگی مورد استفاده مقایسه می شود.

 
چکیده: امروزه درصد بالایی از مردم در معرض خطر ابتلا به بیماری دیابت هستند. این بیماری یکی از خطرناکترین بیماری های عصر حاضر است و تشخیص به موقع این بیماری نقش به سزایی در درمان آن دارد.
روش ها: در این مقاله با استفاده از سیستم استنتاج فازی سوگنو و الگوریتم هوشمند کرم شب تاب، روشی نوین برای تشخیص دیابت ارائه شده است. روش ارائه شده قادر است با استفاده از تعداد کمی قوانین ساده فازی با دقت مطلوبی بیماری دیابت را تشخیص دهد.
یافته ها: کارآیی ترکیب سیستم استنتاج فازی سوگنو و الگوریتم کرم شب تاب 24/87 درصد به دست آمد.
نتیجه گیری: نتایج تجربی نشان می­دهند که این روش روی مجموعه داده استاندارد PID دقت بیشتری نسبتی به الگوریتم­های موجود در این زمینه دارد.

پیاده سازی الگوریتم خفاش (Bat algorithm) در متلب(MATLAB):

الگوریتم خفاش یک الگوریتم متاهیورستیک است که در سال 2010 توسط xin she yang ارائه شد. در این الگوریتم از توانایی ردیابی و انعکاس صدا در خفاش ها ی کوچک الهام گرفته شده است. هر خفاش مجازی به طور تصادفی با سرعت v_i در موقعیت مکانی x_i با فرکانس λ متفاوت و بلندی صدا و طول موج متغیر A_i پرواز می کند.

هر خفاش با جستجو و یافتن طعمه، فرکانس، بلندی صدا و میزان نرخ پالس های ارسالی r خود را تغییر می دهد. بهترین مکان در هر تکرار پس از مقایسه ی موقعیت خفاش های مجازی انتخاب می شود. انتخاب بهترین ها تا زمان برآورده شدن معیارهای توقف مشخص شده ادامه می یابد. برای مطالعه ی جزییات بیشتر در مورد الگوریتم خفاش کلیک کنید. در این پروژه، با استفاده از متلب، پیاده سازی الگوریتم خفاش به همراه توضیحات مربوطه، ارائه می گردد.

پروژه هشت وزیر با الگوریتم تکامل تفاضلی (differential evolution) در متلب:

مسئله چند وزیر یک معمای شطرنجی و ریاضیاتی است که بر اساس آن باید n وزیر شطرنج در یک صفحه n×n شطرنج به‌گونه‌ای قرار داده شوند که هیچ‌یک زیر ضرب دیگری نباشند. با توجه به اینکه وزیر به‌صورت افقی، عمودی و اُریب حرکت می‌کند، باید هر وزیر را در طول، عرض و قطر متفاوتی قرار داد. اولین و مشهورترین شکل این مسئله معمای هشت وزیر است که برای حل آن باید ۸ وزیر را در یک صفحهً معمولی (۸×۸) شطرنج قرار داد. این مسئله ۹۲ جواب دارد که ۱۲ جواب آن منحصر به‌فرد است یعنی بقیه جواب‌ها از تقارن جواب‌های اصلی به‌دست می‌آید. برای مطالعه ی بیشتر کلیک کنید.

در این پژوه به کمک روش تکامل تفاضلی (differential evolution) ، مسئله ی هشت وزیر در محیط متلب (Matlab) پیاده سازی شده است.

پیاده سازی الگوریتم بهینه سازی کرم شب تاب (Firefly algorithm) در متلب(MATLAB):

در این پروژه، با استفاده از متلب، پیاده سازی الگوریتم یهینه سازی کرم شب تاب به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی الگوریتم جستجوی فاخته (Cuckoo search) در متلب(MATLAB):

جستجوی فاخته (Cuckoo search)، جستجوی کوکو یا جستجوی بلبل، الگوریتم بهینه سازی است که زین شی یانگ و سوآش دب در سال ۲۰۰۹ طراحی کردند. این الگوریتم برگرفته از ملزوم کردن تخم انگلی بعضی گونه های بلبل به قرار دادن تخم هایش در آشیانه پرندگان میزان دیگر (از گونه های دیگر) است. بعضی پرندگان میزبان می توانند با فاخته های سربار و مزاحم جنگ و دعوا کنند. برای مثال اگر پرنده میزبان تخم هایی را پیدا کند که متعلق به آن ها نیست، او این تخم های بیگانه را دور می اندازد یا آشیانه ش را به راحتی ترک می کند و جای دیگر آشیانه ی جدیدی می سازد. تعدادی از تخم ها که شباهت بیشتری به تخم های میزبان دارند، شانس بیشتری برای رشد و تبدیل شدن به فاخته خواهند داشت. میزان تخم های رشد کرده مناسب بودن لانه های منطقه را نشان می دهد. برای مطالعه ی جزییات بیشتر در مورد الگوریتم فاخته کلیک کنید. در این پروژه، با استفاده از متلب، پیاده سازی الگوریتم جستجوی فاخته به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی الگوریتم ممتیک در متلب(MATLAB):

در این پروژه، با استفاده از متلب، پیاده سازی الگوریتم ممتیک به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی الگوریتم هارمونی در متلب(MATLAB):

در این پروژه، با استفاده از متلب(MATLAB)، پیاده سازی الگوریتم هارمونی به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی الگوریتم بهینه سازی ازدحام در متلب(MATLAB):

الگوریتم PSO یک الگوریتم جستجوی جمعی است که از روی رفتار اجتماعی دسته‌های پرندگان مدل شده‌است. در ابتدا این الگوریتم به منظور کشف الگوهای حاکم بر پرواز هم‌زمان پرندگان و تغییر ناگهانی مسیر آن‌ها و تغییر شکل بهینهٔ دسته به کار گرفته شد. در PSO، ذرات در فضای جستجو جاری می‌شوند. تغییر مکان ذرات در فضای جستجو تحت تأثیر تجربه و دانش خودشان و همسایگانشان است؛ بنابراین موقعیت دیگر توده ذرات روی چگونگی جستجوی یک ذره اثر می‌گذارد. نتیجهٔ مدل‌سازی این رفتار اجتماعی فرایند جستجویی است که ذرات به سمت نواحی موفق میل می‌کنند. ذرات از یکدیگر می‌آموزند و بر مبنای دانش بدست آمده به سمت بهترین همسایگان خود می‌روند اساس کار PSO بر این اصل استوار است که در هر لحظه هر ذره مکان خود را در فضای جستجو با توجه به بهترین مکانی که تاکنون در آن قرار گرفته‌است و بهترین مکانی که در کل همسایگی‌اش وجود دارد، تنظیم می‌کند. برای مطالعه جزییات بیشتر در مورد الگوریتم بهینه سازی ازدحام ذرات کلیک کنید.

در این پروژه، با استفاده از متلب، پیاده سازی الگوریتم بهینه سازی ازدحام به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی الگوریتم کلونی زنبور عسل در متلب(MATLAB):

در این پروژه، با استفاده از متلب(MATLAB)، پیاده سازی الگوریتم کلونی زنبور عسل به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی الگوریتم سیستم ایمنی مصنوعی در متلب(MATLAB):

در این پروژه، با استفاده از متلب(MATLAB)، پیاده سازی الگوریتم سیستم ایمنی مصنوعی به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی الگوریتم بهینه سازی چندهدفه  NSGA-II در متلب(MATLAB):

در این پروژه، با استفاده از متلب(MATLAB)، پیاده سازی الگوریتم بهینه سازی چندهدفه  NSGA-II به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی الگوریتم تکامل تفاضلی در متلب(MATLAB):

در این پروژه، با استفاده از متلب، پیاده سازی الگوریتم تکامل تفاضلی به همراه توضیحات مربوطه، ارائه می گردد.

پیاده سازی الگوریتم ژنتیک در متلب(MATLAB):

الگوریتم‌های ژنتیک (به انگلیسی: Genetic algorithm) تکنیک جستجو در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی مدل، ریاضی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم‌های تکاملی است که از تکنیک‌های زیست‌شناسی فرگشتی مانند وراثت، جهش زیست‌شناسی و اصول انتخابی داروین برای یافتن فرمول بهینه جهت پیش‌بینی یا تطبیق الگواستفاده می‌شود. الگوریتم‌های ژنتیک اغلب گزینه خوبی برای تکنیک‌های پیش‌بینی بر مبنای رگرسیون هستند. در مدل‌سازی الگوریتم ژنتیک یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی به عنوان یک الگوی حل مسئله استفاده می‌کند. مسئله‌ای که باید حل شود دارای ورودی‌هایی می‌باشد که طی یک فرایند الگوبرداری شده از تکامل ژنتیکی به راه‌حلها تبدیل می‌شود سپس راه حلها به عنوان کاندیداها توسط تابع ارزیاب (Fitness Function) مورد ارزیابی قرار می‌گیرند و چنانچه شرط خروج مسئله فراهم شده باشد الگوریتم خاتمه می‌یابد. بطور کلی یک الگوریتم مبتنی بر تکرار است که اغلب بخش‌های آن به صورت فرایندهای تصادفی انتخاب می‌شوند که این الگوریتم‌ها از بخش‌های تابع برازش، نمایش، انتخاب وتغییر تشکیل می‌شوند.. برای مطالعه جزییات بیشتر در مورد الگوریتم ژنتیک کلیک کنید.

در این پروژه، با استفاده از متلب، پیاده سازی الگوریتم ژنتیک به همراه توضیحات مربوطه، ارائه می گردد.

پروژه هشت وزیر با الگوریتم های تکاملی در متلب:

مسئله چند وزیر یک معمای شطرنجی و ریاضیاتی است که بر اساس آن باید n وزیر شطرنج در یک صفحه n×n شطرنج به‌گونه‌ای قرار داده شوند که هیچ‌یک زیر ضرب دیگری نباشند. با توجه به اینکه وزیر به‌صورت افقی، عمودی و اُریب حرکت می‌کند، باید هر وزیر را در طول، عرض و قطر متفاوتی قرار داد. اولین و مشهورترین شکل این مسئله معمای هشت وزیر است که برای حل آن باید ۸ وزیر را در یک صفحهً معمولی (۸×۸) شطرنج قرار داد. این مسئله ۹۲ جواب دارد که ۱۲ جواب آن منحصر به‌فرد است یعنی بقیه جواب‌ها از تقارن جواب‌های اصلی به‌دست می‌آید. برای مطالعه ی بیشتر کلیک کنید.

در این پژوه به کمک روش تکاملی ژنتیک، مسئله ی هشت وزیر در محیط متلب (Matlab) پیاده سازی شده است.